群体动力学的群组行为仿真

目的 许多群体动画算法侧重从宏观或微观角度模拟人群运动,而结合两种方法模拟群组动态的算法较少,为解决这个问题,提出一种基于群体动力学的群组行为仿真算法。方法 首先,采用连续模型构建动态势能场,为个体计算运动初始速度;然后,基于群体动力学模拟组内跟随和组间避让行为;在组内跟随行为中采用“Car-following”模型为个体计算跟随加速度;在组间避让行为中提出群组的凸包表示方法,并引入局部势能场;最后,结合动态势能场和局部势能场实现群组行为仿真。结果 在每个仿真循环中动态更新全局势能场信息,对比不同群体规模及网格精度的人群仿真效率。实验结果表明本文算法能用于模拟规模较大的多样性群组运动。在网格分辨率为80×80像素的场景中对5 000个个体的运动进行仿真,平均帧速率为35.7 ms（约28帧/s）,与传统的连续模型相比产生了更多的群组行为。采用快速行进法构建全局动态势能场,即使在粗糙网格中也能得到较为平滑的路径。结论 提出算法适用于多样性群组行为仿真,同时结合全局规划和局部控制,无需额外碰撞检测便能真实地模拟组内跟随和组间避让行为,仿真效果具有高效性和多样性。     

深度还是广度？知识分布与群体结构对群组绩效的影响

研究在解决复杂系统决策问题时,群组的知识分布与群体结构两种关键特征对群体智能涌现的效果,即群组绩效的影响.提出基于群组合作网络的结构特征测度和基于决策要素的知识分布测度,群组结构主要包括链接强度以及网络的层次化或扁平化程度;知识分布根据知识的深度或广度衡量群组成员的构成类型:专才型群组、通才型群组以及混合型群组.采用基于适应度景观理论的连续时间马尔科夫链模拟群组解决复杂决策问题的能力.群组成员在自我利益(即对个体适应度提升的追求)和社会影响(即寻求与周围个体意见一致以达成共识)两种驱动因素下改变观点.研究表明:不平衡的知识分布会削弱群组绩效;群体结构会调节知识分布的影响作用;通才型群组在解决更加复杂问题时的表现明显优于专才型群组以及混合型群组;群组不应过分追求意见的一致性.     

群组动画中的队形约束与控制方法

针对影视制作中对大规模虚拟群体运动控制的需求,提出一种基于队形约束的群体运动编辑与控制方法.首先利用贪心算法构建从初始队形到目标队形中个体位置的配对关系;然后对其进行优化,在保持个体相对位置的同时尽可能减少路线交叉;最后通过匹配虚拟角色的运动来合成流畅、逼真的群组动画.采用文中方法用户只需输入群体规模以及群体队形轮廓,即可实现对群体运动的编辑与控制.实验结果表明,该方法能够对不同规模、不同队形间的群体运动实现有效控制,从而提高群组动画制作的效率.     

基于角色的群体感知模型

群体感知理论的研究与应用是计算机支持协同工作的重要研究内容之一.在研究分析了当前群体感知模型研究工作现状的基础上,提出了一种基于角色的群体感知模型.该模型通过分解群组任务,把群组成员扮演的角色细化,对成员的具体活动进行基于角色的集合划分,并根据角色之间的差别程度来确定成员对不同活动的感知强度.最后对该模型的实现机制和应用领域进行了分析,并讨论了下一步研究中需要解决的若干问题.     

异构群体队形光滑变换控制方法

针对现有群体队形控制方法在队形变换异构性、光滑性、条理性等方面的不足,提出一种基于几何约束机制的受限异构群体队形控制方法.首先采用Morphing方法生成由初始形状平滑变换到目标形状的一系列中间约束形状;然后引入基于质心的容量限制Power图对个体在约束形状中的内部布局进行建模,产生所需的异构分布;最后提出面向Power图的Lloyd导航算法,以控制个体进行无碰撞的光滑移动.实验结果表明,该方法稳定可靠,队形变换平滑流畅,非均匀人群分布可用于制作自然的群组动画和仿真真实场景,适用于不同规模、不同队形的异构群体队形控制.     

求解连续函数优化问题的合作协同进化布谷鸟搜索算法

为改善布谷鸟搜索算法求解连续函数优化问题的性能,提出合作协同进化的布谷鸟搜索算法.改进算法通过应用合作协同进化框架,将种群的解向量分解成若干子向量,并构成相应子群体.利用标准布谷鸟算法更新各子群体的解向量.各子群体为其它子群体提供最优个体,组合成问题解向量并完成子群体评价.经10个测试函数实验仿真,结果说明改进算法能有效改善求解连续函数优化问题的性能.同时,针对连续函数优化问题,该算法与其它算法相比是有竞争力的优化算法.     

