Моделирование толпы

Модель движения

Моделирование толпы – это процесс моделирования движения (илидинамика ) большого количества сущностей или персонажей. ^[1]Он обычно используется для созданиявиртуальных сцендля визуальных средств массовой информации, таких как фильмы ивидеоигры, а также используется в кризисном обучении,^[2]архитектуре и городском планировании,^[3]и моделировании эвакуации. ^[4]

Моделирование толпы может фокусироваться на аспектах, ориентированных на различные приложения. Для реалистичного и быстрого рендеринга толпы для визуальных медиа или виртуальной кинематографии используются снижение сложности 3D-сцены и рендеринг на основе изображений , ^[5] в то время как вариации (изменения) внешнего вида помогают представить реалистичное население. ^{[6] [7]}

В играх и приложениях, предназначенных для имитации движения толпы людей в реальной жизни , например, в симуляциях эвакуации, имитируемым агентам может потребоваться двигаться к цели, избегать столкновений и демонстрировать другое человеческое поведение. Многие алгоритмы управления толпой были разработаны для того, чтобы реалистично вести моделируемую толпу к своим целям. Исследуются некоторые более общие системы, которые могут поддерживать различные типы агентов (например, автомобили и пешеходы), ^[8] различные уровни абстракции (например, индивидуум и континуум), ^[9] агенты, взаимодействующие с интеллектуальными объектами, ^[10] и более сложные физические объекты. и социальная динамика . ^[11]

История

Всегда существовал глубокий интерес к пониманию и получению контроля над движениями и поведением толпы людей. С момента начала исследований в области моделирования толпы произошло много крупных достижений. Очевидно, что вслед за ними постоянно делается и публикуется множество новых результатов, которые повышают масштабируемость, гибкость, применимость и реалистичность моделирования:

В 1987 году поведенческую анимацию представил и разработал Крейг Рейнольдс . ^[12] Он моделировал стаи птиц рядом со стаями рыб с целью изучения групповой интуиции и движений. Всем агентам в этих симуляциях был предоставлен прямой доступ к соответствующим положениям и скоростям окружающих агентов. Теория и исследование, изложенные Рейнольдсом, были улучшены и развиты в 1994 году Сяоюань Ту , Деметрием Терзопулосом и Радеком Гжещуком. ^[13] Реалистичность моделирования была достигнута, поскольку отдельные агенты были оснащены синтетическим зрением и общим представлением об окружающей среде, в которой они находились, что позволяло воспринимать осознанность в их динамичной среде обитания.

Первоначальные исследования в области моделирования толпы начались в 1997 году, когда Даниэль Тельманн руководил докторской диссертацией Сорайи Раупп Муссе. Они представляют новую модель поведения толпы, чтобы создать симуляцию общих популяций. ^[14] Здесь проводится связь между автономным поведением индивида внутри толпы и возникающим из этого поведением. ^[15]

В 1999 году индивидуалистическая навигация начала свое развитие в сфере моделирования толпы благодаря продолжающимся исследованиям Крейга Рейнольдса. ^[16] Доказано, что поведение рулевого управления играет большую роль в процессе автоматизации агентов в рамках моделирования. Рейнольдс утверждает, что процессы передвижения на низком уровне зависят и зависят от рулевого поведения среднего уровня, а также целевых состояний и стратегий поиска пути более высокого уровня. Опираясь на передовые работы Рейнольдса, Мусс и Тельманн начали изучать моделирование этих толп в реальном времени и их применение к человеческому поведению. Контроль над человеческими толпами был обозначен как иерархическая организация с уровнями автономии среди агентов. Это знаменует собой начало моделирования индивидуального поведения в его самой элементарной форме на гуманоидных агентах или виртуальных людях . ^[17]

Одновременно с публикациями, посвященными моделям человеческого поведения и симуляциям группового поведения, популярность приобрело предложение Мэтта Андерсона, Эрика МакДэниела и Стивена Ченни об ограничениях поведения ^[18] . Позиционирование ограничений групповой анимации было представлено таким образом, чтобы его можно было выполнить в любой момент моделирования. Этот процесс применения ограничений к поведенческой модели осуществляется двояким образом: сначала определяется начальный набор целевых траекторий, совпадающих с ограничениями, а затем применяется к этим путям правила поведения для выбора тех, которые их не нарушают.

Сопоставляя и развивая результаты, предложенные в его работе с Мюссе, Тельманн, работая вместе с Братиславой Уличны и Пабло де Герасом Цехомским, предложил новую модель, которая позволяла интерактивно создавать агентов на уровне отдельного человека, группы агентов и сплошная толпа. Введена метафора кисти для распределения, моделирования и контроля участников толпы в режиме реального времени с немедленной обратной связью. ^[19]

Динамика толпы

Одна из основных целей моделирования толпы — реалистично управлять толпой и воссоздать динамическое поведение человека.

Существует несколько всеобъемлющих подходов к моделированию толпы и искусственному интеллекту, каждый из которых имеет свои преимущества и недостатки в зависимости от размера толпы и временного масштаба. Временной масштаб означает, как цель моделирования также влияет на продолжительность моделирования. Например, исследование социальных вопросов, таких как распространение идеологий среди населения, приведет к гораздо более длительному моделированию, поскольку такое событие может длиться до месяцев или лет. Используя эти две характеристики, исследователи попытались применить классификации, чтобы лучше оценить и организовать существующие симуляторы толпы. ^[20]

Потоковый подход

Моделирование толпы на основе потоков фокусируется на толпе в целом, а не на ее компонентах. Поскольку у таких людей нет каких-либо отличительных форм поведения, возникающих под влиянием их окружения, и поведенческие факторы в значительной степени уменьшаются. ^[21] Эта модель в основном используется для оценки потока движения большой и плотной толпы в заданной среде. Лучше всего использовать при изучении большого количества людей и краткосрочных целей.

