一种基于全景影像建模的群体疏散行为仿真方法与流程

本发明涉及模拟仿真技术领域，具体的说是一种基于全景影像建模的群体疏散行为仿真方法。

背景技术：

近年来，深度学习技术发展迅速，有监督学习(supervisedlearning)、无监督学习(unsupervisedlearning)和强化学习(reinforcementlearning)等算法都取得的重要突破，其商业化速度超出预期，在计算机视觉、图像与视频分析、语音识别、自然语言处理等诸多领域的应用取得了巨大成功，深度学习给整个社会带来颠覆性的变化。

强化学习作为重要的深度学习方法，是一种试错方法，用于描述和解决智能体(agent)在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。通过智能体agent与环境之间交互的任务，在环境给予的奖励或惩罚的刺激下，智能体逐步形成对刺激的预期，不断地学习在不同的环境下做出最优的动作，产生能获得最大利益的习惯性行为。利用这些感知生成策略，可以创造更高的机器智能，目前已经在复杂任务上竞技、游戏、机器人控制和工作调度等应用上取得了超过人类的表现。

buildinginformationmodeling，简称bim，表示建筑信息模型,bim以三维数字技术为基础,集成了建设项目各种相关信息的工程数据模型。随着图像处理技术,传感技术及多媒体技术的不断发展，计算机虚拟仿真效果越来越真实，bim信息结合全景影像和物联网传感数据，形成全新的数字模型。随着楼宇建筑结构复杂性不断增加，对于火灾、停电、事故等紧急事件的安全处理，特别是楼宇群体的安全疏散提出了更高的要求。在这种情况下，如何有效利用强化学习技术，结合全景影像建模的仿真环境，模拟更加真实的群体疏散行为，并能及时发现楼宇安全隐患成为亟需解决的问题。

技术实现要素：

本发明针对目前技术发展的需求和不足之处，提供一种基于全景影像建模的群体疏散行为仿真方法。

本发明的一种基于全景影像建模的群体疏散行为仿真方法，解决上述技术问题采用的技术方案如下：

一种基于全景影像建模的群体疏散行为仿真方法，包括如下步骤：

步骤s1、利用室内环境采集设备实时采集数据，获取智慧楼宇的室内全景地图数据；

步骤s2、利用智慧楼宇的bim建筑信息模型，对获取的室内全景地图数据进行融合校正，生成三维数字全景模型；

步骤s3、将智慧楼宇的物联网设备和控制设备根据实际位置附加到三维数字全景模型中，同时，将室内环境采集设备实时采集的数据显示到三维数字全景模型中；

步骤s4、对进入智慧楼宇的个体佩戴定位装置，以获取个体的运动轨迹；

步骤s5、基于获取的个体运动轨迹，设定三维数字全景模型下的个体种类及行为，设定基于个体行为和当前环境的reward函数，随后利用a3c强化学习算法训练个体行为模型；

步骤s6、在三维数字全景模型下模拟突发事件a，基于现实环境的个体位置数据，利用多个个体行为模型模拟群体疏散行为，得到最佳的群体疏散方案。

可选的，所涉及室内环境采集设备包括激光雷达、高清全景摄像头、室内定位装置；

室内环境采集设备以移动机器人作为载体，实时获取智慧楼宇的室内全景地图数据。

进一步可选的，所涉及激光雷达是以发射激光束探测目标的位置和速度两个特征量的雷达系统，用于通过扫描智慧楼宇的室内环境获得点云数据。

进一步可选的，所涉及高清全景摄像头负责采集智慧楼宇的室内环境图像数据。

进一步可选的，所涉及室内定位装置对高清全景摄像头和激光雷达采集的数据进行实时定位。

进一步可选的，所涉及移动机器人作为载体，在智慧楼宇内进行自由移动，并将激光雷达、高清全景摄像头和室内定位装置采集的数据进行集成，获取智慧楼宇的室内全景地图数据。

可选的，所涉及智慧楼宇中的物联网设备包括基于照明、安防、配电及计量、hvac、电器控制的智慧楼宇子系统。

可选的，执行步骤s5训练个体行为模型的具体操作过程包括：

步骤s5.1、通过室内环境采集设备获取个体当前的虚拟影像；

步骤s5.2、基于当前虚拟影像，a3c强化学习算法根据个体的下一步行为和reward函数计算奖励结果；

步骤s5.3、重复执行步骤s5.1-步骤s5.2，以多次获取不同环境下的个体行为和当前虚拟影像，随后统计不同运动轨迹下reward函数得到的奖励结果；

步骤s5.4、选取与最大奖励结果相对应的运动轨迹，a3c强化学习算法训练基于神经网络的个体行为模型。

可选的，执行步骤s5时，基于个体的身高、性别、年龄、体重和运动轨迹五项基础数据，设定个体种类和行为。

优选的，在三维数字全景模型中设定多个poi兴趣点作为突发事件发生点，基于现实环境的个体位置数据，利用多个个体行为模型模拟多个事件下的群体疏散行为，得到最佳的群体疏散方案。

