【技术实现步骤摘要】
一种通过数据驱动优化的基于速度的动态人群模拟方法
[0001]本专利技术涉及动态人群模拟领域，特别涉及一种通过数据驱动优化的基于速度的动态人群模拟方法。
技术介绍
[0002]近年来，在计算机图形学、视觉现实、城市规划、应急模拟和行为科学等领域将自然的人群融入虚拟环境受到广泛的关注。
[0003]人群所表现出高度复杂的行为，是有个体在其目标、环境障碍和其它附近智能体方面的适应性决策带动的，因此，在动态变化的环境中模拟这种无意识的自组织人群运动是非常有必要的。
[0004]目前很多宏观模拟方法和微观模拟方法已被开发用于人群模拟，然而，此类模拟方法模拟的人群有时候过于规律与真实人群不符。最近，提出了基于深度强化学习的方法用于人群模拟。
[0005]如公开号为CN112348285A的中国专利公开的一种基于深度强化学习的动态环境下人群疏散模拟方法，包括：人群作为多智能体系统，对于单个行人智能体而言，采用深度神经网络来逼近状态到动作的映射函数，作为该智能体的行为控制器；行人智能体通过对动态环境状态的观察，利用...
【技术保护点】
【技术特征摘要】
1.一种通过数据驱动优化的基于速度的动态人群模拟方法，其特征在于，包括如下步骤：在各类场景中采集含有速度信息的真实人群的运动轨迹，对真实人群的运动速度进行处理得到速度集；将场景进行离散化，使得场景划分为若干网格，记录网格中的场景信息，计算网格中任意点到场景出口的最短路径的方向，若干网格中任意点到场景出口的最短路径的方向组成人群运动参考方向的方向场；将影响人群速度的因素表示为能量项，利用能量项构建优化公式，并利用真实数据预训练优化公式中的参数；在速度集中寻找使得优化公式能量最小的速度，并利用该速度来更新人群中个体的位置。2.根据权利要求1所述的通过数据驱动优化的基于速度的动态人群模拟方法，其特征在于，对真实人群的运动速度进行处理包括：人群运动速度的提取、人群运动速度的去重、人群运动速度排序、人群运动速度的分组。3.根据权利要求2所述的通过数据驱动优化的基于速度的动态人群模拟方法，其特征在于，对人群运动速度进行提取包括采集数据、对源数据进行降噪、对源数据进行插值；对源数据进行降噪即根据采集的数据的位置分布与速度分布，将具有离群的轨迹信息的数据去除；对源数据进行插值即对数据的估计进行拟合，并补插连续函数进行计算；对源数据进行降噪、插值后得出提取速度集。4.根据权利要求3所述的通过数据驱动优化的基于速度的动态人群模拟方法，其特征在于，人群运动速度的去重包括如下步骤：遍历提取速度集中的每条信息，对初次出现的速度信息进行标记；将与标记的速度信息重复的速度信息去除，全部处理完成后得到一个无重复速度信息的去重速度集。5.根据权利要求4所述的通过数据驱动优化的基于速度的动态人群模拟方法，其特征在于，人群运动速度排序包括如下步骤：将任意一条速度信息表示为(v
i，t
，v
i，t
‑1)，将每条速度信息中的||v
i，t
||视为键值，按照其从小到大的顺序排列，排序完成后得到排序速度集。6.根据权利要求5所述的通过数据驱动优化的基于速度的动态人群模拟方法，其特征在于，人群运动速度的分组包括如下步骤：根据排序速度集，得出排序速度集中的||v
i，t
||的最小值v
min
与最大值V
max
；将区间[v
min
，v
max
]均匀分成s组，确定每一组的最小速度与最大速度后完成人群运动速度的分组。7.根据权利要求1所述的通过数据驱动优化的基于速度的动态人群模拟方法，其特征在于，构建方向场包括如下步骤：创建搜索队列，队列以场景中任意点到出口的最短距离为关键值，使用堆优化；初始化起点信息，将起点位置加入队列；队首元素出队，使用广度优先搜索，以四联通的方式搜索相邻的未确定方向的网格；
对于未确定方向的网格a，使用广度优先搜索，搜索两个与其相邻的已确定方向的网格b1，b2；通过b1，b2计算到达起点的距离：D(a)＝cD(b1)+(1
‑
c)D(b2)+||(c，1
‑
c)||其中，D为网格到起点的距离，c、1
‑
c分别网格b1、b2到起点距离的权值；在区间[0，1]的范围内寻找c的值，使得D(a)最小，此时得到网格a的方向：其中，N(a)为网格a的方向，分别为网格a到网格b1，b2的方向；之后将网格a的信息放入队列；若队列不为空则返回队首元素出队；若队列为空则方向场构建完成。8.根据权利要求1所述的通过数据驱动优化的基于...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。