Сущностный подход

В эту категорию попадают модели, которые реализуют набор физических, заранее определенных и глобальных законов, предназначенных для моделирования социальных/психологических факторов, возникающих у людей, являющихся частью толпы. Сущности в этом случае не обладают способностью в некотором смысле думать самостоятельно. Все движения определяются глобальными законами, которые к ним применяются. Моделирование, в котором используется эта модель, часто используется для исследования динамики толпы, такой как скопление и скопление людей. Маленькие и средние группы людей с краткосрочными целями лучше всего подходят для этого подхода.

Агентный подход

Характеризуется автономными, взаимодействующими личностями. ^[22] При таком подходе каждому агенту толпы придается определенная степень интеллекта; они могут реагировать на каждую ситуацию самостоятельно, основываясь на наборе правил принятия решений. Информация, используемая для принятия решения о действии, получается локально из окружения агента. Чаще всего этот подход используется для моделирования реалистичного поведения толпы, поскольку исследователю предоставляется полная свобода реализации любого поведения.

Системы частиц

Один из способов симулировать виртуальные толпы — использовать систему частиц . Системы частиц были впервые представлены в компьютерной графике У. Т. Ривзом в 1983 году. ^[23] Система частиц представляет собой совокупность ряда отдельных элементов или частиц . Каждая частица способна действовать автономно, и ей присвоен набор физических атрибутов (таких как цвет, размер и скорость).

Система частиц является динамической, поскольку движения частиц меняются со временем. Движение системы частиц делает ее такой желательной и простой в реализации. Расчет движений 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 частица имеет вектор скорости и вектор положения , содержащие информацию о текущей скорости и положении частицы соответственно. Следующее положение частицы рассчитывается путем добавления вектора ее скорости к вектору положения. Очень простая операция (опять же, почему системы частиц так желательны). Вектор ее скорости меняется со временем в ответ на силы, действующие на частицу. Например, столкновение с другой частицей заставит ее изменить направление.

Системы частиц широко использовались в фильмах для таких эффектов, как взрывы, для эффектов воды в фильме 2000 года « Идеальный шторм» и имитации газа в фильме 1994 года «Маска» .

Однако системы частиц имеют некоторые недостатки. Использование системы частиц для имитации агентов в толпе, которую режиссер будет перемещать по команде, может быть плохой идеей, поскольку определить, какие частицы принадлежат агенту, а какие нет, очень сложно.

Алгоритм Патила и Ван Ден Берга

Этот алгоритм был разработан для относительно упрощенных толп, где каждый агент в толпе желает добраться только до своей цели, избегая при этом препятствий. ^[24] Этот алгоритм можно использовать для моделирования толпы на Таймс-сквер.

Наиболее важной и отличительной особенностью алгоритма Патилса является то, что он использует концепцию полей навигации для управления агентами. Это отличается от поля наведения; Поле наведения — это область вокруг агента, в которой агент способен «видеть»/обнаруживать информацию. Поля навигации обычно используются для обхода препятствий, в частности динамических препятствий (движущихся препятствий). Каждый агент обладает собственным полем наведения. Поле навигации, с другой стороны, представляет собой векторное поле, которое вычисляет путь с минимальной стоимостью для каждого агента, чтобы каждый агент достиг своей собственной целевой позиции.

Поле навигации можно использовать правильно только в том случае, если существует путь от каждой свободной (без препятствий) позиции в окружающей среде до одной из целевых позиций. Поле навигации вычисляется с использованием координат статических объектов в среде, целевых позиций для каждого агента и поля навигации для каждого агента. Чтобы гарантировать достижение каждым агентом своей цели, поле навигации должно быть свободно от локальных минимумов, за исключением наличия стоков в указанных целях.

Время выполнения вычисления навигационного поля равно , где m × n — размерность сетки (аналогично алгоритму Дейкстры ). Таким образом, алгоритм зависит только от разрешения сетки и не зависит от количества агентов в среде. Однако этот алгоритм имеет высокую стоимость памяти. ${\displaystyle O(m*n*log(mn))}$

Моделирование индивидуального поведения

Одним из наборов методов моделирования толпы на основе искусственного интеллекта является моделирование поведения толпы путем расширенного моделирования мотивации и принятия решений отдельных агентов. Как правило, это означает, что каждому агенту назначается некоторый набор переменных, которые измеряют различные характеристики или статусы, такие как стресс, личность или различные цели. Это приводит к более реалистичному поведению толпы, хотя может потребовать больше вычислительных затрат, чем более простые методы.

Личностные модели

Одним из методов создания индивидуалистического поведения агентов толпы является использование личностных качеств. ^[25] У каждого агента могут быть настроены определенные аспекты его личности на основе формулы, которая связывает такие аспекты, как агрессивность или импульсивность, с переменными, которые управляют поведением агентов. Один из способов обнаружить эту связь — это субъективное исследование, в котором агентам случайным образом присваиваются значения этих переменных, и участников просят описать каждого агента с точки зрения этих личностных качеств. Затем можно провести регрессию, чтобы определить корреляцию между этими характеристиками и переменными агента. Затем личностные качества можно настроить и оказать соответствующее влияние на поведение агента.

Модель личности OCEAN использовалась для определения соответствия между чертами личности и параметрами моделирования толпы. Автоматизация настройки параметров толпы с учетом особенностей личности упрощает разработку сценариев с неоднородной толпой. ^[26]

Модель, основанная на стрессе

Поведение толпы в ситуациях высокого стресса можно смоделировать с помощью теории общего адаптационного синдрома1. ^[27] На поведение агентов влияют различные стрессоры из окружающей среды, которые подразделяются на четыре прототипа: давление времени, давление пространства, позиционные стрессоры и межличностные стрессоры. каждый со связанными математическими моделями.