有向通讯网络下一类动态群体的整体动力学行为

本文运用图论、矩阵分析和现代控制理论的方法,研究有向通讯网络下一类二维群体的全局动力学行为.此类群体由众多具有相同动力学性质的个体组成,每个个体在不与其他个体发生作用的情况下是李雅普诺夫稳定的,与其他个体交流的信息是传感器测得的带有偏差的位置信息.当每个个体采取分布式线性控制协议时,整个群体的动力学行为,不仅和个体的动力学方程有关,而且和网络结构的代数特征有关.本文具体给出了群体出现全局渐近聚集、周期振荡和发散3种不同行为的代数判据.最后,仿真例子验证了本文结果的有效性.     

群体机器人合作觅食任务数学模型的建立与分析

群体机器人系统的数学模型可以预测系统的群体行为,能够在设计系统硬件或开发仿真程序之前,分析个体特征对群体行为的影响,以指导个体控制策略的改进。本文提出群体机器人合作觅食任务的数学模型。该数学模型由微分比率方程组构成,能够描述合作觅食任务群体行为的动态特征。仿真实验表明,数学模型的预测结果与仿真实验数据可以较好的拟合。     

基于网格的分布式交互仿真技术研究

网格是高性能计算机、数据源、因特网三种技术有机结合的产物,是为用户提供资源全面共享的公共平台.分布交互式仿真是通过局域网、广域网使分散在各地的仿真设备交互作用,并可使人参与交互的一种综合环境.该文通过对网格技术和分布式仿真技术的分析,从仿真技术的需求入手,阐述了基于网格进行分布式交互仿真的重要性.研究了基于网格进行分布仿真的两种方法,一是利用网格技术提供现有仿真技术的支撑,二是利用网格技术扩展现有的仿真技术,并对第二种方法进行了进一步的讨论,分析了利用网格技术对HLA体系结构进行扩展的方法.     

一类具有群体LEADER的多智能体系统的聚集行为

针对目前关于群体聚集的稳定性研究中仅考虑同类智能体的问题,提出了一类由lea der和follower 两种个体组成的多智能体系统聚集模型.在该模型中,只有leader智能体具有关于环境和目标点的信息,并且当个体间距离较远时互相吸引,距离较近时互相排斥.当表示环境信息的势能场函数梯度有界时,证明了系统的聚集稳定性并确定了表示群体大小的一个上界,从而保证了所有leader和follower个体最终聚集在群体中心周围并一起沿着该函数的负梯度方向运动.仿真结果验证了方法有效性.     

Crowd Simulation and Its Applications: Recent Advances

This article surveys the state-of-the-art crowd simulation techniques and their selected applications, with its focus on our recent research advances in this rapidly growing research field. We first give a categorized overview on the mainstream methodologies of crowd simulation. Then, we describe our recent research advances on crowd evacuation,pedestrian crowds, crowd formation, traffic simulation, and swarm simulation. Finally, we offer our viewpoints on open crowd simulation research challenges and point out potential future directions in this field.     

Modeling group structures in pedestrian crowd simulation

Grouping is a common phenomenon in pedestrian crowds and plays important roles in affecting crowd behavior. Group modeling is still an open challenging problem and has not been incorporated by existing crowd simulation models. Motivated by the need of group modeling for crowd behavior simulation, this paper presents a unified and well-defined framework for modeling the structure aspect of different groups in pedestrian crowds. Both intra-group structure and inter-group relationships are considered and their effects on the crowd behavior are modeled. Based on this framework, an agent-based crowd simulation system is developed and crowd behavior simulations using two different group structures are presented. The simulation results show that the developed framework allows different group structures to be easily modeled. Besides, different group sizes, intra-group structures and inter-group relationships can have significant impacts on crowd behaviors.     

基于KOD能量特征的群体异常行为识别

在群体异常行为识别过程中, 针对传统特征易受目标遮挡影响导致其对群体行为的弱描述性问题, 提出一种基于KOD（kinetic orientation distance）能量特征的群体异常行为识别方法。该能量特征忽略群体中相互遮挡的个体的局部特征, 从群体行为整体上分别根据群体的运动剧烈程度、群体运动方向一致性和群体中个体的相对位置定义并提取群体动能、方向势能和距离势能构成群体行为高层KOD能量特征, 以此描述群体的运动状态变化, 最后通过构建隐马尔可夫模型实现群体异常行为检测及类型识别。在PETS和UMN公共数据集上进行实验并与传统光流特征进行对比, 实验结果表明, 使用KOD能量特征能够有效地检测出群体异常行为并识别出其类型, 且能够达到92%的准确率。     

Context‐Dependent Crowd Evaluation

Many times, even if a crowd simulation looks good in general, there could be some specific individual behaviors which do not seem correct. Spotting such problems manually can become tedious, but ignoring them may harm the simulation's credibility. In this paper we present a data‐driven approach for evaluating the behaviors of individuals within a simulated crowd. Based on video‐footage of a real crowd, a database of behavior examples is generated. Given a simulation of a crowd, an analog analysis is performed on it, defining a set of queries, which are matched by a similarity function to the database examples. The results offer a possible objective answer to the question of how similar are the simulated individual behaviors to real observed behaviors. Moreover, by changing the video input one can change the context of evaluation. We show several examples of evaluating simulated crowds produced using different techniques and comprising of dense crowds, sparse crowds and flocks.     

