Моделирование толпы

редактировать

Моделирование толпы - это процесс моделирования движения (или динамики ) большого количества сущности или персонажи. Он обычно используется для создания визуальных средств массовой информации, таких как фильмы и видеоры, также используется в кризисном обучении, городском планировании, а также в симуляциях эвакуации.

Симуляция толпы может фокусироваться на различных аспектах, которые предназначены для различных приложений. Для реалистичного и быстрого рендеринга рендеринга для визуальных медиа или представленной кинематографии, уменьшение сложности 3D сцены и рендеринга на основе изображений, вариации внешнего вида обеспечивает реалистичную популяцию.

В играх и приложениях, предназначенных для воспроизведения реального человеческого движения толпы, например, в симуляциях эвакуации, имитируемые агенты могут потребоваться, чтобы двигаться к цели, избегать столкновений и проявлять другое человеческое поведение. Были разработаны многие алгоритмы управления толпой, чтобы реалистично привести смоделированную толпу к своему целям. Исследуются некоторые более общие системы, различные виды агентов (например, автомобили и пешеходы), разные уровни абстракции (например, индивидуальный индивидуальный и непрерывный), агенты, взаимодействующие со смарт-объектами, и более сложную физическую и социальную динамику.

Содержание

1 История
2 Динамика толпы
3 Системы частиц
- 3.1 Алгоритм Патил и Ван Ден Берг
- 3.2 Моделирование индивидуального поведения
  - 3.2.1 Моделирование на основе личности
  - 3.2.2 Модель на основе стресса
- 3.3 Социология
- 3.4 Моделирование индивидуального поведения
- 3.5 Поведение лидера во время моделирования эвакуации
- 3.6 Масштабируемое моделирование
4 Человеческое поведение и ИИ толпы
- 4.1 ИИ на основе правил
- 4.2 Изучение ИИ
  - 4.2.1 Алгоритмы
5 Рендеринг и анимация толпы
6 Реальные приложения
- 6.1 Виртуальная кинематография
- 6.2 Городское планирование
- 6.3 Эвакуация и борьба с массовыми беспорядками
- 6.4 Военные
- 6.5 Социология
7 См. Также
8 Программное обеспечение для моделирования толпы
9 Источники
10 Внешние ссылки

История

Всегда существовал глубокий интерес к пониманию и получению над движением и поведением толпы людей. С самого начала исследований в области моделирования толпы произошло много значительных достижений. Очевидно, что становится и публикуется много новых открытий, которые улучшают масштабируемость, гибкость, применимость и реалистичность моделирования:

В 1987 году поведенческая анимация была представлена и предоставлена Крейгом Рейнольдсом. Он смоделировал стайки птиц рядом со стаями рыб с целью изучения групповой интуиции и движения. Всем агентам в этих симуляциях был предоставлен прямой доступ к соответствующим положениям и скоростям окружающих их агентов. Теоретические основы и исследования, изложенные Рейнольдсом, были усовершенствованы и основаны в 1994 году Сяоюань Ту, Деметри Терзопулосом и Радеком Гжещуком. Реалистичное качество симуляции было задействовано, поскольку агенты, обеспечивающие индивидуальное воспроизведение и общее восприятие среды, обеспечивают перцептивное понимание в пределах их динамической среды среды обитания.

Первые исследования в области моделирования толпы начались в 1997 году, когда Даниэль Тельманн руководил докторской диссертацией Сораи Раупп Мюсс. Эти двое представляют новую модель поведения толпы, чтобы создать симуляцию типовых популяций. Здесь проводится связь между автономным поведением индивида в толпе и развивающим его поведением.

В 1999 году индивидуалистическая навигация начала своего развития в симуляции толпы благодаря продолжающимся исследованиям Крейга Рейнольдса. Доказано, что рулевое поведение играет большую роль в процессе агентов в симуляции. Рейнольдс утверждает, что процессы низкоуровневой зависимости зависят и зависят от поведения рулевого управления среднего уровня, а также от целевых состояний более высокого уровня и стратегий поиска пути. Основываясь на передовых работах Рейнольдса, Мюсс и Тальманн начали изучать моделирование имитаций в реальном времени этих толп и их приложений к человеческому поведению. Управление человеческими толпами было обозначено как иерархическая организация с уровнем автономии среди агентов. Это знаменует начало моделирования индивидуального поведения в его наиболее эффективных на гуманоидных элементах формы агентах.

