一种应用于多层建筑人员的动态引导避障疏散方法

本发明涉及引导疏散管理，尤其涉及一种应用于多层建筑人员的动态引导避障疏散方法。

背景技术：

1、引导疏散方法是指通过各种方式和手段来引导行人安全、有序离开危险区域的方法。根据引导方式和技术的不同，引导疏散方法主要可划分为标识引导、辅助疏散设备引导和引导员引导。

2、标识引导通过在关键位置设置指示牌、逃生标志和安全疏散图等标识，指示人们疏散的方向和路径。研究发现在疏散过程中，疏散标识的可视性受到标志内容大小、相对位置、遮挡物、视距、光照条件等因素的影响。同时，由于行人面临情绪紧张，焦虑等情况，导致他们无法迅速识别、理解标识内容。真实建筑环境中存在着多种多样的静态或动态障碍物，障碍物信息无法在标识上显示，这也使得标识引导无法正确引导行人躲避障碍物。

3、辅助疏散设备引导方法是指通过辅助疏散设备引导或向被疏散者提供疏散路线的相关信息。目前研究最多的辅助疏散设备是移动机器人。然而，由于其自身行动能力的局限性，机器人更适用于购物中心、车站、地铁站等大型公共场所，不适用于结构复杂、障碍物较多的多层建筑。同时，移动机器人的部署和操作需要一定的技术支持和维护，包括导航系统、障碍物检测和通信技术等，这都将增加引导疏散方案的复杂性和成本，对于一些资源有限或技术条件有限的多层建筑来说，机器人引导难以实现。

4、引导员引导是指在应急事件发生时引导人员对被疏散人员提供指引和引导，对其研究在人群疏散过程中具有重要的现实意义。经过培训的引导人员对建筑物的布局和结构有完整的知识，在疏散过程中可以帮助其他人员快速避障疏散。根据引导员在引导过程中的运动状态，将引导员的引导作用可以分为静态引导和动态引导。静态引导是引导员本身并不移动只在固定的位置上以声音等方式为其周围的待疏散人员指明正确的疏散方向。动态引导则是引导员带领被疏散人员一同疏散。引导员动态引导具有更好的实时性、灵活性和人性化沟通能力等优点。传统引导员引导方法存在主观性和个体差异、人力资源和培训成本高、适应复杂环境困难以及信息不足等缺点，在避障的研究上主要是考虑了静态障碍物的避障，几乎没有考虑动态障碍物。

5、动态避障技术是一种使用指导、引导或激励手段来影响运动实体在动态环境中识别、避免和规避障碍物的行为。该方法旨在引导个体朝特定目标或期望的行为方向发展，并通过设计和实施相关策略来对个体行为产生积极影响。目前自动驾驶车辆、机器人导航、无人机飞行、虚拟现实和增强现实等领域都有动态避障的研究。各界学者也都一直在致力于提高引导系统的安全性和性能，降低个体在事故或灾害中受到的损失。

6、在自动驾驶车辆领域，动态引导避障具有重要推动作用，其应用较为普遍，有学者基于改进人工势场法与模型预测控制提出了一种避障规划控制方法，设置障碍物碰撞的充要条件作为模型约束条件，生成满足避障要求的安全、平滑路径。有学者提出了一种基于自学习策略与多学习策略的改进粒子群算法，通过在规划路径过程中引入惩罚来实现动态障碍物避障，规划得到一条比初始路径更优的车辆路径。

7、在机器人导航领域，有学者在移动机器人原始路径规划算法的基础上提出等距分布式并行搜索并引入势场作用，并行搜索方法可以有效躲避障碍物，改善了路径规划的质量及效率。有学者通过使用固定在机器人上和环境中的红外传感器实现了机器人的定位和路径规划。但在路径规划时没有考虑动态障碍物及其运动方向，这导致机器人与动态障碍物之间的安全距离无法得到保证。

8、在应急疏散场景中，时间非常关键，每秒都可能影响到人们的生命安全。引导疏散方法通过各种方式和手段引导行人离开危险区域，动态引导避障策略可以快速生成最佳疏散路径和行动方案，帮助人们快速、高效地离开危险区域，从而提高疏散效率，降低人员伤亡，这也使得引导疏散方法和动态引导避障疏散技术成为智慧城市安全建设发展的重要课题之一。

9、目前常见的引导疏散方法有标识引导、机器人引导和引导员引导，其中标识引导和机器人引导方法无法适应复杂环境下的引导需求，存在误导和漏洞的风险。引导员引导从人性化和专业性两方面提供引导服务，确保疏散过程的安全、高效、可控。

