[发明专利]一种基于视觉感知网络深度学习的行人运动模拟方法

说明书

本发明公开了一种基于视觉感知网络深度学习的行人运动模拟方法，结合深度学习和强化学习，实现了行人运动模拟，该模型模拟人的视觉，以RGB图像作为输入，输出运动的速度和方向，能够有效地模拟不同场景中的行人流。相比于传统的以位置等坐标作为输入的运动模型，本申请方案以视觉图像作为输入，与真实的行人运动更加相似，能够有效地对两出口疏散场景中的行人运动和单向走廊行人流场景中的行人运动进行模拟，有效地增强了行人运动模型的伸缩性和鲁棒性。

技术领域

本发明属于计算机模拟仿真领域，特别是涉及一种基于视觉感知网络深度学习的行人运动模拟方法。

背景技术

行人运动建模是模拟和预测行人运动的主要而有效的方法。现实世界中人群的踩踏事故经常发生，比如在地铁、校园教室等人群聚集区域，发生火灾、地震、恐怖袭击等情况时，人群极有可能产生拥挤、踩踏等事故，造成巨大的生命财产损失。因此，模拟和预测行人运动是很重要的。当局(即决策者、疏散管理者、安全规划师、研究人员)事先了解模拟环境中可能发生的情况，可以培训应急人员，以便对实际发生的事件做出成功的反应。

行人运动模型从尺度上分为微观模型和宏观模型。宏观模型忽略个体间的差异，适用于大区域的人群研究；微观模型将人群中的每个行人单独表示，适于小区域的人群行为研究。微观人群模型主要分为连续型模型和离散型模型两种。其中连续性模型是指通过方程来求数值解模拟行人运动过程的模型，典型代表为社会力模型；而离散型模型是将空间划分为网格，行人按照规则转移到相邻的网格，进行离散运动,主要有元胞自动机模型、格子气模型等。

但是传统的行人运动模型存在着一些问题。需要较为复杂的数学建模，并且个体差异等一些复杂的因素很难被考虑到,灵活性不强难以适应复杂环境。

近年来，深度学习和计算机设备快速发展，在一系列领域取得了突破性的进展。强化学习与深度学习结合，在游戏行人、机器人、路径规划等领域取得了巨大的进展。在行人运动模拟领域，学者们基于深度学习和强化学习做了初步的研究。在行为演化规则中使用强化学习方法；提出基于强化学习的人群模拟框架；通过SARSA算法模拟人群，并与基于规则的行人进行比较，认为基于SARSA的行人更加逼真。

但是传统的基于强化学习算法的行人运动建模，在伸缩性和鲁棒性方面有所不足，有待于结合深度学习方法，利用深度强化学习算法对人群行为建模进行进一步研究，对伸缩性和鲁棒性进行改进。

发明内容

为了解决上述问题，本发明利用深度学习和强化学习，提出一种基于视觉感知网络的深度强化学习行人运动模拟方法，实现行人运动的模拟仿真。

本发明提供了一种基于视觉感知网络深度学习的行人运动模拟方法，包括以下步骤：

S1.采集若干个行人的运动轨迹图像，基于所述行人的运动速度数据和运动方向数据，构建行人运动模型；

S2.基于所述行人运动模型，通过模拟仿真三维环境，收集左眼感知图像和右眼感知图像，构建左眼感知网络模型和右眼感知网络模型，基于所述左眼感知网络模型和右眼感知网络模型，构建视觉感知孪生网络模型；

S3.基于所述视觉感知孪生网络模型，依据奖励函数，对所述行人运动模型进行训练，模拟所述运动速度数据和运动方向数据，构建行人运动模拟模型，用于所述行人的运动模拟，实现所述仿真三维环境的真人运动模拟。

优选地，所述S2包括，基于若干个时间步，收集所述行人运动模型的单个行人转移图像集，进行仿真三维环境模拟，通过模拟左眼和右眼的眼睛位置，收集所述左眼感知图像和右眼感知图像。

优选地，所述左眼感知图像和右眼感知图像为RGB图像。

优选地，所述视觉感知孪生网络模型，包括策略函数模型，用于模拟所述运动速度数据和运动方向数据；

通过所述左眼感知网络模型和右眼感知网络模型构建所述策略函数模型。