一种基于多Agent的人群疏散仿真模型的制作方法

本发明涉及人群疏散技术领域，更具体地，涉及一种基于多Agent的人群疏散仿真模型。

背景技术：

我国的经济近年来取得了飞速发展，越来越多的火车站、地铁、电影院、体育馆等此类的大型建筑数量越来越多，城市化已成为主流的趋势。城市的不断发展在为人们的生活带来便利的同时，人们的出行频率也在不断增加，随之而来的是公共场合人群密度越来越大的问题，特别是在下班高峰期或者地铁高峰期等，公共场所内的人群往往处于密集的状态。建筑设计复杂，人流量巨大，如果发生突发事件，将很难实施人群的快速疏散。2014年，大量市民和游客聚集在上海外滩参与跨年活动，由于发生多人叠压、踩踏事件，造成36人死亡和49人受伤；2010年德国音乐节踩踏事件导致21人死亡，超过500人受伤。此类安全问题受到了越来越多的关注，所以人群疏散技术发挥了越来越重要的作用。

近年来众多领域的研究者从心理学，建筑交通学，虚拟现实学的角度对人群疏散问题进行了探讨，其中计算机研究者主要以虚拟现实为出发点，对复杂场景和人体的建模等因素进行了重点讨论，在模拟研究中比较重视视觉效果，但是对人群的真实行为研究较少。近几年，人群疏散仿真在基于Agent模型上出现了越来越多的研究，基于该模型对个体、环境、个体与环境的交互进行建模。

人群仿真的模型可以根据研究角度的不同按以下分类：1)按研究对象的粒度可分为微观模型和宏观模型 2)按研究对象的连续度可分为离散模型和连续模型 3)按研究对象的相互作用可分为基于力的模型和基于规则的模型。本申请采用的方法是在微观模型的基础之上，关注个体的差异性，将人群个体作为研究对象，从而探究个体与群体之间的关系。

势能场模型。本发明中对某种特定环境的建模的方法是势能场模型，势能的概念来源于物理学，由于各物体间存在相互作用而具有的、由各物体间相对位置决定的能叫势能。而用势能场进行人群疏散仿真的基本思想就是通过由障碍物产生的斥力场和目标位置产生的引力场共同建立的人工势能场。除此之外，充分考虑到了障碍物的排斥力也非常符合人群运动的特征。本发明主要考虑到火灾的排斥势能等等。

多Agent系统就是指在一个虚拟系统下定义大量的Agent个体，使大量Agent个体组成交互式群体来解决单个Agent无法解决和描述的复杂问题。本发明中对Agent的建模主要是通过对Agent的行为和情绪建模的过程，人类个体的行为会影响情绪，个体的情绪会反作用于行为。

行为模型。在疏散过程中，Agent的行为会随着环境的变化不断改变，如寻找出口，通过出口和避免障碍等各种行为。行为层的输入为Agent在视野范围内的观察信息，同时Agent行为层为Agent状态和行为的集合。

情绪模型。人群作为一个特殊的群体，会受到个人情绪的影响，在人群疏散的过程中，Agent的情绪状态是不断变化的。比如，在人口密度较大的场所发生紧急状况时，Agent的情绪会变得紧张，会迅速向安全出口处逃离，并且在逃离过程中加快个人步速，这样会导致堵塞现象。不同场景下，个体之间的情绪会发生传染，根据个体不同的个人特质，其易感程度也不尽相同。不同个体对应的不同情绪可以改变个体从环境感知到的信息，改变他们和其他个体之间的沟通协作关系。

指引模型。在紧急灾害的情况下，人员极容易伤亡，虽然灾害是造成伤亡的最主要原因，但是不合理的疏散也是重要的因素之一。合理的疏散在一定情况下也依赖于所处环境提供的指引是否合理，科学的指引标志系统可以减少人员的伤亡，从而降低损失。指引标志可以在人群疏散的过程中起到指引的作用，但这并不意味着指引标志越多越好，过多的指引标志会给人群带来困惑，甚至起到相反的作用。对指引标志是否合理的判断依据包括：指引标志牌包含的信息量、指引标志整体布局情况、指引标志的总量、指引标志的道路覆盖率、信息层次的清晰度等。本发明设计的指引标志基于以下两个原则：有效缩短人员行走至安全地带的距离以及指引标志可以被人群有效识别，数量合理不混淆视听。