Совпадает с публикациями, касающимися моделей поведения и симуляциями группового поведения, предложением Мэтта Андерсона, Эрика МакДэниела и Стивена Ченни об ограничении поведения завоевала популярность. Позиционирование ограничений для групповых анимаций их было представлено таким образом, чтобы можно было сделать в любое время в модели. Этот процесс применения ограничений к поведенческой модели осуществляется двояко: сначала определяется начальный набор целевых траекторий, совпадающих с ограничениями, а затем применяются правила поведения к этим путям, чтобы выбрать те, которые их не нарушают.

Сопоставляя и опираясь на результаты, предложила в его работе с Мюссе, Тельманн, вместе с Братиславой Уличны и Пабло де Херас Чехомски, используя новую модель, которая позволила интерактивное создание агентов на уровне отдельного человека, группа агентов и всякие толпа. Метафора кисти используется для распределения, моделирования и управления толпы в реальном времени с обратной связью.

Динамика толпы

Одна из основных целей моделирования толпы - реалистичное управление толпой и воссоздание человеческое динамическое поведение.

Существует несколько всеобъемлющих подходов к моделированию толпы и ИИ, каждый из которых дает преимущества и недостатки в зависимости от размера толпы и временного масштаба. Шкала времени означает, как цель моделирования также влияет на продолжительность моделирования. Например, исследование социальных вопросов, таких как распространение идеологий населения, намного более длительной стимуляции, поскольку такое событие может длиться до месяцев или лет. Используя эти две характеристики, исследователи попытались использовать методы лучшей оценки и организации симуляторов толпы.

Подход на основе потока: Моделирование толпы на основе потока фокусируется на толпе в целом, а не на ее компонентах. Таким образом, у таких людей нет каких-либо отличительных черт поведения, которые возникают из-за воздействия их окружения, и поведенческие факторы в степени уменьшаются. Эта модель в основном используется для оценки потока движения большой и плотной толпы в заданной среде. Лучше всего использовать при изучении большого количества людей, краткосрочных целей.

Подход, основанный на сущностях: Модели, реализующие набор физических, предопределенных и глобальных моделей, предназначенных для моделирования социальных / психологических факторов, которые используются людьми, которые часть толпы попадает под эту категорию. В этом случае сущности не обладают способностью думать самостоятельно. Все движения глобальными законами, которые применяются к ним. Симуляторы, использующие эту модель, часто делают это для исследования динамики толпы, такой как заклинивание и скопление. Этому подходу лучше всего подходят небольшие и средние толпы с предварительными целями.

Агентный подход: Характеризуется автономными взаимодействующими людьми. Каждому агенту толпы такой подходе дается определенная степень интеллекта; они могут реагировать на каждую ситуацию самостоятельно на основе набора правил принятия решений. Информация, используемая для принятия решений о действии, получается локально из окружения агента. Чаще всего этот подход используется для моделирования реалистичного поведения, как использовать полную свободу реализации любого поведения.

Системы частиц

Один из способов моделирования использования толпы - использовать систему частиц . Системы частиц были представлены в компьютерной графике У. Т. Ривзом в 1983 году. Система частиц - это совокупность ряда отдельных элементов или частиц. Каждая часть способна действовать автономно, и ей назначается набор физических характеристик (таких как цвет, размер и скорость).

Система частиц динамична в том смысле, что частицы меняются со временем. Движение системы частиц - вот что делает ее такой желанной и простой в реализации. Расчет движения этих частиц занимает очень мало времени. Это просто связано с физикой: сумма всех сил, действующих на частицу, определяет ее движение. Такие силы, как гравитация, трение и сила столкновения, а также социальные силы, такие как сила притяжения цели.

Обычно каждая часть имеет вектор скорости и вектор положения, имеющую информацию о текущей скорости и положения частиц соответственно. Следующее положение вычисляется путем добавления вектора скорости к вектору положения. Очень простая операция (опять же, почему системы частиц так желательны). Его вектор скорости меняется со временем под действием сил, действующих на частицу. Например, столкновение с другими частией заставит ее изменить направление.

Системы частиц широко используются в фильмах для создания таких эффектов, как взрывы, электрические эффекты в фильме 2000 года Идеальный шторм и имитации газа в фильме 1994 года Маска.

системы. частицы имеют некоторые недостатки. Использование системы частиц для имитации агентов в толпе, как определить, какие частицы агенту, а какие нет, очень сложно.

Алгоритм Патил и Ван Ден Берг

Этот алгоритм разработан для упрощенных толп, где каждый агент в толпе желает добраться до цели, избегая препятствий. Этот алгоритм можно использовать для имитации толпы на Таймс-сквер.