Давление во времени относится к факторам стресса, связанным с ограничением времени для достижения конкретной цели. Примером может служить переход улицы с сигналом пешехода по таймеру или посадка в поезд до закрытия дверей. Этот прототип моделируется по следующей формуле:

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

где интенсивность дефицита времени как функция расчетного времени достижения цели и ограничения по времени . ${\textstyle I_{t}}$ ${\textstyle t_{e}}$ ${\displaystyle t_{a}}$

Давление территории относится к факторам стресса, возникающим в результате состояния окружающей среды. Примерами могут служить шум или жара в помещении. Интенсивность этого стрессора постоянна на определенной территории и моделируется следующей формулой:

${\displaystyle I_{a}={\begin{cases}c&{\text{if }}p_{a}\in A\\0&{\text{if }}p_{a}\not \in A\end{cases}}}$

где – интенсивность давления области, – положение агента в области , – константа. ${\textstyle I_{a}}$ ${\textstyle p_{a}}$ ${\displaystyle A}$ ${\displaystyle c}$

Позиционные стрессоры относятся к стрессорам, связанным с локальным источником стресса. Интенсивность этого стрессора увеличивается по мере приближения агента к источнику стресса. Примером может служить пожар или динамический объект, например нападавший. Его можно смоделировать по следующей формуле:

${\displaystyle I_{p}=\lVert p_{a}-p_{s}\rVert }$

где – интенсивность позиционного стрессора, – положение агента, – положение стрессора. В качестве альтернативы, факторы стресса, которые создают сильное напряжение на большой площади (например, пожар), можно смоделировать с использованием распределения Гаусса со стандартным отклонением : ${\displaystyle I_{p}}$ ${\displaystyle p_{a}}$ ${\displaystyle p_{s}}$ ${\displaystyle \sigma }$

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

Межличностные стрессоры — это стрессоры, возникающие в результате скопления близлежащих агентов. Его можно смоделировать по следующей формуле:

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

где – интенсивность межличностного стрессора, – текущее количество соседей в единице пространства и – предпочтительное количество соседей в единице пространства для этого конкретного агента. ${\displaystyle I_{i}}$ ${\displaystyle n_{c}}$ ${\displaystyle n_{p}}$

Воспринимаемый стресс подчиняется закону Стивена и моделируется по формуле:

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

где – воспринимаемый стресс для уровня стресса , – масштабный коэффициент, – показатель степени, зависящий от типа стрессора. ${\displaystyle \psi (I)}$ ${\displaystyle I}$ ${\displaystyle k}$ ${\displaystyle n}$

Реакцию агента на стресс можно найти по следующей формуле:

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

где – реакция на стресс ограничена максимальным значением и – максимальная скорость, с которой может измениться реакция на стресс агента. ${\displaystyle S}$ ${\displaystyle \beta }$ ${\displaystyle \alpha }$

Примеры примечательного моделирования толпы с помощью ИИ можно увидеть в фильмах New Line Cinema « Властелин колец» , где армии ИИ, состоящие из тысяч персонажей, сражаются друг с другом. Эта симуляция толпы была сделана с использованием программного обеспечения Massive от Weta Digital .

Социология

Симуляция толпы может также относиться к симуляциям, основанным на групповой динамике , психологии толпы и даже социальном этикете . ^[28] В данном случае основное внимание уделяется поведению толпы, а не обязательно визуальному реализму симуляции. Толпы изучаются как предмет научного интереса с конца XIX века. Многие исследования были сосредоточены на коллективном социальном поведении людей на общественных собраниях, собраниях, протестах, восстаниях, концертах, спортивных мероприятиях и религиозных церемониях. Получение понимания естественного поведения человека в различных типах стрессовых ситуаций позволит создать более совершенные модели, которые можно будет использовать для разработки стратегий контроля толпы, часто при планировании общественной безопасности.

Группы реагирования на чрезвычайные ситуации, такие как полицейские, Национальная гвардия, военные и даже волонтеры, должны пройти определенную подготовку по борьбе с толпой. Использование исследованных принципов человеческого поведения в толпе может дать разработчикам обучения катастрофам больше элементов, которые можно использовать для создания реалистичных моделируемых катастроф. Поведение толпы можно наблюдать как в условиях паники, так и в условиях отсутствия паники. Военные программы больше ориентируются на моделируемое обучение, включающее реагирование на чрезвычайные ситуации, из-за их экономически эффективной технологии, а также того, насколько эффективно обучение может быть перенесено в реальный мир. ^{[ нужна цитата ]} Многие события, которые могут начаться с контроля, могут иметь неожиданные последствия, которые превращают их в катастрофические ситуации, когда решения необходимо принимать на месте. Именно в таких ситуациях понимание динамики толпы может сыграть жизненно важную роль в уменьшении вероятности хаоса.

Методы моделирования толпы варьируются от целостного или сетевого подхода до понимания индивидуалистических или поведенческих аспектов каждого агента. Например, Модель социальной силы описывает потребность людей найти баланс между социальным взаимодействием и физическим взаимодействием. Подход, который включает в себя оба аспекта и способен адаптироваться в зависимости от ситуации, лучше описывает естественное человеческое поведение, всегда включающее некоторую долю непредсказуемости. С использованием мультиагентных моделей понимание этого сложного поведения стало гораздо более понятной задачей. Благодаря использованию этого типа программного обеспечения системы теперь можно тестировать в экстремальных условиях и моделировать условия в течение длительных периодов времени за считанные секунды.