火灾模型。如果在人群疏散的过程中发生火灾，随着火的热量释放，火灾会不断蔓延，火灾不规则的蔓延必然会影响个体的疏散路径。火灾模型可以被认为是动态的障碍物模型，在本发明中选择MRFC模型作为火灾模型。传统的稳态火灾模型虽然计算简洁，但是没有办法准确地模拟火灾的动态过程。在MRFC模型中，可以做到随机选择灾害点周围的八个邻域中未被灾害覆盖的一个单元格进行扩展，使得火灾发展表现出随机性和不规则性。

技术实现要素：

本发明为克服上述现有技术所述的至少一种缺陷，提供一种基于多Agent的人群疏散仿真模型。

为解决上述技术问题，本发明的技术方案如下：

如图2和图4所示，一种基于多Agent的人群疏散仿真模型，包括行为层模型、情绪层模型以及指引模型；基于X状态机思想设计情绪层更新机制和行为层更新机制，重新定义情绪X状态机，同时加入指引模型；所述的指引模型对行人的情绪产生影响，降低行人的负面情绪，帮助行人找到出口，在更新情绪的同时设计的情绪层更新机制；提出情绪反作用于行为的机制，建立“环境-情绪-行为”之间的交互，在行为层运算输出的数据传递到情绪层，情绪产生的反馈会作用于行为层。Agent周围环境的动态变化决定了Agent个体不同时刻疏散的状态和疏散目标的不同。而当环境接收到Agent的信息后，环境中其他Agent会对个体做出反馈，并且环境中的物理信息变化也会影响到Agent个体，两类输入叠加共同对Agent个体产生影响。

在一种优选的方案中，还包括火灾模型，将原火灾模型规则矩形扩散方式改进为随机不规则扩散方式；火灾发展分级为缓慢、中等、快速和极快四个阶段；所述的火灾模型定义如下：

Q＝rsp×Hu×Af×x

其中，Q代表模型的热释放量(kw)，rsp代表模型的热释放速率(kg/(m²·s))，Hu代表可燃物的平均热值(kj/kg)，Af代表火源燃烧面积(m²)，x代表可燃物燃烧效率(％)。

在一种优选的方案中，所述的火灾模型和势能场模型结合为疏散模型用以模拟动态火灾的过程；火灾势能场定义为：

其中，dxy为行人距离火灾源距离；距离火灾源距离越近，势能越强；距离火灾源越远，势能越弱；如果火灾源靠近出口，那么会影响到该出口的疏散效率。

在一种优选的方案中，重新定义了情绪X状态机，情绪对行为产生影响的行为修正函数描述为公式如下：

Φph＝{disorienting}

Φ＝{wander_around,disorienting,found_exit,read_plan}

SVH(E)表示原始情绪值，在情绪值大于65时，行人会采取随机游走的行为方式；Φph表示随机行走的行为方式；Φ表示行人综合考虑周围环境、随机行走方式、出口位置、原始计划等因素后的行为方式。

在一种优选的方案中，所述的行为层模型将行人的不同行走状态分为不同的情况，与情绪层交互实现；对行为层更新机制进行建模，X状态机数学定义如下：

x＝(∑，Γ，Q，M，Φ，F，q0，m0)

在公式中，∑是输入字母表，包含了Agent的感知集合；Γ是输出字母表，是一组抽象信息，建模的过程中，这组信息会实时输出Agent的状态和位置，用以跟踪Agent的行为信息；Q是状态的非空有限集合有5种状态，分别为：安全状态、寻找疏散方案、疏散、探索路径、通过出口；M是存储器，保存着Agent的当前坐标、疏散撤离计划、朝向出口的步行速度；Φ是一个函数集，目的是为了改变输入字母表；F是状态转移函数，F：Q×Φ→Q；q0是初始状态，m0是初始存储状态。