本发明的一种基于全景影像建模的群体疏散行为仿真方法，与现有技术相比具有的有益效果是：

(1)本发明通过机器人载体，利用激光雷达、高清摄像头、室内定位装置作为室内环境采集设备，实时获取智慧楼宇的室内全景地图数据，并结合bim建筑信息模型，对室内全景地图数据进行融合校正，生成三维数字全景模型，在三维数字全景模型中，通过a3c强化学习算法训练个体行为模型，在三维数字全景模型模拟突发事件时，利用多个个体行为模型模拟群体疏散行为，得到最佳的群体疏散方案，同时，还可以发现智慧楼宇中的安全隐患；

(2)本发明可以通过增加个体种类，得到更加多样性的个性行为模型，便于提升模拟仿真的准确率。

附图说明

附图1是本发明的方法流程图。

具体实施方式

为使本发明的技术方案、解决的技术问题和技术效果更加清楚明白，以下结合具体实施例，对本发明的技术方案进行清楚、完整的描述。

实施例一：

结合附图1，本实施例提出一种基于全景影像建模的群体疏散行为仿真方法，包括如下步骤：

步骤s1、利用室内环境采集设备实时采集数据，获取智慧楼宇的室内全景地图数据。室内环境采集设备包括激光雷达、高清全景摄像头、室内定位装置；激光雷达是以发射激光束探测目标的位置和速度两个特征量的雷达系统，用于通过扫描智慧楼宇的室内环境获得点云数据；高清全景摄像头负责采集智慧楼宇的室内环境图像数据；室内定位装置对高清全景摄像头和激光雷达采集的数据进行实时定位。

本步骤中，采用移动机器人作为室内环境采集设备的载体，在智慧楼宇内进行自由移动，并将激光雷达、高清全景摄像头和室内定位装置采集的数据进行集成，获取智慧楼宇的室内全景地图数据。

步骤s2、利用智慧楼宇的bim建筑信息模型，对获取的室内全景地图数据进行融合校正，生成三维数字全景模型。

步骤s3、将智慧楼宇的物联网设备和控制设备根据实际位置附加到三维数字全景模型中，同时，将室内环境采集设备实时采集的数据显示到三维数字全景模型中。

本步骤中，智慧楼宇中的物联网设备包括基于照明、安防、配电及计量、hvac、电器控制的智慧楼宇子系统。

步骤s4、对进入智慧楼宇的个体佩戴定位装置，以获取个体的运动轨迹。

步骤s5、基于获取的个体运动轨迹，设定三维数字全景模型下的个体种类及行为，设定基于个体行为和当前环境的reward函数，随后利用a3c强化学习算法训练个体行为模型，具体操作过程包括：

步骤s5.1、通过室内环境采集设备获取个体当前的虚拟影像；

步骤s5.2、基于当前虚拟影像，a3c强化学习算法根据个体的下一步行为和reward函数计算奖励结果；

步骤s5.3、重复执行步骤s5.1-步骤s5.2，以多次获取不同环境下的个体行为和当前虚拟影像，随后统计不同运动轨迹下reward函数得到的奖励结果；

步骤s5.4、选取与最大奖励结果相对应的运动轨迹，a3c强化学习算法训练基于神经网络的个体行为模型。

本步骤中，基于个体的身高、性别、年龄、体重和运动轨迹五项基础数据，设定个体种类和行为。

步骤s6、在三维数字全景模型下模拟突发事件a，基于现实环境的个体位置数据，利用多个个体行为模型模拟群体疏散行为，得到最佳的群体疏散方案。

当然，还可以在三维数字全景模型中设定多个poi兴趣点作为突发事件发生点，基于现实环境的个体位置数据，利用多个个体行为模型模拟多个事件下的群体疏散行为，得到最佳的群体疏散方案。

综上可知，采用本发明的一种基于全景影像建模的群体疏散行为仿真方法，可以通过三维数字全景模型和训练得到的个体行为模型模拟突发事件下的群体疏散行为，在提高群体疏散安全指数的前提下，还可以及时发现智慧楼宇存在的安全隐患。

以上应用具体个例对本发明的原理及实施方式进行了详细阐述，这些实施例只是用于帮助理解本发明的核心技术内容。基于本发明的上述具体实施例，本技术领域的技术人员在不脱离本发明原理的前提下，对本发明所作出的任何改进和修饰，皆应落入本发明的专利保护范围。