Самая важная и отличительная особенность алгоритма Патилса состоит в том, что он использует концепцию полей навигации для направления агентов. Это отличается от поля наведения; поле наведения - это область вокруг агента, в которой агент способен «видеть» / обнаруживать информацию. Поля навигации обычно используются для объезда препятствий, в частности динамических препятствий (движущихся препятствий). У каждого агента есть собственное поле наведения. С другой стороны, поле навигации - это новое поле, вектор использует визуальную информацию для каждого агента.

Поле навигации может быть правильно только тогда, когда существует путь каждой свободной (не препятствующей) позиции в окружающей среде до одной из целевых позиций. Поле навигации вычисляет использование координат статических объектов в среде, агентов и поля руководства для каждого агента. Чтобы каждый год был свободным от локальных минимумов.

Время выполнения вычислений поля навигации составляет $O (m ∗ n ∗ log (mn)) {\ displaystyle O (m * n * log (mn))}$ ${\ displaystyle O (m * n * log (mn))}$ , где m × n - размер сетки (аналогично алгоритму Дейкстры ). Таким образом, алгоритм зависит только от разрешения сетки и не зависит от количества агентов в среде. Однако у этого алгоритма высокая стоимость памяти.

Моделирование индивидуального поведения

Один из наборов методов моделирования толпы на основе ИИ - моделирование поведения расширенного моделирования мотивации отдельных агентов и решений принятия. Обычно это означает, что каждому агенту назначается некоторый набор чисел, которые измеряют различные характеристики или статусы, такие как стресс, личность или различные цели. Это приводит к более реалистичному поведению толпы, хотя может потребовать больших вычислительных ресурсов, чем более простые методы.

Модели на основе личности

Один из методов создания индивидуалистического поведения для агентов толпы - использование личностных качеств. У каждого агента могут быть факторы личности, настроенные на основе формулы, которая связывает такие факторы, как агрессивность или импульсивность, с переменными, которые управляют поведением агентов. Один из способов найти эту ассоциацию - это субъективное исследование, которое агентами случайным образом присваиваются для этих чисел, участников просятать каждого с точки зрения этих личностных черт. Затем может быть проведена регрессия для определения корреляции между этими характеристиками и переменными агента. Затем индивидуальные черты могут быть настроены и влияет на поведение агента.

Модель личности OCEAN была оговорена между личностными качествами и условиями сим толпы. Автоматическая настройка параметров толпы с помощью личностных характеристик позволяет легко создать сценарии с разнородной толпой.

Модель на основе стресса

Поведение толпы в стрессовых ситуациях можно смоделировать с помощью Общая адаптация Синдром теория. На поведение факторов стресса из их среды, которые подразделяются на четыре прототипа: давление, давление межличностные стрессоры и факторы стресса, каждый со связанными математическими моделями.

Под давлением времени понимаются факторы стресса, связанные с ограничением по времени достижения цели. Примером может служить переход улицы с сигналом остановки на время или посадка в поезд до закрытия дверей. Этот прототип моделируется следующей формулой:

$I t = max (te - ta, 0) {\ displaystyle I_ {t} = max (t_ {e} -t_ {a}, 0)}$ ${\ displaystyle I_ {t} = max (t_ {e} -t_ {a}, 0)}$

где $I t {\ textstyle I_ {t}}$ ${\ textstyle I_ {t}}$ - интенсивность давления времени как функция расчетного времени для достижения цели $te {\ textstyle t_ {e}}$ ${\ textstyle t_ {e}}$ и ограничение по времени $ta {\ displaystyle t_ {a}}$ $t_ {a}$ .

Давление на площадь относится к факторам стресса в результате условий окружающей среды. Примерами могут служить шум или жара в помещении. Интенсивность этого фактора стресса постоянство на территории формируется следующая формулой:

$I a = {c, если pa ∈ A 0, если pa ∉ A {\ displaystyle I_ {a} = {\ begin {cases} c {\ text { if}} p_ {a} \ in A \\ 0 {\ text {if}} p_ {a} \ not \ in A \ end {cases}}}$ ${\ displaystyle I_ {a} = {\ begin { case} c {\ text {if}} p_ {a} \ in A \\ 0 {\ text {if}} p_ {a} \ not \ in A \ end {cases}}}$

где $I a {\ textstyle I_ {a}}$ ${\ textstyle I_ {a}}$ - это интенсивность давления в области, $pa {\ textstyle p_ {a}}$ ${\ textstyle p_ {a}}$ - это позиция агента в области $A {\ displaystyle A}$ $A$ и $c {\ displaystyle c}$ $c$ - константа.