В некоторых ситуациях поведение стаи животных, кроме человека, можно использовать в качестве экспериментальной модели поведения толпы. Было обнаружено , что паническое поведение муравьев при воздействии репеллентного химического вещества в замкнутом пространстве с ограниченными путями выхода имеет как сходство, так и различия с эквивалентным человеческим поведением. ^{[29] [30]}

Моделирование индивидуального поведения

Хакоэн, Шовал и Швальб ^[31] сформулировали динамику водителей-пешеходов в перегруженных точках конфликта. В таких случаях водители и/или пешеходы не соблюдают правила дорожного движения. Модель основана на функции вероятностной навигации (PNF), которая изначально была разработана для планирования движения робототехники. Алгоритм строит траекторию по вероятности столкновения в каждой точке всей площади пересечения. Затем пешеход следует по траектории, которая локально минимизирует предполагаемую вероятность столкновения.

Хелбинг предложил модель, основанную на физике, использующую систему частиц и социально-психологические силы, для описания поведения толпы людей в ситуации паники, теперь она называется моделью Хелбинга. Его работа основана на том, как обычный человек отреагировал бы в определенной 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 действуют в групповой структуре. Например, один человек может не отреагировать на паническую ситуацию, а другой может остановиться и вмешаться в динамику толпы в целом. Более того, в зависимости от структуры группы индивидуальное действие может меняться, поскольку агент является частью группы, например, возвращаясь в опасное место, чтобы спасти члена этой группы. Модель Хелбинга можно обобщить, включив в нее индивидуализм, как это предложили Браун, Мюссе, Оливейра и Бодманн. ^[32]

Чтобы решить эту проблему, каждому агенту необходимо присвоить индивидуальность, позволяющую справляться с различными типами поведения. Другим аспектом решения этой проблемы является возможность группировать людей, формирование этой группы заставляет людей менять свое поведение как функцию части групповой структуры. Каждый агент (индивидуал) может быть определен по следующим параметрам:

1. Id – идентификатор агента
2. IdFamily — идентификатор семейства. Семья — это заранее определенная группа, образованная агентами, которые знают друг друга.
3. DE – Уровень зависимости агента, имитирующий потребность в помощи. Значения [0,1]
4. AL – уровень альтруизма, отражающий склонность помогать другим агентам. Значения [0,1]
5. vi _– Скорость агента

Чтобы смоделировать влияние параметра зависимости на отдельных агентов , уравнение определяется как:

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

При оценке скорости агента ясно, что если значение коэффициента зависимости DE равно единице, то человек будет полностью инвалидом и не сможет двигаться. Если коэффициент зависимости равен нулю, то человек способен бежать с максимальной скоростью.

Формирование группы связано с силой Альтруизма, которая реализуется как сила взаимодействия между двумя или более агентами, входящими в одну семью. Математически это описывается следующим образом:

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

где:

d _ij представляет собой расстояние между двумя агентами с началом координат в положении агента;

d _ip — точка вектора расстояния от агентов до положения двери p в среде моделирования;

К – константа;

e _ij — унитарный вектор с началом в позиции i.

Следовательно, чем больше параметр AL _i агента i , тем больше будет Fā _i , который указывает на агент 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 ( ). Это означает, что способность агента i к эвакуации разделяется с агентом j , и оба начинают двигаться вместе. ${\displaystyle DE_{j}=DE_{i}}$

При использовании этих уравнений при тестировании модели с использованием нормально распределенной совокупности результаты очень похожи на модель Хелбинга.

Места, где это было бы полезно, могут быть в сценарии эвакуации. Возьмем, к примеру, эвакуацию из здания в случае пожара. Принимая во внимание характеристики отдельных агентов и их групповые действия, определение того, как толпа будет выходить из здания, имеет решающее значение при создании планировки здания. ^[32]

Поведение лидера во время моделирования эвакуации

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

В общем, первое, что следует предположить, это то, что не все обладают знаниями об окружающей среде или о том, где есть и где нет опасностей. Исходя из этого предположения, мы можем создать три типа агентов. Первый тип — это обученный лидер, этот агент знает об окружающей среде и способен распространять знания среди других агентов, чтобы они знали, как выйти из среды. Следующий тип агента — неподготовленный лидер, этот агент не знает об окружающей среде, однако по мере того, как агент исследует среду и получает информацию от других типов лидеров, агент способен распространять знания об окружающей среде. Последний тип агентов — это последователи. Агенты этого типа могут получать информацию только от других лидеров и не могут делиться этой информацией с другими агентами.

Реализация этих типов агентов довольно проста. У лидеров окружения есть карта окружения, сохраненная в качестве одного из их атрибутов. Неподготовленный лидер и его последователи начнут с пустой карты в качестве атрибута. Неподготовленные лидеры и последователи начнут самостоятельно исследовать окружающую среду и создавать карту проходимых и недоступных мест. Лидеры и неподготовленные лидеры (как только они получат знания) будут делиться информацией с другими агентами в зависимости от их близости. Они поделятся информацией о том, какие точки сетки заблокированы, о местных подграфах и об опасностях в этом районе.

Для этой реализации было опробовано два типа алгоритмов поиска. Был случайный поиск и поиск в глубину. Случайный поиск — это когда каждый из агентов идет в любом направлении через окружающую среду и пытается найти выход. Поиск в глубину — это когда агенты следуют по одному пути настолько далеко, насколько это возможно, затем возвращаются и пробуют другой путь, если путь, который они прошли, не содержит выхода. Было обнаружено, что поиск в глубину дает увеличение скорости в 15 раз по сравнению со случайным поиском. ^[33]

Масштабируемое моделирование

При моделировании толпы можно использовать множество различных ситуаций. ^[34] В последнее время моделирование толпы стало важным для многих приложений виртуальной среды, таких как образование, обучение и развлечения. Многие ситуации основаны на среде моделирования или поведении группы локальных агентов. В приложениях виртуальной реальности каждый агент взаимодействует со многими другими агентами в среде, что требует сложных взаимодействий в реальном времени. Агенты должны иметь постоянные изменения в среде, поскольку поведение агентов допускает сложные взаимодействия. Масштабируемая архитектура может управлять большими группами людей посредством поведения и интерактивных ставок. Эти ситуации покажут, как толпа будет действовать в нескольких сложных сценариях, когда применяются несколько различных ситуаций. Ситуацией может быть любое обстоятельство, имеющее типичное локальное поведение. Мы можем разделить все ситуации на два разных типа.

