CN107704667A - 模拟集群性的人群运动仿真方法、装置和*** - Google Patents

Abstract

本发明涉及一种模拟集群性的人群运动仿真方法，包括：设置场景信息，在场景信息的无障碍区域随机设置个体，生成个体信息，所述个体信息包括个体的位置坐标、个体的速度方向和速度值；设置代表集群集中度的集群性影响因子，根据集群性影响因子和个体信息计算每一个体的集群性方向改变值；将所述个体的集群性方向改变值与个体的速度方向进行矢量合并，得到更新后的个体速度方向，根据所述更新后的个体速度方向以及个***置坐标、速度值生成人群运动仿真。

Description

模拟集群性的人群运动仿真方法、装置和***

技术领域

本发明涉及一种模拟集群性的人群运动仿真方法、装置和***。

背景技术

大型公共场所突发事件频发，如何快速、安全的疏散人群是安全领域研究的热点问题。人群运动仿真在指导人群疏散、制定紧急预案、场景设计、以及影视娱乐等方面具有广泛的应用。目前，群体模拟仿真的大部分集中在如何进行大规模人群的碰撞避免、以及如何提高仿真效率方面，忽略了人群运动的社会性特征的建模，如集群性等。尽管基于视频的方法从真实视频中提取群体个体运动行为，但无法描述整个群体的整体运动形态。集群性是群体运动中普遍存在的社会性特征，表现为个体集结成群，导致个体意志逐渐消失并且遵从集群意志的行为，群体内部呈现出自组织、自协调又相互融合、运动一致的特性。因此，如何仿真集群性成为群体运动行为仿真的研究热点。

发明内容

本发明为了解决上述问题，提出了一种模拟集群性的人群运动仿真方法，构建了模拟集群性的人群运动框架，建立了人群运动的集群性模型，并将其与人群运动耦合，得到了一种可以模拟集群性人群运动的仿真方法。

为了实现上述目的，本发明采用如下方案：

一种模拟集群性的人群运动仿真方法，包括：

设置场景信息，在场景信息的无障碍区域随机设置个体，生成个体信息，所述个体信息包括个体的位置坐标、个体的速度方向和速度值；

设置代表集群集中度的集群性影响因子，根据集群性影响因子和个体信息计算每一个体的集群性方向改变值；

将所述个体的集群性方向改变值与个体的速度方向进行矢量合并，得到更新后的个体速度方向，根据所述更新后的个体速度方向以及个***置坐标、速度值生成人群运动仿真。

进一步的，根据集群性影响因子和个体信息计算每一个体的集群性方向改变值包括：

首先计算个体与邻接个体之间的第一集群性方向改变值，根据个体之间的传播效应，由第一集群性方向改变值得到个体与次邻接个体之间的第二集群性方向改变值，反复迭代直到得到个体与边界个体之间的第N集群性方向改变值，计算所述N个集群性方向改变值的期望，得到个体的集群性方向改变值。

进一步的，计算个体与邻接个体之间的第一集群性方向改变值包括：

设定以单位距离为半径的圆区域，所述圆区域内包括唯一的中心个体和若干邻接个体，计算所有邻接个体与中心个体之间的速度方向矢量差，获得上述速度方向矢量差在圆区域内所有个体上的期望，将所述期望与集群性影响因子作乘，得到第一集群性方向改变值。

进一步的，计算个体与次邻接个体之间的第二集群性方向改变值包括：

设定以2倍单位距离为半径的圆区域，所述圆区域内包括唯一的中心个体、若干邻接个体和若干次邻接个体，计算所有邻接个体与中心个体之间的第一速度方向矢量差，所有次邻接个体与每一邻接个体之间的第二速度方向矢量差，第一速度方向矢量差与第二速度方向矢量差相加得到第三速度方向矢量差，用于代表所有次邻接个体与中心个体的速度方向矢量差，获得第三速度方向矢量差在圆区域内所有个体上的期望，将所述期望与集群性影响因子作乘，得到第二集群性方向改变值。

上述技术方案中的集群性影响因子随着个体间距离的增大而减小，用于表示集群集中度随着个体间距离增大而逐渐下降。

进一步的，所述速度值采用如下方式获得：

设置期望速度、最大速度和最大加速度，利用最大速度和最大加速度计算个体所有候选速度，将期望速度与所有候选速度进行比较，得到最佳速度作为速度值。

进一步的，将期望速度与所有候选速度进行比较，得到最佳速度作为速度值包括：

设置每一个体的期望碰撞时间，并为所述期望碰撞时间设置用户自定义的权重值，根据用户自定义的权重值下的个体的期望碰撞时间和个体期望速度，得到个体的惩罚度量，根据个体惩罚度量的最小值确定最佳速度。