10、目前对引导员的数量、位置和有效引导范围三方面具有一定的研究。有学者研究了疏散引导策略中引导员数量和位置的最佳组合可明显提高疏散的效率。提出一个由位于出口的疏散引导员引导的元胞自动机模型，引导员通过发送可量化的引导信号来吸引疏散空间中的人员朝向自己所在的出口。有学者析疏散引导下的疏散人员数量，最小群体疏散方法和预作用疏散方法对商业建筑消防疏散属性的影响。有学者将疏散人群建模为一个多智能体(agent)系统，采用数值模拟和遗传算法相结合的方法求解了引导员的数量、初始位置和出口分配。

11、对于避障方面的研究，有学者研究了出口附近静态障碍物对行人疏散的影响。有学者基于蚁群优化算法，确定了社会力模型中行人期望的运动方向，以避开静态障碍物。有学者提出一种空间离散化更精细的元胞自动机模型，研究了障碍物对疏散时间、行人轨迹的影响，并用于模拟房间内有障碍物的非紧急疏散过程，忽视了紧急情况下人员疏散情况的研究。提出一种动态行人流分配模型和算法，以布局有障碍物或多出口区域作为案例场景，通过确定行人的出口或路线的选择，优化行人离开该场景所需的疏散时间。lu等通过在疏散期间对路线的距离、拥堵程度、出口分布和社会群体之间的吸引力进行加权，以制定行人在有内部障碍物的教室中的路线选择。有学者建立了基于"探测-决策-行动"智能体的疏散模型，探测算法用于识别检测半径内的行人或障碍物，以提供下一步的行走方向并施加主动转向力。

12、目前，现有技术中的当前应急疏散领域的动态引导避障疏散方法存在以下问题：

13、传统疏散引导采用标识、广播等方式，缺乏个性化与引导策略，同时在实际问题中难以满足多层复杂结构的人员疏散需求。

14、建筑空间内以人为核心的疏散系统属于复杂系统，当前研究选取引导员数量及初始位置设置带有较强的主观因素，难以灵活适用于多层建筑。

15、目前针对建筑内障碍物问题，主要集中静态避障，在生成无碰撞路径的避障算法、考虑障碍物的几何特征、研究模拟行人避障行为等方面，缺乏对动态障碍物与避障方法的研究。

技术实现思路

1、本发明的实施例提供了一种应用于多层建筑人员的动态引导避障疏散方法，以实现有效地对多层建筑人员进行动态引导避障疏散。

2、为了实现上述目的，本发明采取了如下技术方案。

3、一种应用于多层建筑人员的动态引导避障疏散方法，包括：

4、对疏散场景内多层建筑中的所有人员数据进行初始化处理，采用k-means聚类算法实现引导员分布优化；

5、获取疏散场景布局信息及人流密度数据，根据初始人员数据、引导员数量和位置的分布信息、疏散场景布局信息及人流密度数据采用改进后的人工蜂群算法获取疏散人员的最优避障引导疏散路径。

6、优选地，所述的对疏散场景内多层建筑中的所有人员数据进行初始化处理，采用k-means聚类算法实现引导员分布优化，包括：

7、以疏散场景中的多层建筑结构cad图为参考，对疏散场景进行建模，获取多层建筑中所有人员的初始分布位置数据，所述所有人员包括引导员和疏散人员，将人员初始分布位置数据可视化，判断是否存在明显异常点，去除异常值；

8、构建基于k-means聚类算法的引导员分布优化模型，该引导员分布优化模型的参数包括初始聚类的数量k和距离度量方式，将所述人员初始分布位置数据输入引导员分布优化模型，引导员分布优化模型根据k-means聚类规则，计算出每个聚类簇所对应的引导员数量和位置，输出各个聚类中心点的坐标。

9、优选地，所述的将人员初始分布位置数据输入引导员分布优化模型，引导员分布优化模型根据k-means聚类规则，计算出每个聚类簇所对应的引导员数量和位置，输出各个聚类中心点的坐标，包括：

10、设置疏散场景模型中的人均占用面积为n，房间面积为s，则房间内每平米的人数为o，根据公式(1)计算房间容纳人数o：

11、

12、将房间容纳人数o作为报疏散人员人数参考值，k-means聚类算法中的样本点数量与房间容纳人数o一致；

13、设置疏散场景模型中建筑物内最大有效引导半径，将人员初始分布位置数据输入引导员分布优化模型，根据引导员数量设置聚类数，根据引导员位置设置聚类中心点位置，将引导员位置坐标点作为样本点，将人员数据样本点划分为k个簇，将每个人员的位置坐标分配到最近的聚类中；