Позиционные стрессоры, стресс-стресс, стресс-стресс. Интенсивность этого фактора стресса возрастает по мере приближения фактора к источнику стресса. Примером может быть пожар или динамический объект, такой как атаковавший. Его можно смоделировать по следующей формуле:

$I p = ‖ pa - ps ‖ {\ displaystyle I_ {p} = \ lVert p_ {a} -p_ {s} \ rVert}$ ${\ displaystyle I_ {p} = \ lVert p_ {a} -p_ {s} \ rVert}$

где $I p { \ displaystyle I_ {p}}$ $I_p$ - интенсивность позиционного стрессора, $pa {\ displaystyle p_ {a}}$ $p_a$ - позиция агента, а $ps {\ displaystyle p_ { s}}$ $p_ {s}$ - положение стрессора. В качестве альтернативных факторов стресса, которые могут быть смоделированы с использованием распределения Гаусса со стандартным отклонением $σ {\ displaystyle \ sigma}$ $\ sigma$ :

$I p = N (pa - ps, σ) {\ displaystyle I_ {p} = { \ mathcal {N}} (p_ {a} -p_ {s}, \ sigma)}$ ${\ displaystyle I_ {p} = {\ mathcal {N}} (p_ {a} -p_ {s}, \ sigma)}$

Межличностные стресса стресса в результате скопления окружающих агентов. Его можно смоделировать по следующей формуле:

$I i = max (nc - np, 0) {\ displaystyle I_ {i} = max (n_ {c} -n_ {p}, 0)}$ ${\ displaystyle I_ {i} = max (n_ {c} -n_ {p}, 0)}$

где $I i {\ displaystyle I_ {i}}$ $I_ {i}$ - интенсивность межличностного стрессора, $nc {\ displaystyle n_ {c}}$ $n_c$ - текущее количество соседи в единичном пространстве, а $np {\ displaystyle n_ {p}}$ $n_p$ - предпочтительное количество соседей в единичном пространстве для этого конкретного агента.

Воспринимаемое напряжение соответствует закону Стивена и моделируется по формуле:

$ψ (I) = k I n {\ displaystyle \ psi (I) = kI ^ {n}}$ ${\ displaystyle \ psi (I) = kI ^ {n}}$

где $ψ (I) {\ displaystyle \ psi (I)}$ ${\ displaystyle \ psi (I)}$ - воспринимаемое напряжение для уровня стресса $I {\ displaystyle I}$ $I$ , $k {\ displaystyle k}$ $k$ - коэффициент масштабирования, а $n {\ displaystyle n}$ $n$ - показатель степени в зависимости от типа стрессора.

Реакция агента на стресс можно найти по следующей формуле:

$d S dt = {α, если ψ>S (- α ≤ d ψ dt ≤ α), если ψ = S - α, если ψ < S {\displaystyle {dS \over dt}={\begin{cases}\alpha {\text{if }}\psi>S \\ (- \ alpha \ leq {d \ psi \ over dt} \ leq \ alpha) {\ text {if}} \ psi = S \\ - \ alpha {\ text {if}} \ psi$ ${dS \over dt}={\begin{cases}\alpha {\text{if }}\psi>S \\ (- \ alpha \ leq {d \ psi \ over dt} \ leq \ alpha) {\ text {if}} \ psi = S \\ - \ alpha {\ text {if }} \ psi <S\end{cases}}$

где $S {\ displaystyle S}$ $S$ - реакция на стресс, ограниченная максимальная длина $β {\ displaystyle \ beta}$ $\ beta$ и $α {\ displaystyle \ alpha}$ $\ alpha$ - максимальная скорость, с которой может измениться стрессовая реакция.

Примеры примечательной симуляции ИИ толпы можно увидеть в фильмах New Line Cinema Властелин колец, где армии ИИ, состоящие из тысяч персонажей, сражаются друг с другом.. Это моделирование толпы было выполнено с использованием программного обеспечения Massive от Weta Digital .

Социология

Моделирование толпы также может относиться к моделированию, основанному на групповой динамике и психология толпы, часто при планировании общественной безопасности. В этом случае особое внимание уделяется поведению толпы, а не визуальному реализму симуляции. Толпа изучается как научный интерес с конца 19 века. Многие исследования были сосредоточены на коллективном социальном поведении людей на общественных собраниях, собраниях, протестах, восстаниях, концертах, спортивных мероприятиях и религиозных церемониях. Понимание естественного поведения человека в различных ситуациях позволяет создать более совершенные модели, которые можно использовать для разработки стратегий управления толпой.