在上述的技术方案中，可以设置时间步长，每一时间步长内更新一次个体速度方向、个***置坐标和速度值，生成动画帧，由每一动画帧组成人群运动仿真。

本发明还提出了一种存储装置，存储有多条指令，所述指令由处理器加载并执行以下处理：

设置场景信息，在场景信息的无障碍区域随机设置个体，生成个体信息，所述个体信息包括个体的位置坐标、个体的速度方向和速度值；

设置代表集群集中度的集群性影响因子，根据集群性影响因子和个体信息计算每一个体的集群性方向改变值；

将所述个体的集群性方向改变值与个体的速度方向进行矢量合并，得到更新后的个体速度方向，根据所述更新后的个体速度方向以及个***置坐标、速度值生成人群运动仿真。

本发明又提出了一种模拟集群性的人群运动仿真***，包括显示器，用于显示仿真动画；处理器，用于实现各指令；以及存储装置，用于存储多条指令，所述指令由处理器加载并执行以下处理：

设置场景信息，在场景信息的无障碍区域随机设置个体，生成个体信息，所述个体信息包括个体的位置坐标、个体的速度方向和速度值；

设置代表集群集中度的集群性影响因子，根据集群性影响因子和个体信息计算每一个体的集群性方向改变值；

将所述个体的集群性方向改变值与个体的速度方向进行矢量合并，得到更新后的个体速度方向，根据所述更新后的个体速度方向以及个***置坐标、速度值生成人群运动仿真。

本发明的有益效果：

本发明提出了一种模拟人群运动集群性的仿真方法和***，本发明将真实人群运动过程中的集群特性融入人群运动仿真中，构建了模拟集群性的人群运动框架：建立人群运动的集群性模型，并将其与人群运动耦合，最后通过真实感渲染对仿真结果进行渲染输出。该方法能够更加真实的进行人群运动的仿真，体现出群体运动过程中的集群特性，增强了人群仿真结果的真实感。

附图说明

图1为本发明简化的流程图。

具体实施方式：

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

如图1所示，本发明的一种典型实施例是一种模拟集群性的人群运动仿真方法，主要包括以下步骤：

首先初始化场景信息，然后构建集群性人群运动模型；将集群性人群运动模型与个体信息进行结合，更新个体信息，生成人群运动仿真，得到具有真实感渲染的仿真模拟。

对于初始化场景信息，主要包括对场景信息初始化和个体信息初始化。

对场景障碍物的位置信息进行初始化，表示出障碍物的位置坐标。其次，根据障碍物信息画出对场景语义进行初始化，画出场景的Roadmap图。本专利使用Roadmap来近似描述场景语义信息，通过Roadmap图将场景中没有障碍物的区域表示成图(Graph)结构，用于描述绕过障碍物的拓扑图。该拓扑图由顶点和边组成G＝(V,E)，其中，V表示顶点的集合，该Roadmap顶点是场景内避开障碍物生成的随机坐标点；E表示Roadmap边的集合，本专利任意两个距离为l且连线不经过障碍物的随机点连接成为Roadmap边，表示为e(v₁,v₂)∈E，顶点v₁和顶点v₂是边e的两个端点。

个体信息包括个体速度方向、个***置坐标和个体的速度值，个***置坐标是在场景范围内避开障碍物随机生成个体的位置坐标。

然后根据集群性影响因子和个体信息计算每一个体的集群性方向改变值：

首先计算个体与邻接个体之间的第一集群性方向改变值，根据个体之间的传播效应，由第一集群性方向改变值得到个体与次邻接个体之间的第二集群性方向改变值，反复迭代直到得到个体与边界个体之间的第N集群性方向改变值，计算所述N个集群性方向改变值的期望，得到个体的集群性方向改变值。

第一集群性方向改变值通过设定以单位距离为半径的圆区域，圆区域内包括唯一的中心个体和若干邻接个体，计算所有邻接个体与中心个体之间的速度方向矢量差，获得上述速度方向矢量差在圆区域内所有个体上的期望，将期望与集群性影响因子作乘，得到第一集群性方向改变值。

然后计算个体与次邻接个体之间的第二集群性方向改变值：设定以2倍单位距离为半径的圆区域，圆区域内包括唯一的中心个体、若干邻接个体和若干次邻接个体，计算所有邻接个体与中心个体之间的第一速度方向矢量差，所有次邻接个体与每一邻接个体之间的第二速度方向矢量差，第一速度方向矢量差与第二速度方向矢量差相加得到第三速度方向矢量差，用于代表所有次邻接个体与中心个体的速度方向矢量差，获得第三速度方向矢量差在圆区域内所有个体上的期望，将所述期望与集群性影响因子作乘，得到第二集群性方向改变值。

