Симуляция толпы - Crowd simulation - Wikipedia

Симуляция толпы это процесс имитации движения (или динамика) большого количества сущностей или персонажей.^[1] Обычно используется для создания виртуальные сцены для визуальных медиа, таких как фильмы и видеоигры, а также используется в кризисном обучении,^[2] архитектура и градостроительство,^[3] и моделирование эвакуации.^[4]

Моделирование толпы может фокусироваться на аспектах, нацеленных на разные приложения. Для реалистичного и быстрого рендеринг толпы для визуальных медиа или виртуальная кинематография, снижение сложности 3D сцена и рендеринг на основе изображений используются,^[5] в то время как различия во внешнем виде помогают представить реалистичное население.^[6][7]

В играх и приложениях, имитирующих реальную жизнь. человек Движение толпы, как и в симуляциях эвакуации, имитируемым агентам может потребоваться двигаться к цели, избегать столкновений и демонстрировать другое человеческое поведение. Многие алгоритмы управления толпой были разработаны, чтобы реалистично привести смоделированную толпу к своим целям. Исследуются некоторые более общие системы, которые могут поддерживать различные типы агентов (например, автомобили и пешеходы),^[8] разные уровни абстракции (например, индивидуальный и континуум),^[9] агенты, взаимодействующие со смарт-объектами,^[10] и более сложная физическая и социальная динамика.^[11]

История

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

В 1987 году поведенческая анимация была представлена ​​и разработана компанией Крейг Рейнольдс.^[12] 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 улучшены и основаны в 1994 г. Сяоюань Ту, Деметри Терзопулос и Радек Гжещук.^[13] Реалистичное качество симуляции было задействовано, поскольку отдельные агенты были оснащены синтетическим зрением и общим взглядом на среду, в которой они проживали, что позволяло перцептивное восприятие в пределах их динамической среды обитания.

Первые исследования в области моделирования толпы начались в 1997 г. Даниэль Тельманн руководитель докторской диссертации Сораи Рауппа Мюссе. Эти двое представляют новую модель поведения толпы, чтобы создать симуляцию типовых популяций.^[14] Здесь проводится связь между автономным поведением индивида в толпе и возникающим из этого поведением.^[15]

В 1999 году индивидуалистическая навигация начала свое развитие в сфере моделирования толпы благодаря продолжению исследований Крейга Рейнольдса.^[16] Доказано, что рулевое поведение играет большую роль в процессе автоматизации агентов в симуляции. Рейнольдс утверждает, что процессы низкоуровневой локомоции 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, Мюссе и Тельмана, начали изучать моделирование моделирование в реальном времени этих толп и их применение к человеческому поведению. Управление человеческими толпами было обозначено как иерархическая организация с уровнями автономии агентов. Это знаменует начало моделирования индивидуального поведения в его самой элементарной форме на гуманоидных агентах.^[17]

Совпадает с публикациями, касающимися моделей человеческого поведения и моделирования группового поведения, предложения Мэтта Андерсона, Эрика МакДэниела и Стивена Ченни об ограничениях на поведение^[18] приобрел популярность. Позиционирование ограничений для групповых анимаций было представлено таким образом, чтобы их можно было сделать в любое время в рамках моделирования. 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, предложенные в его работе с Мюссе, Тельманн, работая вместе с Братиславой Уличны и Пабло де Герас Чехомски, предложил новую модель, которая позволила интерактивное создание агентов на уровне отдельного человека, группы агентов и целая толпа. Метафора кисти используется для распределения, моделирования и управления участниками толпы в режиме реального времени с немедленной обратной связью.^[19]

Толпа динамика

Одна из основных целей симуляции толпы - реалистичное управление толпой и воссоздание динамического поведения человека.

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 среди населения, приведет к гораздо более длительной симуляции, 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 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 значительной степени снижаются.^[21] Эта модель в основном используется для оценки потока движения большой и плотной толпы в заданной среде. Лучше всего использовать при изучении большой толпы, краткосрочных целей.

Подход на основе сущностей

Под эту категорию подпадают модели, реализующие набор физических, предопределенных и глобальных законов, предназначенных для имитации социальных / психологических факторов, возникающих у людей, которые являются частью толпы. Сущности в этом случае в некотором смысле не способны думать самостоятельно. Все движения определяются глобальными законами, которые применяются к ним. Симуляции, в которых используется эта модель, часто используются для исследования динамики толпы, такой как заклинивание и скопление. Этому подходу лучше всего подходят небольшие и средние толпы с краткосрочными целями.

Агентный подход

Характеризуется автономными, взаимодействующими людьми. Каждому агенту толпы при таком подходе дается определенная степень интеллекта; они могут реагировать на каждую ситуацию самостоятельно на основе набора 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 имитировать виртуальную толпу - использовать система частиц. Системы частиц были впервые представлены в компьютерной графике У. Т. Ривзом в 1983 году.^[22] Система частиц - это совокупность ряда отдельных элементов или частицы. Каждая частица способна действовать автономно, и ей назначается набор физических атрибутов (таких как цвет, размер и скорость).

