[发明专利]一种人群运动仿真方法及系统

说明书

技术领域

本发明属于人群仿真领域，尤其涉及一种人群运动仿真方法及系统。

背景技术

在人群密集型的大型公共场所中，例如：广场、校园、商场等发生拥挤、踩踏事故造成人员的伤亡的事故越来越频繁，人员的安全问题凸显。分析这类问题产生的原因主要有：

(1)事故发生前没有对场所中可能存在的隐患进行排查，也没有对人群可能出现的拥挤情况进行预测；

(2)事故发生后没有对人群采用科学有效的疏散引导行为。这类公共安全问题引起了人们的恐慌，造成了大量的财产损失，也严重干扰了城市的发展步伐。

采用计算机仿真技术模拟研究人群的群组行为，减少了对人力、物力的消耗，保障了人员的安全，为解决公共安全问题提供了有效途径。对人群进行疏散仿真的重要价值在于通过模拟人群在疏散过程中的行为特征和运动规律，研究人员可以预先对公共场所存在的风险进行评估，制定出相应的应急疏散预案，同时为建筑设计者提供科学的指导，预防和减少灾难发生时人员的伤亡。

聚类是对大量样本数据进行归类的一种多元设计方法，依据对象的特征把相似度高的对象分为一类。人群分组就是根据特征将人群归为不同的组，因此聚类在人群分组中具有非常重要的意义。Kaufman于1987年提出K-Medoids算法。K-Medoids算法属于数值聚类算法，通过计算类簇中除聚类中心外的每点到其他所有点的聚类的最小值来优化新的聚类中心。

人的社会属性决定了在行人流中存在同伴群，同伴群成员间会产生一定的运动结构和运动关系，并且关系的亲密程度会对成员的运动产生影响。通过分析行人活动的轨迹，Moussaid等人将组成员间的相互作用力引入社会模型，产生同伴群社会力模型。在同伴群模型中考虑了三个方面因素的影响：行人的视觉场的影响、群组中心的影响以及群组成员间的排斥的影响。同伴群成员间的受力可以用三个力来描述：

(1)同伴群成员视觉力：表现出行人与群体内部其他成员交流的动机。为了增强群组内部成员进行视觉语言交流的能力，成员通过视觉力不断改变自身的位置。

(2)同伴群成员聚合力：体现了同伴群成员渴望不偏离所属同伴群中心的愿望，可以对朋友和陌生人进行区分。

(3)同伴群成员间排斥力：为保持相联系的同伴群成员提供了一定的空间，来保证自身的安全性以及舒适性。

由于现有的人群仿真方法中，采用的是普通聚类算法来划分人群，但是这样导致划分因子的单一性，使得人群分类结果的不准确性，进而影响了人群仿真的准确性。

发明内容

为了解决现有技术的不足，本发明提供了一种人群运动仿真方法。

本发明依据人群的特性，结合聚类算法和社会力模型，建立一种基于关系和距离的人群分组模型。为了实现人群分组的目标，利用聚类算法依据个体信息对个体进行聚类。考虑到普通聚类算法划分因子的单一性，本发明利用一种多影响因子的K-Medoids算法，依据个体信息中包含的距离和亲密度这两种因素对个体进行聚类，确定每个个体所归属的分组。对分组后的群体利用基于亲缘关系强弱的同伴群社会力模型实现人群运动。采用这种方法降低了单一因子聚类算法分类结果的不准确性，现出了行人在运动过程中的群组行为。理论成熟简单易行，更加真实、生动的模拟了群体运动。

本发明的一种人群运动仿真方法，该方法在仿真服务器内完成，其具体过程包括：

接收场景模型及人群个体信息，分别对场景及人群个体信息进行初始化；

利用多影响因子的K-Medoids算法并依据人群中个体间的距离和关系进行分组，得到人群的分组情况；

将人群分组结果作为人群运动的初始化状态，采用基于亲缘关系强弱的同伴群模型进行局部路径规化来实现群组行为和碰撞避免，求得场景内每个个体到达选定出口的运动路径；

对运动路径进行渲染并实时展示仿真效果。

进一步的，根据场景模块，获取场景范围、出口以及场景内障碍物的坐标信息。

其中，本发明利用Maya来设计场景模型。除了Maya之外，还可以采用其他软件来设计。

进一步的，人群个体信息包括个体坐标和关系值。

进一步的，采用基于亲缘关系强弱的同伴群模型进行局部路径规化来实现群组行为和碰撞避免，求得场景内每个个体到达选定出口的运动路径的具体过程为：

分别计算个体的同伴群视觉力和同伴群归属力；

将个体的同伴群视觉力和同伴群归属力求和，得到同伴群群组力，并加入社会力模型，计算出个体的加速度，转化成速度后得到个体每一步的位移，实现了个体在场景中的运动。