Группы реагирования на чрезвычайные ситуации, такие как полицейские, Национальные гвардии, военные и даже добровольцы, пройти определенную подготовку по борьбе с массовыми порядками. Использование изученных принципов человеческого поведения в толпе может проектировщикам обучения стихийным бедствиям больше элементов, которые могут использовать для создания реалистичных смоделированных стихийных бедствий. Поведение толпы можно вести во время паники и непаники. Когда естественные и неестественные события бросают социальные вызовы, например, события 11 сентября и ураган Катрина. Военные больше ориентированы на имитацию обучения, включая реагирование на чрезвычайные ситуации, благодаря их рентабельной технологии, а также эффективное обучение может быть перенесено в реальный. Многие события которые могут начаться под контролем, иметь поворотное событие, которое превращает их в катастрофические ситуации, когда решения принимаются на месте. Именно в таких ситуациях динамическое понимание толпы будет играть роль в снижении анархии.

Методы моделирования толпы изменяются от целостных или сетевых подходов до индивидуальных или поведенческих агентов каждого. Например, модель социальной поддержки потребности людей в контакте. Подход, включающий оба аспекта и способный адаптироваться в зависимости от ситуации, лучше естественного поведения человека, всегда включающий некоторую степень непредсказуемости. С использованием многоагентных моделей понимание этого сложного поведения стало более понятной. С помощью этого типа программного обеспечения теперь можно испытывать системы в экстремальных условиях и моделировать условия в течение длительных периодов времени за считанные секунды.

В некоторых ситуациях поведения стаи нечеловеческих животных можно использовать в экспериментальной модели поведения толпы. Было обнаружено, что паническое поведение муравьев при воздействии химического вещества репеллент в замкнутом пространстве с ограниченными путями выхода имеет как сходство, так и отличия от аналогичного поведения человека.

Моделирование индивидуального поведения

Хельбинг, использующий модель, основанную на физике, использующую систему частиц и социально-психологические силы для описания поведения в ситуации паники, теперь это называется моделью Хельбинга. Его работа на том, как обычный человек отреагирует в данной ситуации. Хотя это хорошая модель, в толпе всегда присутствуют разные типы людей, и каждый из них имеет свои индивидуальные особенности, а также то, как они в структуре группы. Например, один человек может не реагировать на паническую ситуацию, а другой может перестать ходить и вмешиваться в динамику толпы в целом. Кроме того, в зависимости от структуры группы, индивидуальное действие может измениться, поскольку агент является частью группы, например, он возвращается в опасное место, чтобы спасти члена этой группы. Модель Хелбинга может быть обобщена с учетом индивидуализма, предложенного Брауном, Мюссом, Оливейрой и Бодманном.

Чтобы решить эту проблему, каждому агенту должна быть присвоена индивидуальность, позволяющая иметь дело с различными типами поведения. Другой аспект решения этой проблемы - возможность группировать людей. Каждый агент (индивидуум) может быть определен по следующим параметрам:

Id - идентификатор агента
IdFamily - идентификатор семейства. Семья - это предопределенная группа, состоящая из агентов, которые знают друг друга.
DE - Уровень зависимости агента, который имитирует потребность в помощи. Значения [0,1]
AL - уровень альтруизма, представляющий тенденцию помогать другим агентам. Значения [0,1]
vi- Скорость агента

Чтобы смоделировать влияние с отдельными агентами, уравнение определяет как:

vi = (1 - DE) vmax {\ displaystyle v_ {i} = (1- DE) v_ {max}}

{\ displaystyle v_ {i} = (1-DE) v_ {max}}

При оценке скорости работы агента становится ясно, что если значение коэффициента зависимости DE равно единице, то человек будет полностью инвалид, из-за чего он не может двигаться. Если коэффициент зависимости равен нулю, то человек может бежать со своей максимальной скоростью.

Формирование группы связано с силой альтруизма, которая реализует взаимодействие между двумя или более агентами, являющимися частью одной семьи. Математически это описывается следующим образом:

F a ¯ i = K ∑ (AL i DE j × | dij - dip | × eij) {\ displaystyle F {\ overline {a}} _ {i} = K \ sum \ left (AL_ {i} DE_ {j} \ times \ left | d_ {ij} -d_ {ip} \ right | \ times e_ {ij} \ right)}

{\ displaystyle F {\ overline {a}} _ {i} = K \ sum \ left (AL_ {i} DE_ {j} \ times \ left | d_ {ij} -d_ {ip} \ right | \ times e_ {ij} \ right)}

где:

dijпредставляет расстояние между двумя агентами с начала в позиции агента;

dip- точка помещения от агентов до позиции среды моделирования;

K - постоянная величина;

eij- унитарный вектор с началом в позиции i.