Пространственная ситуация – это ситуация, в которой есть регион, в котором окружающая среда влияет на местных агентов. Например, толпа, ожидающая очереди к билетной кассе, 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, в которой поведение агентов заключается в том, чтобы сесть в автобус или выйти из него.

Непространственная ситуация не имеет региона в окружающей среде, поскольку она включает в себя только поведение толпы. Отношения местных агентов являются важным фактором, который следует учитывать при определении поведения. Примером может служить группа друзей, идущих вместе. Типичное поведение персонажей-друзей будет двигаться вместе друг с другом. Это означает, что «дружба» будет ситуацией среди типичного поведения совместной прогулки.

Структура любой ситуации строится на четырех компонентах: функциях поведения, сенсорах, состояниях и правилах событий. Функции поведения отражают особенности поведения персонажей в конкретной ситуации. Датчики — это сенсорная способность агентов видеть события и реагировать на них. Состояния — это различные движения и переходы состояний, используемые только для локального поведения. Правило событий — это способ связать различные события с их конкретным поведением. Пока персонаж попадает в ситуацию, эти четыре компонента рассматриваются одновременно. Для пространственных ситуаций компоненты добавляются, когда человек изначально попадает в среду, влияющую на персонажа. В непространственных ситуациях на персонажа воздействуют только после того, как пользователь назначает персонажу ситуацию. Четыре компонента удаляются, когда агента убирают из его области ситуаций или удаляют саму ситуацию. Динамическое добавление и удаление ситуаций позволяет нам создавать масштабируемые агенты.

Человеческое поведение и искусственный интеллект толпы

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

Чтобы смоделировать больше аспектов человеческой деятельности в толпе, необходимо нечто большее, чем просто планирование траектории и движения. Сложные социальные взаимодействия, манипулирование смарт-объектами и гибридные модели являются проблемами в этой области. Имитация поведения толпы основана на потоке реальных толп. Модели поведения, скорости и плотности движения, а также аномалии анализируются во многих средах и типах зданий. Отдельные люди отслеживаются , а их перемещения документируются, поэтому можно разработать алгоритмы и реализовать их при моделировании 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 определенной степенью интеллекта (т. е. агенты не должны совершать действия, которые могли бы 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. Терзопулос и его ученики впервые разработали агентно-ориентированные модели пешеходов — подход, называемый симуляцией нескольких человек, чтобы отличить его от обычного моделирования толпы. ^{[22] [35] [28]}

ИИ, основанный на правилах

Иерархия потребностей Маслоу

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

Например, рассмотрим ученика, идущего в класс, который сталкивается со взрывом и убегает. Теория, лежащая в основе этого, заключается в том, что изначально первые четыре уровня его потребностей удовлетворяются, и ученик действует в соответствии со своей потребностью в самореализации. Когда происходит взрыв, его безопасность оказывается под угрозой, а это гораздо более сильная потребность, заставляющая его действовать в соответствии с этой потребностью.

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

Изучение ИИ

При изучении ИИ виртуальные персонажи ведут себя проверенным образом, что помогает им достичь своих целей. Агенты экспериментируют со своей средой или с образцом среды, похожей на их реальную.

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

Если используется 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 подполю 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 вступает в контакт с состоянием s и действием a, алгоритм затем оценивает общее значение вознаграждения, которое агент получит за выполнение этой пары действий состояния. После расчета этих данных они затем сохраняются в знаниях агента, и агент продолжает действовать оттуда.

Агент будет постоянно менять свое поведение в зависимости от наилучшего доступного ему значения Q. И по мере того, как он исследует все больше и больше окружающей среды, он в конечном итоге выучит наиболее оптимальные пары действий состояний для выполнения практически в любой 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 a’ — это диапазон всех действий. ^[36]

Рендеринг и анимация толпы

Реалистичная визуализация и анимация большого количества агентов, особенно в реальном времени, является сложной задачей. Чтобы уменьшить сложность 3D-рендеринга больших скоплений людей, использовались такие методы, как отбраковка (отбрасывание неважных объектов), самозванцы (рендеринг на основе изображений) и снижение уровня детализации. ^[37] В реальных толпах существуют различия во внешнем виде, форме и размере тела, аксессуарах и поведении (социальном или культурном), а отсутствие разнообразия влияет на реализм визуальных симуляций. Существующие системы могут создавать виртуальные толпы с различной текстурой, ^[7] цветом, ^[38] размером, формой и анимацией. ^[6]