在本实施例中，可以按照如下步骤实现：

第一步：在不同的场景中，人群运动呈现不同的集群能力。本申请定义集群性影响因子z并对其初始化，其取值设置在(0,1)内，结合实际场景，调整z值控制人群的集群现象使其与真实运动相符。

第二步：定义一个邻接距离L，用于描述周围其他个体与中心个体的关系。对于任意个体i，将以i所在位置为圆心、以距离d为半径的圆形区域定义为i的邻域，在邻域内获取i的邻居集合N^L(i)(L＝1)，在邻域范围内的邻居个体与i的邻接距离为L＝1。

第三步：定义速度方向改变值x，根据公式(1)计算当邻接距离L＝1时，邻居个体j∈N^L(i)对i的速度方向的影响值。

第四步：当个体k不是i的邻居时，本专利定义其与i可通过邻居个体间的传递呈间接相关，其邻居距离为i到k的传递过程中经过的个体数，L>1。用N^L(i)(L＞1)表示与个体i间邻接距离为L的所有个体的集合。由于集群性在传递过程中会有所衰减，且综合考虑逐层传递的复杂度，因此本专利设置传递的最大邻接距离为L＝5，认为当L>5时，个体对中心的i个体的影响为0。计算所有L≤5时的L距离的邻居集合N^L(i)。

第五步：当1＜L≤5时，根据公式(2)计算间接影响的集群方向改变值

第六步：综合所有L距离邻居个体对中心个体i的影响，根据公式(3)计算出最终的i的速度方向改变值x_i。

过程3：人群运动计算，在这一过程中将集群性加入人群运动计算，控制人群的整体运动形态。

其中，集群性影响因子可以设置为随着个体间距离的增大而减小，用于表示集群集中度随着个体间距离增大而逐渐下降，更加体现了真实感渲染。

上述实施例中的速度值采用如下具体的计算方法：

对所有个体的V^pref、ω、V^max和a^max进行初始化，其中，V^pref是个体的期望速度，V^max是个体的最大速度，a^max是个体的最大加速度，ω表示用户自定义权重，用于衡量个体的最优候选速度。

1)利用最大速度V^max和最大加速度a^max根据公式(4)求出个体的候选速度集V^cand。

其中，V_i表示个体i的当前速度，表示个体i的第j个候选速度，表示个体i的第j个候选速度的大小，表示候选速度相对于当前速度的变化值的大小，t表示时间步，表示单位时间内最大速度变化值。在公式中，候选速度的大小受最大速度V^max和最大加速度a^max的制约。因此，应大于0且小于最大速度值V^max，且其速度变化值也应小于

(2)根据过程二中计算得到的个体i速度方向的改变值x_i来计算新的期望速度方向D^pref

(3)根据公式(5)更新期望速度方向

(4)利用期望速度V^pref根据公式(6)更新下一时刻的新速度v_t+1。

其中，penalty是惩罚因子，ω是用户自定义权重，表示期望碰撞时间，表示期望速度与候选速度间的变化量。在此步骤中，我们选择使得惩罚因子penalty最小的候选速度作为下一时刻的新速度v_t+1。

判断个体是否到达目标，如果个体没有到达目标，则返回第二步，继续计算下一时刻新速度；否则，个体到达目标，停止运动。

本发明可以设置以固定时间为间隔的时间步，在每一时间步内更新个体信息，生成动画帧，由动画帧生成人群运动计算结果，再结合真实感渲染技术，将人群运动计算结果进行渲染得到人群疏散仿真动画。

本发明提出了一种模拟人群运动集群性的仿真方法，该方法将真实人群运动过程中的集群特性融入人群运动仿真中。为了实现该方法，本发明构建了模拟集群性的人群运动框架：建立人群运动的集群性模型，并将其与人群运动耦合，最后通过真实感渲染对仿真结果进行渲染输出。该方法能够更加真实的进行人群运动的仿真，体现出群体运动过程中的集群特性，增强了人群仿真结果的真实感。

为了实现上述方法，本发明还提出了一种存储装置，存储有多条指令，所述指令由处理器加载并执行以下处理：

设置场景信息，在场景信息的无障碍区域随机设置个体，生成个体信息，所述个体信息包括个体的位置坐标、个体的速度方向和速度值；

设置代表集群集中度的集群性影响因子，根据集群性影响因子和个体信息计算每一个体的集群性方向改变值；

将所述个体的集群性方向改变值与个体的速度方向进行矢量合并，得到更新后的个体速度方向，根据所述更新后的个体速度方向以及个***置坐标、速度值生成人群运动仿真。

在具体应用过程中，还包括有与处理器相连的本显示器，可以显示仿真动画，采用艺术渲染组件，对人群运动仿真进行真实感渲染。

本发明构建了模拟集群性的人群运动框架：建立人群运动的集群性模型，并将其与人群运动耦合，最后通过真实感渲染对仿真结果进行渲染输出。该方法能够更加真实的进行人群运动的仿真，体现出群体运动过程中的集群特性，增强了人群仿真结果的真实感。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种模拟集群性的人群运动仿真方法，其特征在于，包括：