在一种优选的方案中，根据指引模型，行人可以感知到指引系统的概率ρ和标识所在位置(pm,pn)之间的距离dist的关系为：

行人感知到指引系统的概率ρ主要取决于Agent所在位置(pi,pj)和标识所在位置(pm,pn)之间的距离dist；行人可以在距离长度[distmin,distmax]内有效辨识到指引信息，有效的指引标志可以降低行人的负面情绪，从而对行人的行为产生影响；距离大于distmax时无法看到指引标志，其中distmin和distmax为正常人对物体是否可视的视野范围。

在一种优选的方案中，研究了行人可以感知到指引系统的概率，当行人处于失常随机运动状态时，运动到疏散标识所在的邻域内会降低负面情绪水平，从而恢复到正常状态继续遵循原有的路径规划疏散方案。

当行人进入到指定的指引模型的范围之内时，会产生情绪的变化，从而更新自己的情绪值，对自己的行为产生影响；更新积极情绪值的方法为：

更新消极情绪值的方法为：

其中，Agent都有自己的视角范围，比如设定视角范围为130°，那么Nn、Np代表Agent视角范围内的行人数目；XP、Xn表示Agent受到消极与积极情绪感染的计量因子；λn(i)、λp(i)表示从其他Agent感受到的消极情绪值和积极情绪值。

与现有技术相比，本发明技术方案的有益效果是：一种基于多Agent的人群疏散仿真模型，包括行为层模型、情绪层模型以及指引模型；基于X状态机思想设计情绪层更新机制和行为层更新机制，重新定义情绪X状态机，同时加入指引模型；所述的指引模型对行人的情绪产生影响，降低行人的负面情绪，帮助行人找到出口，在更新情绪的同时设计的情绪层更新机制；提出情绪反作用于行为的机制，建立“环境-情绪-行为”之间的交互，在行为层运算输出的数据传递到情绪层，情绪产生的反馈会作用于行为层。通过将该人群疏散仿真模型应用于实际生活中，解决了一旦发生突发事件，将可以快速进行实施人群疏散的问题。

附图说明

图1为原人群仿真疏散Agent情绪层模型流程图。

图2为本发明的加入指引模型后Agent情绪层模型流程图。

图3本发明实施例1的动态火灾模型示意图。

图4本发明实施例1的“环境-行为-情绪”交互示意图。

图5本发明实施例1的火灾模型的位置对出口疏散的影响示意图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

在具体实施过程中，建立人群仿真疏散Agent行为层模型。

首先，本发明需要设计行为层状态更新机制，对行为层状态更新机制进行建模。对于X状态机，我们给出了它的定义：

X＝(∑，Γ，Q，M，Φ，F，q0，m0)

在公式中，∑是输入字母表，包含了Agent的感知集合；Γ是输出字母表，是一组抽象信息，建模的过程中，这组信息会实时输出Agent的状态和位置，用以跟踪Agent的行为信息；Q是状态的非空有限集合，有5种状态，分别为：安全状态、寻找疏散方案、疏散、探索路径、通过出口；M是存储器，保存着Agent的当前坐标、疏散撤离计划、朝向出口的步行速度；Φ是一个函数集，目的是为了改变输入字母表；F是状态转移函数，F：Q×Φ→Q；q0是初始状态，m0是初始存储状态。

由上面的公式可知，在起始状态下，Agent为无紧急状态，当发生突发情况后，Agent从环境中感知到突发状况的发生后，Agent便在场景内随机游走，直至寻找到一个最佳的疏散撤离路径。如果Agent不熟悉周围的环境，在执行疏散撤离方案时，可能会迷失方向以至于找不到出口。当Agent处于这种状态时，Agent便会不断地在场景内没有目的地游走，以寻找其正确的疏散撤离方案。当Agent找到出口时，结束计算。