Реальные приложения

Виртуальный кинематограф

Моделирование толпы широко использовалось в фильмах как экономичная и реалистичная альтернатива найму актеров и съемке кадров, которые в противном случае были бы нереалистичны. Ярким примером его использования является «Властелин колец» (сериал) . Одной из самых явных проблем для съемочной группы на начальных этапах были масштабные сражения, поскольку автор романов Дж. Р. Р. Толкиен предполагал, что в них будет участвовать не менее 50 000 человек. Такое количество было бы нереальным, если бы они решили попытаться нанять только настоящих актеров и актрис. Вместо этого они решили использовать компьютерную графику для моделирования этих сцен с помощью системы моделирования нескольких агентов в виртуальной среде, также известной как MASSIVE. Для разработки этих последовательностей использовался плагин Maya для моделирования толпы Miarmy на базе Human Logic Engine . Программное обеспечение позволило создателям фильма снабдить каждую модель персонажа искусственным интеллектом на основе агента, который мог использовать библиотеку из 350 анимаций. На основе параметров зрения, слуха и осязания, полученных в результате моделирования, агенты будут реагировать уникальным образом на каждую ситуацию. Таким образом, каждая симуляция сцены была непредсказуемой. Конечный продукт ясно продемонстрировал преимущества использования программного обеспечения для моделирования толпы.^[39]

Городское планирование

Разработка программного обеспечения для моделирования толпы стала современным и полезным инструментом проектирования городской среды. В то время как традиционный метод городского планирования опирается на карты и абстрактные эскизы, цифровое моделирование более способно передать форму и замысел дизайна от архитектора к пешеходу. Например, уличные знаки и светофоры являются локализованными визуальными сигналами, которые заставляют пешеходов двигаться и вести себя соответствующим образом. Следуя этой логике, человек может перемещаться из точки А в точку Б эффективным способом, и в результате коллективная группа людей может действовать более эффективно. В более широком смысле автобусные системы и придорожные рестораны служат пространственным целям в своих местах за счет понимания моделей передвижения людей. ^[40] Серия видеоигр SimCity иллюстрирует эту концепцию в более упрощенной форме. В этой серии игрок распределяет развитие города в определенных зонах, сохраняя при этом здоровый бюджет. Переход от пустынной земли к шумному городу полностью контролируется выбором игрока, и цифровые граждане ведут себя в соответствии с замыслом города и событиями.

Эвакуация и борьба с беспорядками

Имитированные реалистичные толпы можно использовать при обучении методам борьбы с беспорядками, архитектуре, науке о безопасности (планированию эвакуации).

Военный

Поскольку моделирование толпы настолько широко используется для общественного планирования и общего порядка в хаотических ситуациях, правительственное и военное моделирование может найти множество применений. Моделирование толпы имеет важное значение в полицейских и военных симуляторах, чтобы научить офицеров и солдат справляться с массовыми скоплениями людей. Этим людям не только трудно справиться с наступательными комбатантами, но и толпы мирных жителей играют важную роль в том, что эти агрессивные ситуации становятся еще более выходящими из-под контроля. Игровые технологии используются для моделирования таких ситуаций, позволяющих солдатам и техникам практиковать свои навыки. ^[41]

Социология

Поведение моделируемой толпы играет важную роль в аналитических вопросах. Эта динамика зависит от физического поведения отдельных агентов в толпе, а не от визуальной реальности самой модели. Социальное поведение людей в рамках этих конструктов вызывает интерес уже многие годы, а социологические концепции, лежащие в основе этих взаимодействий, постоянно изучаются. Моделирование толп в различных ситуациях позволяет провести социологическое исследование реальных собраний в различных местах и ​​расположениях. Различия в поведении человека в ситуациях с разным уровнем стресса позволяют разрабатывать и создавать стратегии борьбы с толпой, которые можно более конкретно применять к ситуациям, а не обобщать.

Смотрите также

• 3D компьютерная графика
• Искусственный интеллект
• Анализ толпы
• Эмерджентное поведение
• Мультиагентная система
• Система частиц

Программное обеспечение для моделирования толпы

• ШАГИ от Мотта Макдональда
• Программное обеспечение Alice от компании Moving Picture
• Голаемская толпа
• Массивный (программное обеспечение)
• Миармия
• Квадстоун Парамика
• ВИССИМ