14、引导员到聚类中心点之间的距离采用欧几里得距离来计算，计算公式如下：

15、

16、式中：xi和yi分别表示引导员坐标点x和中心点y在第i维上的坐标，n为空间维数；

17、假设聚类中含有m个样本，且每个样本点xi属于聚类cj，则中心点yi用如下公式计算。

18、

19、式中：|cj|表示聚类簇cj中样本点的数量；

20、分配完毕后，重新选取聚类中心点迭代分配，直到达到最大迭代次数或所有的聚类中心不再改变，输出每个聚类簇所对应的引导员数量和位置，以及各个聚类中心点的坐标。

21、优选地，所述的获取疏散场景布局信息及人流密度数据，根据初始人员数据、引导员数量和位置的分布信息、疏散场景布局信息及人流密度数据采用改进后的人工蜂群算法获取疏散人员的最优避障引导疏散路径，包括：

22、根据疏散场景中建筑物的结构信息和障碍物信息构建栅格地图，根据栅格地图构建疏散场景模型，在疏散场景模型中增加密度地图模块，以色彩变化展现人流密度变化，制作密度文件；将获取的密度文件通过灰度处理，双精度处理以及归一化处理，输出密度点地图；

23、根据密度点地图改变人工蜂群算法中的初始食物源生成方式，修改人工蜂群算法中的适应度函数，增加人流密度、障碍物距离和距目的地距离参数，根据初始人员数据、疏散场景布局信息、引导员数量和位置的分布信息以及人流密度数据采用改进后的人工蜂群算法获取最优避障引导疏散路径。

24、优选地，所述的根据疏散场景中建筑物的结构信息和障碍物信息构建栅格地图，根据栅格地图构建疏散场景模型，在疏散场景模型中增加密度地图模块，以色彩变化展现人流密度变化，制作密度文件，包括：

25、根据疏散场景中建筑物的结构信息和障碍物信息构建栅格地图，将障碍物、墙体表示为黑色栅格，白色栅格为可通行区域，每个栅格由栅格序号i表示，栅格地图尺寸为row*col，栅格的中心坐标计算公式如(4)所示：

26、

27、式中：mod为取余函数，ceil为向正无穷方向取整函数；

28、在疏散场景模型中增加密度地图模块，以色彩变化展现人流密度变化，以图片或视频的形式获取行人运动过程中场景颜色变化，制作密度文件，将彩色的密度文件转换为灰色图像，采用人眼感知灰度计算公式将彩色图像的红色、绿色和蓝色通道的像素值按一定权重相加，计算公式如(5)：

29、i(x,y)＝0.3*ir(x,y)+0.59*ig(x,y)+0.11*ib(x,y) (5)

30、式中：常数系数是人眼对红、绿、蓝三色的敏感程度，ir(x,y),ig(x,y),ib(x,y)分别是对应颜色的像素值，i(x,y)是该像素的灰度值，取值范围在0-255；

31、将灰度处理后的密度文件经过双精度处理和归一化处理，输出密度点地图。

32、优选地，所述的根据密度点地图改变人工蜂群算法中的初始食物源生成方式，修改人工蜂群算法中的适应度函数，增加人流密度、障碍物距离和距目的地距离参数，根据初始人员数据、疏散场景布局信息、引导员数量和位置的分布信息以及人流密度数据采用改进后的人工蜂群算法获取最优避障引导疏散路径，包括：

33、设置改进后的人工蜂群算法模型包含三项基本元素：食物源、被雇佣蜂和未被雇佣蜂，其中，被雇佣蜂又称作引领蜂，被雇佣蜂分为跟随蜂和侦查蜂，改进后的人工蜂群算法模型的三项行为模式为：搜索食物源、招募雇佣蜂和放弃食物源，蜂群觅食行为与路径规划问题对应关系如表2所示：

34、表2蜂群觅食行为与路径规划问题关系表

35、

36、基于人流密度生成改进后的人工蜂群算法的初始食物源，设置食物源最大开采数limit、种群数量、种群最大迭代次数、食物源数量和人流密度阈值densitythreshold，定义空矩阵，并将密度大于人流密度阈值的点加入该矩阵作为符合密度条件的有效点，基于权重生成ne个初始食物源，权重w计算公式如(6)所示：

37、

38、式中：densityx,y为当前路径点(x,y)对应的密度值，densitymax是密度点地图densitymap中密度最大值；

39、采用轮盘赌机制对引领蜂个体选择体现其随机性，存在一定概率选择适应值较为低劣的引领蜂个体作为引领其疏散的引领蜂，为跟随蜂增加视野半径rv，跟随蜂在视野范围内寻找适应值最佳的个体；