Следовательно, чем больше параметр AL i агента i, тем больше будет Fā i, который указывает на агента j и имеет высокий уровень DE j. Когда оба агента находятся достаточно близко друг к другу, агент с высоким DE (агент j в этом примере) принимает значение агента i ( $DE j = DE i {\ displaystyle DE_ {j} = DE_ {i}}$ ${\ displaystyle DE_ {j} = DE_ {i}}$ ). Это означает, что способность эвакуации агента открывается с агентом j, начинает движение вместе.

При использовании этих уравнений при использовании модели с использованием нормально распределенной совокупности результатов во многом аналогичны модели Хелбинга.

Места, где это может быть полезно, - это сценарий эвакуации. Возьмем, к примеру, эвакуацию из здания в случае пожара. Принимая во внимание отдельные агенты и групповые действия, как толпа будет выходить из здания, критически при создании планировки здания.

Поведение лидера во время моделирования эвакуации

Как описано ранее, Модель Хелбинга используется в качестве основы для поведения толпы. Такой же тип модели поведения используется для моделирования эвакуации.

В общем, первое, что следует принять во внимание, - это то, что не все знают об окружающей среде или о том, где существуют опасности, а где нет. Исходя из этого предположения, мы можем создать три типа агентов. Первый тип - это обученный лидер, этот агент знает об окружающей среде и может предоставить другим агентам, чтобы они знали, как выйти из среды. Следующий тип агентов - неподготовленный лидер, этот агент не знает об окружающей среде, однако, поскольку агент исследует среду и получает информацию от других типов среды, агент может распространить информацию об окружающей среде. Последний тип - это последователи, этот тип агентов может получать информацию только от других агентов и не может делиться информацией с другими агентами.

Реализация этих типов агентов довольно проста. У лидеров в окружении есть карта окружающей среды, сохраненная как один из их атрибутов. Неопытный последователи начнут с пустой карты в качестве атрибута. Необученные лидеры и последователи начнутся самостоятельно исследовать местную среду и составить карту. Лидеры и неподготовленные лидеры (как только они получат знания) будут делиться информацией с другими агентами в зависимости от их знаний. Они поделятся информацией о том, какие точки на сетке заблокированы, о локальных подграфах и опасностях в этой области.

Для этой реализации было опробовано два типа алгоритмов поиска. Был случайный поиск и поиск в глубину. Случайный поиск - это когда каждый из агентов движется в любом направлении по окружающей среде и найти выход. Поиск в глубину - когда агенты следуют по одному пути до упора, затем возвращаются и пробуют другой путь, если пройденный ими путь не содержит выхода. Если было обнаружено, что поиск в глубину дает ускорение в 15 раз по сравнению со случайным поиском.

Масштабируемое моделирование

существует множество различных действий, которые используются при моделировании толпы. В последнее время моделирование толпы стало важным для многих приложений среды, таких как образование, обучение и развлечения. Многие ситуации основаны на среде симуляции или поведении группы локальных агентов. В приложениях реальности каждый агент взаимодействует со многими другими агентами в среде, вызывая повторение в реальном времени. Среда должна постоянно меняться, поскольку их поведение допускает повторение. Масштабируемая архитектура может большими толпами за счет поведения и интерактивных ставок. Эти ситуации покажут, как толпа будет действовать в нескольких сложных сценариях, в то время как применяются несколько разных ситуаций. Ситуация может быть любым обстоятельством, имеющим типичное местное поведение. Мы можем разделить все ситуации на два разных типа.

Пространственная ситуация - это ситуация, в которой есть область, в которой среда влияет на локальных агентов. Например, толпа, будет отображать пространственную ситуацию. Другими примерами могут быть автобусная остановка или банкомат, где персонажи воздействуют на свое окружение. Следовательно, мы будем рассматривать «автобусную остановку» как ситуацию, если поведение агентов заключается в том, садиться или выходить из автобуса.

Непространственная ситуация не имеет области в окружающей среде, потому что она включает только поведение толпы. Взаимоотношения местных агентов - важный фактор, который учитывает при определении поведения. Примером может быть группа друзей, идущих вместе. Типичное поведение друзей-персонажей - все они движутся вместе друг с другом. Это означает, что «дружба» будет одной из ситуации, когда вы идете вместе.

Структура любой ситуации состоит из четырех компонентов: функций поведения, датчиков, состояний и правил событий. Поведенческие функции предоставляет, какое поведение персонажей характерно для конкретной ситуации. Датчики - это способность агентов видеть и реагировать на них. Состояния - это различные движения и переходы между состояниями, используемое только для локального поведения. Правило событий - это способ связать разные события с их конкретным поведением. Пока персонаж попадает в ситуацию, эти четыре группы одновременно. В среду, как обычно, входит в окружающую среду. В непространственных ситуациях персонаж подвергается воздействию только после того, как пользователь назначает ситуацию персонажу. Четыре компонента удаляются. Динамическое добавление удаления и позволяет нам создать масштабируемые агенты.

