一种行人运动仿真方法和系统与流程

本发明涉及群体仿真领域，并特别涉及一种数据驱动的行人运动仿真方法和系统。

背景技术：

出于人力成本、时间成本、便利性、可控性、安全性以及其他各种客观条件的考虑，使用计算机生成的人群运动来对真实世界中的人群进行仿真，是一个巨大的需求，在影视动画、游戏娱乐、辅助训练与方案评估、建筑空间设计与安全演练、增强现实等领域均有广泛应用。现有的大部分模型驱动的人群运动仿真方法由于基于较为简化的假设，因此产生的避障行为过于呆板，不符合真实世界中行人避障行为的复杂性和多样性。同时，现有的基于实例方法从实例数据学习运动模式，大部分是利用实例数据库中已有的轨迹片段来产生仿真结果，考虑因子过于单一，建模过于简化，面临复杂场景时的产生的避障行为不够自然。

本发明的目的是解决上述现有技术的模型规则过于复杂、考虑因素过于单一、实现效果不好的缺点，提出了一种新型的数据驱动的行人运动仿真方法，实现具有逼真避障行为的行人仿真运动建模。

技术实现要素：

为了解决上述技术问题，本发明目的在于提供一种数据驱动的行人运动仿真方法，实现具有逼真避障行为的行人仿真运动建模。

具体地说，本发明公开了一种行人运动仿真方法，其中包括：

步骤1、通过实测，获取样本行人的自身运动变量和信息感知变量，该自身运动变量包括目的地位置、样本行人的当前运动速度和历史运动速度，该信息感知变量包括样本行人的感知区域范围、该感知区域内人数；

步骤2、将该自身运动变量和该信息感知变量作为训练数据，训练机器学习模型，得到行人运动模型；

步骤3、获取待仿真行人的初始运动状态和目标位置，该行人运动模型根据该待仿真行人的自身运动变量和信息感知变量，预测该待仿真行人的运动响应，作为该待仿真行人的仿真结果。

该行人运动仿真方法，其中该自身运动变量还包括：当前行人与目标的欧式距离、当前行人指向目标的方向、当前行人速度方向与到目标方向的偏离。

该行人运动仿真方法，其中步骤1中该信息感知变量包括：以样本行人为圆心，将该感知区域范围划分为多个扇形子区域，统计该子区域内人数和该子区域内行人的速度分布。

该行人运动仿真方法，其中该步骤2训练的具体过程为：以样本行人某一时间点的自身运动变量和信息感知变量作为输入，后一时间点样本行人的自身运动变量作为目标，训练得到该行人运动模型。

该行人运动仿真方法，其中步骤2中该机器学习模型为决策树模型。

本发明还公开了一种行人运动仿真系统，其中包括：

测量模块，用于获取样本行人的自身运动变量和信息感知变量，该自身运动变量包括目的地位置、样本行人的当前运动速度和历史运动速度，该信息感知变量包括样本行人的感知区域范围、该感知区域内人数；

训练模块，用于将该自身运动变量和该信息感知变量作为训练数据，训练机器学习模型，得到行人运动模型；

仿真模块，用于获取待仿真行人的初始运动状态和目标位置，该行人运动模型根据该待仿真行人的自身运动变量和信息感知变量，预测该待仿真行人的运动响应，作为该待仿真行人的仿真结果。

该行人运动仿真系统，其中该自身运动变量还包括：当前行人与目标的欧式距离、当前行人指向目标的方向、当前行人速度方向与到目标方向的偏离。

该行人运动仿真系统，其中测量模块中该信息感知变量包括：以样本行人为圆心，将该感知区域范围划分为多个扇形子区域，统计该子区域内人数和该子区域内行人的速度分布。

该行人运动仿真系统，其中该训练模块训练的具体过程为：以样本行人某一时间点的自身运动变量和信息感知变量作为输入，后一时间点样本行人的自身运动变量作为目标，训练得到该行人运动模型。