设置场景信息，在场景信息的无障碍区域随机设置个体，生成个体信息，所述个体信息包括个体的位置坐标、个体的速度方向和速度值；

设置代表集群集中度的集群性影响因子，根据集群性影响因子和个体信息计算每一个体的集群性方向改变值；

将所述个体的集群性方向改变值与个体的速度方向进行矢量合并，得到更新后的个体速度方向，根据所述更新后的个体速度方向以及个***置坐标、速度值生成人群运动仿真。

2.根据权利要求1所述的方法，其特征在于，根据集群性影响因子和个体信息计算每一个体的集群性方向改变值包括：

首先计算个体与邻接个体之间的第一集群性方向改变值，根据个体之间的传播效应，由第一集群性方向改变值得到个体与次邻接个体之间的第二集群性方向改变值，反复迭代直到得到个体与边界个体之间的第N集群性方向改变值，计算所述N个集群性方向改变值的期望，得到个体的集群性方向改变值。

3.根据权利要求2所述的方法，其特征在于，计算个体与邻接个体之间的第一集群性方向改变值包括：

设定以单位距离为半径的圆区域，所述圆区域内包括唯一的中心个体和若干邻接个体，计算所有邻接个体与中心个体之间的速度方向矢量差，获得上述速度方向矢量差在圆区域内所有个体上的期望，将所述期望与集群性影响因子作乘，得到第一集群性方向改变值。

4.根据权利要求2所述的方法，其特征在于，计算个体与次邻接个体之间的第二集群性方向改变值包括：

设定以2倍单位距离为半径的圆区域，所述圆区域内包括唯一的中心个体、若干邻接个体和若干次邻接个体，计算所有邻接个体与中心个体之间的第一速度方向矢量差，所有次邻接个体与每一邻接个体之间的第二速度方向矢量差，第一速度方向矢量差与第二速度方向矢量差相加得到第三速度方向矢量差，用于代表所有次邻接个体与中心个体的速度方向矢量差，获得第三速度方向矢量差在圆区域内所有个体上的期望，将所述期望与集群性影响因子作乘，得到第二集群性方向改变值。

5.根据权利要求1-4中任一项所述的方法，其特征在于，所述集群性影响因子随着个体间距离的增大而减小，用于表示集群集中度随着个体间距离增大而逐渐下降。

6.根据权利要求1所述的方法，其特征在于，所述速度值采用如下方式获得：

设置期望速度、最大速度和最大加速度，利用最大速度和最大加速度计算个体所有候选速度，将期望速度与所有候选速度进行比较，得到最佳速度作为速度值。

7.根据权利要求6所述的方法，其特征在于，将期望速度与所有候选速度进行比较，得到最佳速度作为速度值包括：

设置每一个体的期望碰撞时间，并为所述期望碰撞时间设置用户自定义的权重值，根据用户自定义的权重值下的个体的期望碰撞时间和个体期望速度，得到个体的惩罚度量，根据个体惩罚度量的最小值确定最佳速度。

8.根据权利要求1-7中任一项所述的方法，其特征在于，设置时间步长，每一时间步长内更新一次个体速度方向、个***置坐标和速度值，生成动画帧，由每一动画帧组成人群运动仿真。

9.一种存储装置，其特征在于，存储有多条指令，所述指令由处理器加载并执行以下处理：

设置场景信息，在场景信息的无障碍区域随机设置个体，生成个体信息，所述个体信息包括个体的位置坐标、个体的速度方向和速度值；

设置代表集群集中度的集群性影响因子，根据集群性影响因子和个体信息计算每一个体的集群性方向改变值；

将所述个体的集群性方向改变值与个体的速度方向进行矢量合并，得到更新后的个体速度方向，根据所述更新后的个体速度方向以及个***置坐标、速度值生成人群运动仿真。

10.一种模拟集群性的人群运动仿真***，其特征在于，包括显示器，用于显示仿真动画；处理器，用于实现各指令；以及存储装置，用于存储多条指令，所述指令由处理器加载并执行以下处理：

设置场景信息，在场景信息的无障碍区域随机设置个体，生成个体信息，所述个体信息包括个体的位置坐标、个体的速度方向和速度值；

设置代表集群集中度的集群性影响因子，根据集群性影响因子和个体信息计算每一个体的集群性方向改变值；

将所述个体的集群性方向改变值与个体的速度方向进行矢量合并，得到更新后的个体速度方向，根据所述更新后的个体速度方向以及个***置坐标、速度值生成人群运动仿真。