Человеческое поведение и ИИ толпы

Моделирование толпы на Ковент-Гарден-сквер в Лондоне, показывающее, как толпа пешеходов реагирует на уличного артиста

Для имитации другого Человечества в деятельности в толпе требуется нечто большее, чем планирование пути и движения. Сложные социальные проблемы, манипуляции со смарт-объектами области и гибридные модели проблемы в этой области. Моделирование поведения толпы вдохновлено потоком толпы из реального мира. Образцы поведения, скорость и плотность движения, а также аномалии анализируются во многих средах и типах зданий. Люди документируются, и их передвижения документируются, чтобы можно было разработать алгоритмы и внедрить их в моделирование толпы.

Отдельные сущности в толпе также называются агентами. Чтобы толпа вела себя реалистично, каждый агент должен действовать автономно (быть способным действовать независимо от других агентов). Эта идея называется агентно-ориентированной моделью. Более того, обычно желательно, чтобы агенты действовали с некоторой степенью интеллекта (т.е. агенты не должны совершать действия, которые могут причинить им вред). Чтобы агенты могли принимать разумные и реалистичные решения, они должны действовать в соответствии с окружающей средой, реагировать на ее изменения и реагировать на других агентов.

ИИ на основе правил

И потребления ресурсов Маслоу

В ИИ, основанные на правилах, виртуальные агенты следуют сценариям: «если это произойдет, сделайте то». Это хороший подход, если требуются агенты с разными ролями, например, главный герой и несколько второстепенных персонажей. Этот тип И обычно реализуется с помощью иерархии, например, в иерархии потребностей Маслоу, где чем ниже потребность находится в иерархии, тем она сильнее.

Например, представьте, что ученик, идущий в класс, сталкивается со взрывом и убегает. Теория, лежащая в основе этого, состоит в том, что сначала удовлетворяются первые четыре уровня его потребностей, и ученик действует в соответствии со своей потребностью в самоактуализации. Когда происходит взрыв, его безопасность оказывается под угрозой, что является гораздо более сильной потребностью, заставляя его действовать в соответствии с этой потребностью.

Этот подход масштабируем и может применяться к толпам с большим количеством агентов. Однако у ИИ, основанного на правилах, есть некоторые недостатки. В частности, поведение агентов может стать очень предсказуемым, что может привести к нереалистичному поведению толпы.

Изучение ИИ

При обучении ИИ виртуальные персонажи ведут себя так, как это было проверено, чтобы помочь им в достижении своих целей. Агенты экспериментируют со своей средой или образцом среды, которая похожа на их реальную.

Агенты выполняют различные действия и учатся на своих ошибках. Каждый агент изменяет свое поведение в ответ на вознаграждения и наказания, которые он получает из окружающей среды. Со временем каждый агент разовьет поведение, которое с большей вероятностью принесет высокие награды.

Если использовать этот подход, наряду с большим количеством возможных вариантов поведения и сложной средой, агенты будут действовать реалистично и непредсказуемо.

Алгоритмы

Существует множество алгоритмов машинного обучения, которые можно применять для моделирования толпы.

Q-Learning - это алгоритм, относящийся к подполе машинного обучения, известному как обучение с подкреплением. Базовый обзор алгоритма заключается в том, что каждому действию присваивается значение Q, и каждому агенту дается директива всегда выполнять действие с наибольшим значением Q. В этом случае обучение применяется к способу присвоения значений Q, который полностью основан на вознаграждении. Когда агент входит в контакт с состоянием s и действием a, алгоритм затем оценивает общее значение вознаграждения, которое агент получит за выполнение этой пары действий состояния. После вычисления этих данных они сохраняются в памяти агента, и агент начинает действовать оттуда.

Агент будет постоянно изменять свое поведение в зависимости от наилучшего доступного ему значения Q. И по мере того, как он исследует все больше и больше среды, в конечном итоге он узнает самые оптимальные пары действий состояния для выполнения почти в каждой ситуации.

Следующая функция описывает основную часть алгоритма:

Q (s, a) ← - r + maxaQ (s ', a')

Учитывая состояние s и действие a, r и s - это награда и состояние после выполнения (s, a), а '- диапазон всех действий.