40、为躲避障碍物生成一条考虑人流密度、距目的地距离疏散因素的安全路径，对算法中适应度函数进行修改，路径存在障碍物或密度较大区域时适时增加适应度值，计算公式如(7)所示。

41、

42、式中：a，b为自定义权重系数，distancepath是路径长度，density(i)是路径中各节点的人流密度，ne是在初始化阶段设置的食物源数量，g(x,y)＝1说明该点处于黑色栅格，区间(densitythreshold，density)为自定义密度较大区域范围；

43、设置侦察蜂采用自适应步长，增加搜索方向，在适应度值陷入局部最优或大于适应度阈值，侦查蜂通过自适应步长朝全局最优食物源方向搜索新食物源，原始算法搜索食物源计算公式如(8)所示，食物源更新公式如(9)所示；

44、

45、式中：i∈{1,2,3...，n}，j∈{1,2,3...，d}，aj、bj分别为j维候选解空间的下限和上限；

46、

47、式中：ld是该食物源的搜索空间的下限，ud是该食物源的搜索空间的上限，rand(0,1)是0到1之间的随机数，用于增加解的随机性和多样性，trail是该食物源被选择的次数，l是设置的食物源有效性阈值；

48、改进后的自适应步长step计算公式如(10)所示；

49、step＝fitness*factors (10)

50、式中：step∈[0，min(mapx，mapy)]，mapx，mapy分别为二维地图的长度和宽度，fitness为路径适应度值，facctors为缩放因子；

51、缩放因子facctors的计算公式如公式11所示；

52、

53、式中：stepmax为最大步长，fitness为路径适应度值；

54、增加搜索方向使侦察蜂朝全局最优食物源方向搜索新食物源，搜索方向normdirection如公式12所示；

55、

56、式中：direction是当前食物源位置与最优适应度值位置之间的向量差，计算公式如13所示；

57、

58、式中：positionx和globalbestx分别为当前食物源位置与最优适应度值的位置的横坐标，positiony和globalbesty分别为当前食物源位置与最优适应度值的位置的纵坐标；

59、根据公式(11)-(13)计算得到新的食物源newsource，更新公式如14所示；

60、

61、式中：sourceix、sourceiy分别是陷入局部最优的食物源的横纵位置坐标，distance为当前食物源i与全局最优食物源距离，normdirection是侦察蜂的搜索方向，step为自适应步长，mapx，mapy分别为二维地图的长度和宽度；

62、其中，distance计算公式如式15所示；

63、

64、式中：positionx和globalbestx分别为当前食物源位置与最优适应度值的位置的横坐标，positiony和globalbesty分别为当前食物源位置与最优适应度值的位置的纵坐标；

65、所述改进后的人工蜂群算法的输入数据包括疏散场景布局信息和人流密度数据，对所述改进后的人工蜂群算法进行求解，具体步骤如下：

66、step1：初始化，设置食物源最大开采数limit，种群最大迭代次数，密度阈值，适应度阈值，种群数量及食物源数量；

67、step2：读取密度点地图，计算密度权重并选择初始食物源，计算并记录初始食物源的适应度，判断适应度是否超过适应度阈值，如果超过，则重新选取初始食物源，如果未超过，则执行step3；

68、step3：引领蜂标记确定初始食物源，在初始食物源邻域搜索新食物源，计算新食物源适应度值与原始食物源比较并进行贪婪选择，将食物源信息分享给跟随蜂；

69、step4：跟随蜂在视野半径范围内选择食物源，计算食物源的适应度值，采用贪婪准则选择较优的食物源，记录当前食物源最优解；

70、step5：判断当前食物源最优解循环limit次后适应度值是否得到改善，如果未得到改善；说明算法陷入局部最优，执行step6；如果得到改善，则执行step7；

71、step6：产生侦查蜂，根据当前食物源位置计算缩放因子，自适应步长，搜索方向，侦查蜂搜索找到新的食物源并更新，执行step7；

72、step7：判断是否达到最大迭代次数或满足结束条件，未满足要求则重复step2-step6，满足要求则对产生路径进行平滑处理，并输出最优解，该最优解即为人员的最优避障引导疏散路径。

73、由上述本发明的实施例提供的技术方案可以看出，本发明以动态引导疏散方法和动态引导避障技术相结合，以多层建筑结构为空间背景，提出多层建筑内突发事件下人员动态疏散引导与避障方法，解决传统引导疏散方法在疏散过程中适应性差、灵活性不足、没有考虑动态避障等缺点，实现人员在多层建筑内的动态引导避障疏散方法。本发明实施例综合动态引导与动态避障的技术，能提供更高效、准确、安全的疏散方案。

74、本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。