Рекомендации

1. Тельманн, Дэниел (2016). «Имитация толпы». Энциклопедия компьютерной графики и игр . стр. 1–8. дои : 10.1007/978-3-319-08234-9_69-1. ISBN 978-3-319-08234-9.
2. http://cc.ist.psu.edu/BRIMS/archives/2007/papers/07-BRIMS-025.pdf. Архивировано 21 декабря 2016 г. в Wayback Machine. Жером Комптдаер, Эммануэль Чива, Стефан Делорм, Анри Морле, Жером Вольпоэ, Многомасштабные поведенческие модели для моделирования городских кризисных ситуаций.
3. Дреттакис, Джордж; Руссу, Мария; Рече, Алекс; Цингос, Николас (2007). «Проектирование и оценка реальной виртуальной среды для архитектуры и городского планирования» (PDF) . Присутствие: Телеоператоры и виртуальные среды . 16 (3): 318–32. дои : 10.1162/pres.16.3.318. S2CID  15945042.
4. Гвинн, С.; Галеа, скорая помощь; Оуэн, М.; Лоуренс, ПиДжей; Филиппидис, Л. (1999). «Обзор методологий, используемых при компьютерном моделировании эвакуации из застроенной среды». Строительство и окружающая среда . 34 (6): 741–9. дои : 10.1016/S0360-1323(98)00057-2.
5. Теккья, Франко; Лоскос, Селин; Хрисанту, Йоргос (2002). «Визуализация толпы в реальном времени». Форум компьютерной графики . 21 (4): 753–65. дои : 10.1111/1467-8659.00633. S2CID  17920285.
6. Тельманн, Дэниел; Гриллон, Хелена; Майм, Джонатан; Йерсин, Барбара (2009). «Проблемы моделирования толпы». 2009 Международная конференция по кибермирам . стр. 1–12. CiteSeerX 10.1.1.365.5045 . дои : 10.1109/CW.2009.23. ISBN  978-1-4244-4864-7. S2CID  12214496.
7. Майм, Дж.; Йерсин, Б.; Тельманн, Д. (2009). «Уникальные экземпляры персонажей для толпы». IEEE Компьютерная графика и приложения . 29 (6): 82–90. дои : 10.1109/MCG.2009.129. PMID  24806782. S2CID  13903301.
8. Чао, Цяньвэнь; Дэн, Чжиган; Цзинь, Сяоган (2015). «Взаимодействие автомобиля и пешехода при моделировании смешанного дорожного движения». Компьютерная анимация и виртуальные миры . 26 (3–4): 405–12. дои : 10.1002/cav.1654. S2CID  15616437.
9. Сьюэлл, Джейсон; Уилки, Дэвид; Линь, Мин К. (2011). «Интерактивное гибридное моделирование крупномасштабного дорожного движения». Транзакции ACM с графикой . 30 (6): 1. дои :10.1145/2070781.2024169.
10. Каллманн, Марсело; Тельманн, Дэниел (1999). «Моделирование объектов для задач взаимодействия». Компьютерная анимация и моделирование '98 . Еврографика. стр. 73–86. CiteSeerX 10.1.1.550.2013 . дои : 10.1007/978-3-7091-6375-7_6. ISBN  978-3-211-83257-8.
11. http://dl.acm.org/citation.cfm?id=1272705 Пелечано, Н. и Оллбек, Дж. М. и Бэдлер, Н. И. Управление отдельными агентами в моделировании толпы с высокой плотностью населения. В материалах симпозиума ACM SIGGRAPH/Eurographics 2007 года по компьютерной анимации. ISBN 978-1-59593-624-0 
12. Рейнольдс, Крейг (1987). «Стада, стада и школы: распределенная поведенческая модель». Материалы 14-й ежегодной конференции «Компьютерная графика и интерактивные технологии» . Том. Июль 1987. стр. 25–34. CiteSeerX 10.1.1.103.7187 . дои : 10.1145/37401.37406. ISBN  978-0897912273. S2CID  546350.
13. Терзопулос, Деметрий; Ту, Сяоюань; Гжещук, Радек (1994). «Искусственные рыбы: автономное передвижение, восприятие, поведение и обучение в моделируемом физическом мире» (PDF) . Искусственная жизнь . 1 (4): 327–51. CiteSeerX 10.1.1.33.8131 . дои :10.1162/артл.1994.1.4.327. S2CID  1423225. 
14. Тельманн, Дэниел; Муссе, Сорайя Раупп (4 октября 2012 г.). Моделирование толпы. Springer Science & Business Media. ISBN 978-1-4471-4449-6.
15. Муссе, СР; Тельманн, Д. (1997). «Модель поведения людей в толпе: групповые взаимоотношения и анализ обнаружения столкновений». Компьютерная анимация и моделирование '97 . Еврографика. стр. 39–51. CiteSeerX 10.1.1.14.7049 . дои : 10.1007/978-3-7091-6874-5_3. ISBN  978-3-211-83048-2.
16. «Управление поведением автономных персонажей». www.red3d.com . Проверено 17 декабря 2016 г.
17. Муссе, СР; Тельманн, Д. (2001). «Иерархическая модель для моделирования виртуальных человеческих толп в реальном времени». Транзакции IEEE по визуализации и компьютерной графике (представленная рукопись). 7 (2): 152–64. дои : 10.1109/2945.928167.
18. Мэтт Андерсон; Эрик МакДэниел; Стивен Ченни (26–27 июля 2003 г.). «Сдержанная анимация стай». SCA '03 Материалы симпозиума ACM SIGGRAPH/Eurographics 2003 г. по компьютерной анимации. стр. 286–297. ISBN 1-58113-659-5.
19. Уличный, Бранислав; Цехомский, Пабло де Эрас; Тельманн, Дэниел (2004). «Кроудбраш». Материалы симпозиума ACM SIGGRAPH/Eurographics 2004 г. по компьютерной анимации – SCA '04. стр. 243–52. дои : 10.1145/1028523.1028555. ISBN 978-3-905673-14-2. S2CID  6233071.
20. Чжоу, Суйпин; Чен, Дэн; Цай, Вэньтун; Ло, Линьбо; Лоу, Малкольм Йок Хин; Тянь, Фэн; Тай, Виктор Су-Хан; Онг, Даррен Ви Сзе; Гамильтон, Бенджамин Д. (2010). «Технологии массового моделирования и симуляции» (PDF) . ACM-транзакции по моделированию и компьютерному моделированию . 20 (4): 1–35. дои : 10.1145/1842722.1842725. hdl : 10149/118022. S2CID  15442237.
21. Дегонд, Пьер; Наворет, Лоран; Бон, Ричард; Санчес, Дэвид (2010). «Заторы в макроскопической модели самодвижущихся частиц, моделирующих стадность». Журнал статистической физики . Спрингер . 138 (1–3): 85–125. arXiv : 0908.1817 . Бибкод : 2010JSP...138...85D. doi : 10.1007/s10955-009-9879-x. S2CID  18007157.