X状态机的计算过程为：定义元组(q，m)，其中q∈Q，m∈M。计算过程为，输入σ∈∑，改变计算状态其中q，q′∈Q，m，m’∈M，使得

在具体实施过程中，建立人群仿真疏散Agent情绪层模型

如图1所示，情绪层模型和行为层模型是密不可分、相互影响的。在人群疏散的过程中，人群的情绪会随着环境的改变而变化，比如在不熟悉周围环境的情况下，行人会变得恐慌，并且行人的情绪会影响到周围人群的情绪，这种情绪可以改变Agent从环境感知到的信息，改变他们和其他Agent之间的沟通协作关系，所以在人群疏散模型中引入情绪层模型显得尤为重要。对于X状态机的情绪更新机制，我们给出了它的定义：

^emX＝(X,ε)

X为X状态机，ε为情绪状态机，定义为

^eΣ和^eΓ分别为输入字母表和输出字母表；ρσ和ργ分别为输入修正函数和输出修正函数；ρφ为行为修正函数；E是情绪结构的表示；P是个性特征类型；C是情绪传染模型类型；^eΦ是情绪修正函数集合，E×P×C×M×Σ→E是情绪修正函数集合^eφ。

事实上，现在的许多场景中都有指引模型，在显示逃生疏散过程中，往往会根据建筑中的指示标志和警戒线进行逃离。所以，本发明引入了指引标识和门这类环境因素，对个体的情绪状态产生影响，从而改变Agent的行为状态，以提升疏散仿真效果。指引标志会帮助Agent个人负面情绪的降低，帮助人群疏散。将改进的流程应用到本发明的情绪层到行为层的更新机制中，如果考虑在人群现场加入指引模型，则指引模型所带来的积极情绪会有效降低人群中消极情绪的扩散，使人群整体最终维持在积极情绪状态。假设指引模型带来的积极情绪值为ea，并在实施人群指引中保持不变.指引模型相当于人群中的积极情绪源。人群中消极情绪被抑制，积极情绪被强化。假设eb是周边某个智能体的积极情绪值，则该智能体的感知区域感知到指引模型，假设ea≥eb，该Agent的积极情绪值的增量Δep可按公式计算：

表示当周边Agent与指引模型所带来的积极情绪值的差值较大时，Agent将获得更多的积极情绪，实际上就表示指引模型对那些带有较大消极情绪的Agent的影响更大些；而当周边Agent与管理员的积极情绪值的差值较小时，特别是对于有较高积极情绪的智能体，指引模型的帮助不大。

在附近没有指引模型的情况下，每个Agent的情绪值会受到周围Agent的影响，如果消极情绪较高的个体在人群中四处游走，那么可能会将消极情绪传染给周围的Agent，极端的情况下Agent相互影响都会变成消极情绪，以下是更新Agent的情绪值的方法：

En表示智能体a感知到的消极情绪总量，Ep表示a感知到的积极情绪总量，N表示a感知到的环境中Agent的总数量。

en(j)表示智能体a周围智能体j的消极情绪值，i代表智能体a本身；ep(j)表示智能体a周围智能体j的积极情绪值。

P(en)表示消极情绪的百分比，P(ep)表示积极情绪的百分比，则有：

P(en)＝En/(En+Ep)×100％

P(ep)＝Ep/(En+Ep)×100％

Agent分别用an和ap更新积极和消极情绪值的方法为：

Agent都有自己的视角范围，比如设定视角范围为130°，那么Nn，Np可以代表Agent视角范围内的Agent数目。XP和Xn表示Agent受到消极与积极情绪感染的计量因子，λn(i)，λp(i)表示从其他Agent感受到的消极情绪值和积极情绪值。

在Agent逃生疏散过程中，往往会根据建筑中的指示标志和警戒线进行逃离。所以，本发明引入了指引标识和门这类环境因素，对个体的情绪状态产生影响，从而改变Agent的行为状态，以提升疏散仿真效果。指引标志会帮助Agent个人负面情绪降低，帮助人群疏散。将改进的流程应用到本文情绪层到行为层的更新机制中，其中情绪对行为产生影响的行为修正函数描述为公式：