融入情绪模型的人群实时路径规划

目的 人群仿真中高效性和逼真性是群体路径规划的关键问题。已有人群路径规划算法忽略了人群情绪造成的路径选择差异,在大规模实时仿真中仍存在一定的局限性。方法 提出一种融入情绪模型的人群实时路径规划算法(EPP)。使用人格特征理论对人群的情绪进行建模并设定不同情绪所具有的路径选择偏好。在路径建模阶段,通过单次搜索建立全局有向导航图,确定全局层面的可行路径;在路径搜索阶段,提出以期望时间最短为原则的路径规划目标函数,采用局部搜索策略为个体实时规划一条最优或次优的路径。结果 EPP算法可有效地仿真不同场景下大规模人群的路径选择现象;与已有工作的仿真效果和量化指标对比说明了该算法的有效性和高效性;通过不同情绪状态下人群路径选择差异的讨论以及在不同人群运动模型的兼容性实验进一步说明了该算法的健壮性。结论 本文算法具有良好的高效性和健壮性,适用于不同场景下大规模人群路径规划的相关应用。     

人群应急疏散可视仿真研究进展和问题

人群应急疏散可视仿真是用智能体来模拟具有自主感知、情绪和行为能力的人群个体,并采用3维可视的方式来直观呈现人群应急疏散情景,可以为制定人群应急预案提供形象直观的分析方法。本文从人群仿真数据的来源、人群导航模型的构建、人群行为模型、人群情绪感染、人群渲染5个方面概述目前研究的进展,然后从仿真模型的可验证性、人群疏散导航模型的构建、人与环境的物理模型、动物逃生实验与仿真、疏散中的社会行为表现以及人群情绪的可视计算6个角度讨论需要进一步研究的问题。针对需要深入研究的问题,指出借助于紧急事件的视频监控分析和虚拟人群情景的用户调查,有助于完善人群仿真模型。结合物理模型,可以更准确地描述人群应急疏散场景。开展动物逃生实验分析,有助于完善人群运动导航算法。建立人群社会行为模型,可以更详细描述疏散中人群行为的多样性。构建基于多通道感知的人群情绪感染计算方法,可以详尽描述情绪感染的过程。人群应急疏散行为的可视仿真研究在城市的安全管理方面具有重要的应用前景,但其研究仍存在很多亟待解决的问题,综合地运用多学科知识,完善实验手段是进一步推动研究的关键所在。     

Model-based Crowd Behaviours in Human-solution Space

Realistic crowd simulation has been pursued for decades, but it still necessitates tedious human labour and a lot of trial and error. The majority of currently used crowd modelling is either empirical (model-based) or data-driven (model-free). Model-based methods cannot fit observed data precisely, whereas model-free methods are limited by the availability/quality of data and are uninterpretable. In this paper, we aim at taking advantage of both model-based and data-driven approaches. In order to accomplish this, we propose a new simulation framework built on a physics-based model that is designed to be data-friendly. Both the general prior knowledge about crowds encoded by the physics-based model and the specific real-world crowd data at hand jointly influence the system dynamics. With a multi-granularity physics-based model, the framework combines microscopic and macroscopic motion control. Each simulation step is formulated as an energy optimization problem, where the minimizer is the desired crowd behaviour. In contrast to traditional optimization-based methods which seek the theoretical minimizer, we designed an acceleration-aware data-driven scheme to compute the minimizer from real-world data in order to achieve higher realism by parameterizing both velocity and acceleration. Experiments demonstrate that our method can produce crowd animations that are more realistically behaved in a variety of scales and scenarios when compared to the earlier methods.     

基于群体行为分析的人群异常聚集预测方法

随着智能通信设备的普及和通信基站定位精度的提升,利用通信基站记录的用户行为数据监测和预测人群密度成为可能。由于人群异常聚集事件具有突发性,利用时间序列分析方法和概率模型进行预测的效果较差。针对该问题,提出一种基于群体行为分析的预测方法。通过分析聚集人群的上网行为和基站间的人群移动行为特征,得到两者之间的相关性,结合基站的人群密度时间序列信息,利用扩张因果卷积神经网络和逻辑回归模型得出预测结果。运营商提供的手机用户上网记录数据集上的实验结果表明,该预测方法的精确率为0.93,召回率为0.97,显著优于ARIMA算法、LSTM算法和XGBoost算法,证明了引入用户群体的上网行为和移动特征能够有效提升人群异常聚集预测的准确性。