22. Шао, Вэй; Терзопулос, Деметрий (сентябрь – ноябрь 2007 г.). «Автономные пешеходы» (PDF) . Графические модели . 69 (5–6 «Специальный выпуск SCA 2005»): 246–274. дои : 10.1016/j.gmod.2007.09.001. ISSN  1524-0703.
23. Коэн, Эяль; Наджман, Лоран (1 января 1997 г.). «От моделирования толпы до раскрытия подушек безопасности: системы частиц, новая парадигма моделирования». Журнал электронных изображений . 6 (1): 94. Бибкод : 1997JEI.....6...94B. дои : 10.1117/12.261175. ISSN  1017-9909.
24. Патил, Сачин; Ван Ден Берг, Юр ; Кертис, Шон; Линь, Мин С; Маноча, Динеш (2011). «Управление симуляцией толпы с помощью полей навигации». Транзакции IEEE по визуализации и компьютерной графике . 17 (2): 244–54. CiteSeerX 10.1.1.183.7823 . дои : 10.1109/TVCG.2010.33. PMID  21149879. S2CID  2599701. 
25. Гай, Стивен Дж.; Ким, Суджон; Линь, Мин К.; Маноча, Динеш (2011). «Моделирование гетерогенного поведения толпы с использованием теории черт личности». Материалы симпозиума ACM SIGGRAPH/Eurographics 2011 г. по компьютерной анимации – SCA '11 . стр. 43–52. дои : 10.1145/2019406.2019413. ISBN 978-1-4503-0923-3. S2CID  1478678.
26. Дурупинар, Фунда; Пелечано, Нурия; Оллбек, Ян; Гудукбай, Угур; Бэдлер, Норман И. (2011). «Как модель личности океана влияет на восприятие толпы». IEEE Компьютерная графика и приложения . 31 (3): 22–31. дои : 10.1109/MCG.2009.105. HDL : 11693/11800 . PMID  24808089. S2CID  6300564.
27. Ким, Суджон; Гай, Стивен Дж.; Маноча, Динеш; Линь, Мин К. (2012). «Интерактивное моделирование динамического поведения толпы с использованием общей теории адаптационного синдрома». Материалы симпозиума ACM SIGGRAPH по интерактивной 3D-графике и играм — I3D '12 . стр. 55–62. CiteSeerX 10.1.1.673.3693 . дои : 10.1145/2159616.2159626. ISBN  978-1-4503-1194-6. S2CID  7093705.
28. Хуан, Вэньцзя; Терзопулос, Деметрий (март 2020 г.). «Этикет дверей и дверных проемов для виртуальных людей» (PDF) . Транзакции IEEE по визуализации и компьютерной графике . 26 (3): 1502–1517. дои : 10.1109/TVCG.2018.2874050. ISSN  1077-2626. PMID  30295624. S2CID  52927064.
29. Н. Шивакоти и др., «Подход, основанный на динамике животных, для моделирования выхода толпы пешеходов в условиях паники», Transportation Research Part B 45 (2011) 1433-1449.
30. С. Ван и др., «Поведение муравьев, сбегающих из комнаты с одним выходом», PLoS One. 2015 г.; 10(6): e0131784.
31. Хакоэн С., Швальб Н. и Шовал С. (2018). Динамическая модель пешеходного перехода в условиях заторов на основе вероятностной навигационной функции. Транспортные исследования, часть C: новые технологии, 86, 78-96.
32. Браун, А.; Муссе, СР; Де Оливейра, LPL; Бодманн, БЭЖ (2003). «Моделирование индивидуального поведения в симуляции толпы». Материалы 11-го международного семинара IEEE по пониманию программ . стр. 143–8. дои : 10.1109/CASA.2003.1199317. ISBN 978-0-7695-1934-0. S2CID  33477396.
33. Пелечано, Нурия; Бэдлер, Норман (2006). «Моделирование поведения толпы и обученных лидеров во время эвакуации зданий». IEEE Компьютерная графика и приложения . 26 (6): 80–6. дои :10.1109/MCG.2006.133. hdl : 2117/10047 . PMID  17120916. S2CID  14384959.
34. Вигерас, Г.; Лозано, М.; Перес, К.; Ордунья, Дж. М. (2008). «Масштабируемая архитектура для моделирования толпы: реализация сервера параллельных действий». 2008 37-я Международная конференция по параллельной обработке . стр. 430–7. дои :10.1109/ICPP.2008.20. S2CID  1435019.
35. Ю, Циньцинь; Терзопулос, Деметрий (август 2007 г.). «Структура сети принятия решений для поведенческой анимации виртуальных людей» (PDF) . Учеб. Симпозиум ACM SIGGRAPH/Eurographics по компьютерной анимации (SCA'07) . Сан-Диего, Калифорния. стр. 119–128.
36. Торри, Л. Моделирование толпы посредством многоагентного обучения с подкреплением. В: Материалы шестой конференции AAAI по искусственному интеллекту и интерактивным цифровым развлечениям . AAAI Press, Менло-Парк (2010)
37. Обель, А.; Булик, Р.; Тельманн, Д. (2000). «Отображение виртуальных людей в реальном времени: уровни детализации и самозванцы». Транзакции IEEE по схемам и системам видеотехнологий . 10 (2): 207–17. дои : 10.1109/76.825720.
38. Госселин, Дэвид Р.; Сандер, Педро В.; Митчелл, Джейсон Л. (2004). «Рисуем толпу». В Энгеле, Вольфганге (ред.). ShaderX3: расширенные методы рендеринга в DirectX и OpenGL . Кембридж, Массачусетс: Charles River Media. стр. 505–17. ISBN 9781584503576.
39. http://people.ucalgary.ca/~far/Lectures/SENG697/PDF/tutorials/2002/Multiple_Agent_Simulation_System_in_a_Virtual_Environment.pdf Дэвис Гай. Многоагентная система моделирования в виртуальной среде.
40. http://papers.cumincad.org/data/works/att/ecaade2008_160.content.pdf Ашванден, Гидеон. Халач, Ян Шмитт, Герхард. Моделирование толпы для городского планирования.
41. Маккензи, Флорида; Петти, доктор медицины; Крушевский, Пенсильвания; Гаскинс, Р.К.; Нгуен, К.-АХ; Зевинк, Дж.; Вайзель, EW (2007). «Интеграция моделирования поведения толпы в военное моделирование с использованием игровых технологий». Симуляторы и игры . 39 : 10–38. дои : 10.1177/1046878107308092. S2CID  7709873.

Внешние ссылки

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