该行人运动仿真系统，其中训练模块中该机器学习模型为决策树模型。

本发明的有益效果在于：

1)解决现有方法(模型驱动方法或基于实例方法)在模拟群体运动时，局部避障行为与实际不符、运动轨迹不平滑的问题。

2)本发明提出的方法在仿真实验中较其他方法产生了更真实、更自然的行人运动仿真结果。

3)本发明提出的方法简便易行，算法的复杂度较低，对硬件友好，无需高昂的硬件成本。

附图说明

图1为本发明行人自身运动变量的目标影响示意图；

图2为本发明行人自身运动变量的感知区域示意图；

图3为本发明流程图。

具体实施方式

本发明系统包含三个部分：(1)从行人自身运动状态和行人对周围其他行人感知的角度，对影响行人运动的因子进行建模；(2)基于这些影响因子对实例数据的结构进行定义，然后研究通过机器学习模型学习运动模式的方法；(3)根据上述运动模式，构建行人运动仿真的计算方法，通过给定行人初始运动状态和目标位置，计算行人运动的动态过程，实现行人运动仿真过程。具体步骤如下所示：

1特征选择过程：

a)考虑单个行人自身运动变量，包括：目标(目的地)的影响、自身运动速度的影响、历史惯性运动的影响。

b)考虑邻居信息感知变量，包括：预设的感知区域大小、感知区域内人数、感知区域内行人的速度分布。

2避让决策学习过程：

根据上述提取出来的特征，来构建实例数据库。人群中的某个运动行人当前所面临的情况视为输入；在面临这个情况时，该行人在下一步所采取的对应的运动行为为输出。再将实例数据作为样本训练一个机器学习模型，训练好的模型表示从实例数据中学习到的运动模式；

3仿真计算过程：

第一步需要给定初始运动状态(包括位置坐标、速度大小和速度方向)和目标位置，然后基于离线处理阶段定义好的自身运动变量和邻居信息感知变量，构建输入条件，再通过离线处理阶段得到的训练好的模型，得到对下一步运动的预测，经过计算最终产生仿真的结果。

具体地说，本发明公开了一种行人运动仿真方法，其中包括：

步骤1、通过实测，获取样本行人的自身运动变量和信息感知变量，该自身运动变量包括目的地位置、样本行人的当前运动速度和历史运动速度，该信息感知变量包括样本行人的感知区域范围、该感知区域内人数；

步骤2、将该自身运动变量和该信息感知变量作为训练数据，训练机器学习模型，得到行人运动模型；

步骤3、获取待仿真行人的初始运动状态和目标位置，该行人运动模型根据该待仿真行人的自身运动变量和信息感知变量，预测该待仿真行人的运动响应，作为该待仿真行人的仿真结果。

该行人运动仿真方法，其中该自身运动变量还包括：当前行人与目标的欧式距离、当前行人指向目标的方向、当前行人速度方向与到目标方向的偏离。

该行人运动仿真方法，其中步骤1中该信息感知变量包括：以样本行人为圆心，将该感知区域范围划分为多个扇形子区域，统计该子区域内人数和该子区域内行人的速度分布。

该行人运动仿真方法，其中该步骤2训练的具体过程为：以样本行人某一时间点的自身运动变量和信息感知变量作为输入，后一时间点样本行人的自身运动变量作为目标，训练得到该行人运动模型。

为让本发明的上述特征和效果能阐述的更明确易懂，下文特举实施例，并配合说明书附图作详细说明如下。

整个流程如图3所示，包括：

特征选择过程：

首先考虑单个行人自身运动变量，包括：

目标的影响：如图1所示，考虑当前行人与目标的欧式距离，指向目标的方向，速度方向与到目标方向的偏离的角度；

自身运动速度的影响：考虑行人自身速度大小、速度方向；

历史惯性运动：历史速度大小、历史速度方向。使用多个采样点的均指作为历史速度大小、历史速度方向，例如前10个历史采样点的速度大小和方向平均值，来量化表示历史运动惯性。