Φph＝{disorienting}

Φ＝{wander_around,disorienting,found_exit,read_plan}

SVH(E)表示原始情绪值，在情绪值大于65时，行人会采取随机游走的行为方式；Φph表示随机行走的行为方式；Φ表示行人综合考虑周围环境、随机行走方式、出口位置、原始计划等因素后的行为方式。

如图2所示，加入指引模型，建立人群仿真疏散指引模型。在目前已有的人群疏散模拟中，很少有研究对如何建立有效的指引模型进行讨论。大多数研究仅限于考虑在场景中随机设立指引点，观察行人的疏散路径。本发明在“环境-情绪-行为”模型的基础上，引入了指引模型，设置指引标识，可以在地图场景中为人群提供可靠的路线指引，在紧急疏散中，指引标志就起到至关重要的作用，帮助人群选择当前位置通往出口的最佳路径，从而提高疏散效率。行人可以感知到指引系统的概率ρ主要取决于Agent所在位置(pi,pj)和标识所在位置(pm,pn)之间的距离dist。行人可以在距离长度[distmin,distmax]内有效辨识到指引信息，有效的指引标志可以降低行人的负面情绪，从而对行人的行为产生影响；距离大于distmax时无法看到指引标志，其中distmin和distmax为正常人对物体是否可视的视野范围。ρ和dist之间的关系：

如图3所示，建立人群仿真疏散火灾模型。建立火灾场景的模型可用于设计新建筑，也可以用于模拟已有建筑的安全级别。火灾危害程度和火灾发展主要取决于火灾的释热率，释热率也是进行消防灭火的基本依据。在多数火灾研究中，释热率用来设置火灾蔓延速度、烟雾扩散速度、CO2发生速度等相关参数，是进行灾害级别计算的初始输入，所以火灾释热率对灾害研究及其重要。根据火灾场景的不同，主要有两种火源设定方式：稳态火源和非稳态火源，本发明对传统的火灾模型进行了优化，通过模拟动态火灾的过程来提高人群仿真过程的精确度。火灾发展可分级为缓慢、中等、快速和极快四个阶段。本发明的火灾模型计算过程如下：

Q＝rsp×Hu×Af×x

Q代表模型的热释放量(kw)，rsp代表模型的热释放速率(kg/(m²·s))，Hu代表可燃物的平均热值(kj/kg)，Af代表火源燃烧面积(m²)，x代表可燃物燃烧效率(％)。

可通过计算Agent周围灾害单元格数量占周围八个单元格的比例来表示危险程度，计算公式如下：

当λ≤0.875时，成年Agent可以逃离灾害，λ＞0.875时，成年Agent状态变为“伤亡”。

因为距离火源越远，势能场中的值就越大，所以，由火灾势能场计算公式可以为：

势能值越大，对于Agent的排斥力就越大。本发明不仅对火灾模型做出了优化，对于势能场场强的计算也做出了相应的优化。在实际生活中，火灾对行人的影响都会有一个范围，如果距离火灾事发现场太远的话，行人将不会对火灾有斥力。本发明所采用的更新方法则可以固定一个势能阈值D，也就是当dxy大于这个势能阈值的时候，行人将不会受到火灾的影响。

本实施例研究了火灾位置与出口位置对Agent的疏散路径的影响，动态随机方向火灾势能场会影响各出口的疏散能力。如图5所示，火灾模型靠近出口4，在疏散初期，火灾还没有发生大规模的扩散，所以个体选择出口的数量基本相同。而在疏散的中期，出口疏散能力呈现两极分化，即：出口2、出口4疏散能力减弱，出口1、出口3疏散能力变强。这是因为，对于出口4而言，势能场场强过大，烟气和热气等因素阻止了个体选择从出口4逃生；对于出口2，主要因为火灾扩散前期已经疏散了一部分个体，场景内人群密度低，分散的个体由于受到了左侧火灾的阻碍，人群分成两流向出口1和出口3逃生。

相同或相似的标号对应相同或相似的部件；

附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。