【技术实现步骤摘要】
本专利技术属于智能导航的客船人员应急疏散领域，具体涉及一种考虑截止时间和拥塞缓解的分层式客船人员应急疏散方法。
技术介绍
1、安全引导疏散是客船事故后的首要任务，尤其是在近年来发生的悲惨客船灾难中，突出了应急导航策略的重要性。与陆上疏散环境不同，由于船体在水面处于漂浮状态，危险事件发生后，外界救援难以快速到达，并且船载人员的运动行为容易受到影响。并且，由于大型客船内部空间组织结构复杂，危险事件位置信息不确定，客船人员难以在事故发生后快速完成对事件的判断并开始疏散行为。一旦发生严重事故，在不明确的疏散信息引导下，乘客容易出现恐慌、从众等行为现象，进而引发推挤、踩踏等危险情况，整体疏散过程效率较低。
2、在现有的应急疏散方法研究中，一部分工作考虑了船舶受损情况，按照疏散区域对人群划分并以网格或者节点为中心进行疏散路径规划。但是，由于船舶内部结构复杂，存在狭窄通道、楼梯等，行人视野受到限制，在不熟悉环境且疏散信息模糊的情况下，容易引发疏散人员的恐慌或者从众心理，产生跟随或聚集行为，导致部分疏散路径上发生拥挤。其中，在以导航节点为中心应急疏散方法中，同一节点附近的人群受到相同节点的引导，疏散过程中同样存在拥堵现象。另一方面，考虑结构复杂，功能区域繁多的船舶疏散场景，对于以个人为中心的疏散模型，其寻路算法计算量较大，无法保证疏散信息的实时性，乘客逃生时间超过疏散截止时间。
3、综上所述，尽管目前一些疏散模型已经相当成熟，但是较为复杂的船载环境对这些算法产生了极大的约束作用。
技术实现思路
1、本专利技术的目的在于，提供一种考虑截止时间和拥塞缓解的分层式客船人员应急疏散方法，具有成本低、效率高、灵活性高的优点。
2、为解决上述技术问题，本专利技术的技术方案为：考虑截止时间和拥塞缓解的分层式客船人员应急疏散方法，包括以下步骤：
3、a、根据船舶内部结构以及船舶内部各通行区域行人移动速度，建立全局导航特征图模型；
4、b、根据全局导航特征图模型，生成全局参考路径；
5、c、构建应急疏散决策模型：通过强化学习算法对真实的船舶室内疏散场景建立二维训练环境，通过设置智能体对船舶室内疏散场景中的客船人员进行建模，将二维训练环境和智能体建模作为应急疏散决策模型的基本构成要件；将智能体的观测图像作为应急疏散决策模型的输入；考虑二维训练环境中动态危险、移动人群以及船体结构对于应急疏散决策的影响；
6、d、利用强化学习算法的训练机制，结合特征提取网络框架，完成以客船人员自身为中心的基于强化学习的应急疏散决策模型的训练；
7、e、在应急疏散决策模型的基础上，形成全局规划与局部引导相结合的分层式应急疏散决策逻辑并根据该逻辑对客船人员进行疏散；所述分层式应急疏散决策逻辑具体为：在全局规划阶段，考虑到船舶内部结构复杂且功能区域繁多，紧急情况发生后，全局规划器结合各通行区域的环境特点以及行人移动速度为客船人员快速规划出疏散截止时间内的安全疏散路径，并为局部规划器提供路径参考；在局部导航阶段，根据采集到的环境信息，应急疏散决策模型结合全局参考路径以及客船人员所处的环境信息，为客船人员提供躲避危险与拥塞的实时疏散引导。
8、步骤a具体包括以下步骤：
9、a1、通过广义voronoi图构造算法在无障碍空间上提取出一组与船舶内部墙体障碍物具有相同欧氏距离的gvd节点，其中，将所有gvd节点构成的集合定义为,每个gvd节点均满足以下公式：
10、
11、其中，表示静态障碍物对应节点集合，将gvd节点与其最近的两个静态障碍物节点之间的距离定义为的半径；
12、a2、将每一个gvd节点进一步表示为，其中，表示该节点的坐标，表示其半径，gvd节点集合记为；
13、a3、根据各gvd节点的半径大小对集合中的节点进行排序，最大半径对应的节点记作，将最大半径对应的节点加入初步筛选集合中，并删除以为半径的区域内的所有节点；
14、a4、对于从用户初始位置节点前往出口节点的疏散路径，考虑任意时刻用户位置对应节点，表示从到的所有可通行路径集合，将节点的邻居节点定义为：
15、
16、其中，表示用户从初始节点到达当前节点实际经历的延迟，表示路段的最坏情况延迟，表示从节点到达出口节点的路径的最坏情况延迟，是导航节点集合，是危险区域对应节点集合，是疏散截止时间；
17、a5、在初步筛选集合中确定特征半径最大的节点的邻居节点，再判断节点与其二级邻居节点之间的连通关系，当的所有二级邻居节点都满足连通关系时，则将其邻居节点从集合中删除，对删除筛选后的集合表示为特征节点集合；其中，当两节点之间的连线无障碍时，视为两节点满足连通关系；其中，二级邻居节点为邻居节点的邻居节点；
18、a6、检查集合中各特征节点之间的连通关系，建立全局导航阶段的特征图模型并表示为，将各特征节点之间的连通路段集合作为全局导航特征图模型的可通行路径。
19、步骤b具体包括以下步骤：