然后考虑邻居信息感知变量，包括：

感知区域的大小：考虑当前行人周围360°的区域，并且将360°划分为9个扇形子区域(这里以“9”示意，可以选择任意的子区域数量)。将身前的扇形子区域的扇形夹角设计得更小，而且越靠近正前方越小，是因为人的观察是对称的，所以以自身方向为基准，扇形区域的划分是左右对称的。将身后的扇形子区域的扇形夹角设计得更大，而越靠近正后方越大，正后方只存在一个最大角度的区域(如图2所示)；

区域内人数：统计每个子区域内的其他行人个数。

区域内行人的速度分布：考虑区域内行人的平均速度情况、距离最近的行人的速度情况、速度最快行人的运动情况。

避让决策学习过程：

从真实人群运动数据中学习运动模式(movementpatterns)的过程，可以看作是通过机器学习算法模型，来学习隐含在实例数据库(examples)中的数据规律的过程，根据上述提取出来的特征，构建实例数据库。实例数据的具体定义，表明了对人群中行人运动行为本质的一种理解。此处一个运动实例数据，定义为由两部分构成：第一部分，在人群运动场景中，人群中的某个运动行人当前所面临的情况，将之视为一种输入条件(inputsituation)。第二部分，在面临这个情况时，该行人在下一步所采取的对应的运动行为，将之视为一种输出响应(outputaction)。再将实例数据作为样本训练一个决策树模型(这里以决策树为例，其他的机器学习模型均可以使用)，训练好的模型表示从实例数据中学习到的运动模式。

仿真计算过程：

行人运动仿真运行阶段，主要目的是把在离线处理阶段从真实人群运动数据中学习到的运动模式，应用于生成虚拟场景中的人群运动。首先需要给定智能体(当前研究的某个行人对象，agent)的初始运动状态和目标位置，然后基于离线处理阶段定义好的自身运动变量和邻居信息感知变量，构建实例数据的第一部分，即这些智能体在某时刻的输入条件，再通过离线处理阶段得到的训练好的模型，预测得到下一步运动的输出响应，经过计算最终产生仿真的结果。需要注意的是，待仿真行人可为多个，因待仿真行人间的起始点和目的地不同，在待仿真行人行至目的地的过程中有可能相遇，即出现在仿真行人的感知区域范围内。

以下为与上述方法实施例对应的系统实施例，本实施方式可与上述实施方式互相配合实施。上述实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在上述实施方式中。

本发明还公开了一种行人运动仿真系统，其中包括：

测量模块，用于获取样本行人的自身运动变量和信息感知变量，该自身运动变量包括目的地位置、样本行人的当前运动速度和历史运动速度，该信息感知变量包括样本行人的感知区域范围、该感知区域内人数；

训练模块，用于将该自身运动变量和该信息感知变量作为训练数据，训练机器学习模型，得到行人运动模型；

仿真模块，用于获取待仿真行人的初始运动状态和目标位置，该行人运动模型根据该待仿真行人的自身运动变量和信息感知变量，预测该待仿真行人的运动响应，作为该待仿真行人的仿真结果。

该行人运动仿真系统，其中该自身运动变量还包括：当前行人与目标的欧式距离、当前行人指向目标的方向、当前行人速度方向与到目标方向的偏离。

该行人运动仿真系统，其中测量模块中该信息感知变量包括：以样本行人为圆心，将该感知区域范围划分为多个扇形子区域，统计该子区域内人数和该子区域内行人的速度分布。

该行人运动仿真系统，其中该训练模块训练的具体过程为：以样本行人某一时间点的自身运动变量和信息感知变量作为输入，后一时间点样本行人的自身运动变量作为目标，训练得到该行人运动模型。

该行人运动仿真系统，其中训练模块中该机器学习模型为决策树模型。