Рендеринг и анимация толпы

Реалистичное рендеринг и анимация большого количества агентов, особенно в реальном времени, сложно. Чтобы упростить 3D-рендеринг крупномасштабной толпы, используются такие приемы, как отбраковка (отбрасывание неважных объектов), самозванцы (im рендеринг на основе возраста) и пониженный уровень детализации. Различия во внешности, форме и размерах тела, аксессуарах и поведении (социальном или культурном) существуют в реальных толпах, и отсутствие разнообразия влияет на реалистичность визуальных симуляций. Существующие системы могут создавать виртуальные толпы с различной текстурой, цветом, размером, формой и анимацией.

Реальные приложения

Виртуальная кинематография

Моделирование толпы широко использовалось в фильмах как Экономичная и реалистичная альтернатива найму актеров и съемке кадров, которые в противном случае были бы нереальными. Яркий пример его использования - в Властелин колец (серия фильмов). Одной из самых серьезных проблем для производственной группы на начальных этапах были крупномасштабные сражения, поскольку автор романов Дж. Р. Р. Толкин предполагал, что в них будет не менее 50 000 участников. Такое количество было нереальным, если они решили нанять только настоящих актеров и актрис. Вместо этого они решили использовать компьютерный график для моделирования этих сценариев с помощью системы мобильных агентов в среде, известной как MASSIVE. Плагин Maya для моделирования толпы Miarmy на основе Human Logic Engine использовался для разработки Оптимизации этих последовательностей. Программное обеспечение создателей фильма предоставит каждую модель персонажа ИИ на основе агента. который мог использовать библиотеку из 350 анимаций. Основываясь на параметрах зрения, слуха и осязания, сгенерированных в результате моделирования, агенты будут реагировать на каждое уникальное состояние. Таким образом, каждый моделирование сцены было непредсказуемым. Конечный продукт использует преимущества программного обеспечения для моделирования толпы.

Городское планирование

Разработка программного обеспечения для моделирования толпы стала новым и полезным инструментом в проектировании городской среды. В то время как городской метод основан на картах и абстрактных эскизах, цифровое моделирование более способно передать как, так и замысел дизайна от архитектора к пешеходу. Например, уличные знаки и светофоры - это локализованные визуальные сигналы, которые побуждают пешеходов двигаться и вести себя соответствующим образом. Следуя этой логике, человек может перемещаться из точки эффективным способом. В более широком смысле автобусные системы и придорожные окрестности пространственной цели в своих местах благодаря пониманию передвижения людей. Серия видеоигр SimCity иллюстрирует эту концепцию в более упрощенной форме. В этой серии игрок определяет развитие города в индикации, сохраняя при этом разумный бюджет. Переход от пустой земли к шумному городу полностью контролируется выбором игрока, цифровые граждане ведут себя в соответствии с дизайном и событиями города.

Эвакуация и борьба с массовыми беспорядками

Смоделированные реалистичные толпы могут быть использованы в обучении управления массовыми беспорядками, архитектура, науке о безопасности (планирование эвакуации).

Военные

моделирование использования широко используется для государственного планирования и общего порядка в хаотических ситуациях, многие приложения могут быть использованы для правительственных военных симуляций. Моделирование толпы необходимо в симуляторах полиции и военных, чтобы обучать офицеров и солдат работе с массовыми скоплениями людей. Эти люди помогают справиться не только с наступательными боевыми действиями, но и с толпами, не участвующими в боевых действиях, помогают в том, чтобы эти агрессивные ситуации выходили из-под контроля. Игровые технологии используются для использования таких операций, чтобы солдаты и техники могли практиковать свои навыки.

Социология

Поведение смоделированной толпы играет роль в аналитических вопросах. Эта динамика зависит от физического поведения отдельных агентов в толпе, а не от визуальной реальности самой модели. Социальные модели поведения в рамках этих конструкций вызывают на протяжении многих лет, и социологические концепции, лежащие в основе этих конструкций, используются постоянно. Моделирование толпы в различных ситуациях позволяет социологически изучать реальные собрания людей в различных местах и местах. Вариации человеческого поведения в ситуации с разным уровнем развития позволяют создать стратегии борьбы с толпой, которые можно использовать в конкретных ситуациях, а не обобщать.

См.

Программное обеспечение для моделирования толпы

Alice Software от Moving Picture Company
Golaem Crowd
Massive (программное обеспечение)
Miarmy
Quadstone Paramics
VISSIM

Ссылки

Внешние ссылки

SteerSuite, среда с открытым исходным кодом для разработки и оценки алгоритмов моделирования толпы
Сун, Манкью; Глейхер, Майкл; Ченни, Стивен (2004). «Масштабируемое поведение для симуляции толпы». Форум компьютерной графики. 23 (3): 519–28. CiteSeerX 10.1.1.10.2516. DOI : 10.1111 / j.1467-8659.2004.00783.x. S2CID 3256678.