20、b1、生成各特征节点处的路由查询表，将某一特征节点的路由查询表表示为，其表示：对于节点，当作为下一跳节点时，从节点到出口的路径具有最小典型延迟和作为最坏情况延迟的延迟上界；其中，最小典型延迟和延迟上界分别根据客船人员的典型疏散移动速度和最坏情况下的移动速度计算得到；
21、b2、根据路由查询表中最坏情况延迟的最小值以及路段对应最坏情况延迟，计算出从节点到出口的最坏情况延迟的最小值，并表示为；其中，为随机特征节点，为的邻居节点；
22、b3、结合、和路段的典型延迟计算出最坏情况延迟和最小典型延迟，并将作为的候选三元组；其中，；
23、b4、判断是否将更新到路由查询表中，其判断方法为：当时，将中候选三元组替换为三元组；相反，当时，则不替换；
24、b5、对b2~b4执行次迭代，在每次迭代中，对于路段，将更靠近出口的节点对的路由查询表进行更新替换，在执行次迭代后得到各全局导航节点处的路由查询表；
25、b6、将客船人员的初始位置对应于全局导航节点，考虑路由表中的连通关系，根据下一跳节点的延迟上界生成全局参考路径。
26、步骤c具体包括以下步骤：
27、c1、定义强化学习的基本元素至少包括环境、智能体、环境状态、智能体动作和奖励；强化学习算法的主要过程为：智能体通过与环境的直接交互进而习得采用合适的决策来实现任务目标；
28、c2、为智能体设置局部观测范围的长度与宽度，表示为，以减小并固定应急疏散决策模型输入状态空间的大小，具体的，在每一时间步上，定义智能体的局部观测集合，分别表示智能体观测范围内的自由空间、静态障碍物、动态危险、移动人群以及全局参考路径的信息；
29、c3、将应急疏散决策模型的输出空间对应强化学习算法中的离散动作空间的九个疏散引导指示,各疏散引导指示分别表示从当前节点向上、下、左、右本文档来自技高网...
【技术保护点】
1.考虑截止时间和拥塞缓解的分层式客船人员应急疏散方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的考虑截止时间和拥塞缓解的分层式客船人员应急疏散方法，其特征在于，步骤A具体包括以下步骤：
3.根据权利要求2所述的考虑截止时间和拥塞缓解的分层式客船人员应急疏散方法，其特征在于，步骤B具体包括以下步骤：
4.根据权利要求3所述的考虑截止时间和拥塞缓解的分层式客船人员应急疏散方法，其特征在于，步骤C具体包括以下步骤：
5.根据权利要求4所述的考虑截止时间和拥塞缓解的分层式客船人员应急疏散方法，其特征在于，步骤D具体包括以下步骤：
6.根据权利要求5所述的考虑截止时间和拥塞缓解的分层式客船人员应急疏散方法，其特征在于，步骤E具体包括以下步骤：
7.根据权利要求6所述的考虑截止时间和拥塞缓解的分层式客船人员应急疏散方法，其特征在于，步骤E还包括以下步骤：在实际疏散过程中，应急疏散决策模型向客船人员携带的移动设备发布实时的疏散决策信息，引导客船人员安全地前往集合站，当客船人员到达集合站时，其经历的所有节点将构成
8.根据权利要求3所述的考虑截止时间和拥塞缓解的分层式客船人员应急疏散方法，其特征在于，在步骤B6中，当存在至少两个可选择的下一跳导航节点时，以可选择的下一跳导航节点包含和为例，将疏散截止时间与节点的最坏情况延迟上界a和的最坏情况延迟上界b进行比较，c为与二级邻居节点的最坏情况延迟上界，其中，a＞b＞c，分别按照以下三种情况进行讨论：
9.根据权利要求1所述的考虑截止时间和拥塞缓解的分层式客船人员应急疏散方法，其特征在于，步骤C和D中的强化学习算法为DDQN算法。
10.根据权利要求1所述的考虑截止时间和拥塞缓解的分层式客船人员应急疏散方法，其特征在于，步骤E中在局部导航阶段，通过低功耗广域网技术对环境信息进行采集。
...【技术特征摘要】
1.考虑截止时间和拥塞缓解的分层式客船人员应急疏散方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的考虑截止时间和拥塞缓解的分层式客船人员应急疏散方法，其特征在于，步骤a具体包括以下步骤：
3.根据权利要求2所述的考虑截止时间和拥塞缓解的分层式客船人员应急疏散方法，其特征在于，步骤b具体包括以下步骤：
4.根据权利要求3所述的考虑截止时间和拥塞缓解的分层式客船人员应急疏散方法，其特征在于，步骤c具体包括以下步骤：
5.根据权利要求4所述的考虑截止时间和拥塞缓解的分层式客船人员应急疏散方法，其特征在于，步骤d具体包括以下步骤：
6.根据权利要求5所述的考虑截止时间和拥塞缓解的分层式客船人员应急疏散方法，其特征在于，步骤e具体包括以下步骤：
7.根据权利要求6所述的考虑截止时间和拥塞缓解的分层式客船人员应急疏散方法，其特征在于，步骤e还包括以下步骤：在...
【专利技术属性】
技术研发人员：陈默子，冯晓艺，曾小玲，刘克中，杨星，马玉亭，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：
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。