Система частиц динамична в том смысле, что движения частиц 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 частица имеет вектор скорости и вектор положения, содержащий информацию о текущей скорости и положении частицы соответственно. Следующая позиция частицы вычисляется путем добавления вектора ее скорости к вектору ее положения. Очень простая операция (опять же, почему системы частиц так желательны). Его вектор 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 создания таких эффектов, как взрывы, для водных эффектов в фильме 2000 года. Идеальный шторм, и смоделированный газ в фильме 1994 г. маска.

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

Алгоритм Патил и Ван Ден Берга

Этот алгоритм был разработан для относительно упрощенной толпы, где каждый агент в толпе желает только добраться до своей цели, избегая при этом препятствий.^[23] Этот алгоритм можно использовать для имитации толпы на Таймс-сквер.

Самая важная и отличительная особенность алгоритма Патилса заключается в том, что он использует концепцию поля навигации для руководителей. 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 векторное поле, которое вычисляет путь минимальной стоимости для каждого агента, так что каждый агент достигает своей собственной целевой позиции.

Поле навигации можно использовать правильно только тогда, когда существует путь от каждой свободной (не препятствующей) позиции в окружающей среде до одной из целевых позиций. Поле навигации вычисляется с использованием координат статических объектов в среде, позиций целей для каждого агента и поля руководства для каждого агента. Чтобы гарантировать, что каждый агент достигает своей цели, поле навигации должно быть свободным от локальных минимумов, за исключением присутствия стоков в указанных целях.

Время выполнения расчета навигационного поля составляет ${\displaystyle O(m*n*log(mn))}$, где m × n - размер сетки (аналогично Алгоритм 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 набор методов для моделирования толпы на основе ИИ заключается в моделировании поведения толпы путем расширенного моделирования мотивации отдельных агентов и принятия решений. 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 больших вычислительных ресурсов, чем более простые методы.

Личностные модели

Один из методов создания индивидуалистического поведения для агентов толпы - использование личностных качеств.^[24] У каждого агента могут быть определенные аспекты личности, настроенные на основе формулы, которая связывает такие аспекты, как агрессивность или импульсивность, с переменными, которые управляют поведением агентов. Один из способов найти эту ассоциацию - это субъективное исследование, в котором агентам случайным образом присваиваются значения для этих переменных, и участников просят описать каждого агента 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 оказывать соответствующее влияние на поведение агента.

В Модель личности ОКЕАН был использован для определения соответствия между чертами личности и параметрами симуляции толпы. Автоматическая настройка параметров толпы с учетом особенностей личности позволяет легко создавать сценарии с разнородной толпой.^[25]

Модель на основе стресса

Поведение толпы в стрессовых ситуациях можно смоделировать с помощью Синдром общей адаптации теория.l^[26] На поведение агента влияют различные факторы стресса из их среды, которые подразделяются на четыре прототипа: давление времени, давление области, позиционные факторы стресса и факторы межличностного стресса, каждый со связанными математическими моделями.

Время поджимает относится к факторам стресса, связанным с ограничением по времени достижения определенной цели. Примером может служить переход улицы с сигналом остановки на время или посадка в поезд до закрытия дверей. Этот прототип моделируется следующей формулой:

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

куда ${\textstyle I_{t}}$ - интенсивность давления времени как функция расчетного времени для достижения цели ${\textstyle t_{e}}$ и временные ограничения ${\displaystyle t_{a}}$.

Давление на площадь относится к факторам стресса в результате условий окружающей среды. Примеры: шум или жара в помещении. Интенсивность этого стрессора постоянна в определенной области и моделируется следующей формулой:

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

куда ${\textstyle I_{a}}$ - интенсивность поверхностного давления, ${\textstyle p_{a}}$ позиция агента в области ${\displaystyle A}$, и ${\displaystyle c}$ является константой.

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

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

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

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

Межличностные стрессоры являются стрессорами в результате скопления ближайших агентов. Его можно смоделировать по следующей формуле:

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

куда ${\displaystyle I_{i}}$ интенсивность межличностного стрессора, ${\displaystyle n_{c}}$ это текущее количество соседей в единичном пространстве и ${\displaystyle n_{p}}$ - предпочтительное количество соседей в единичном пространстве для этого конкретного агента.

В воспринимаемый стресс следует Закон Стивена и моделируется формулой:

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

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

Агент реакция на стресс можно найти по следующей формуле:

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

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

Примеры заметных симуляций ИИ толпы можно увидеть в New Line Cinema с Властелин колец фильмы, в которых армии ИИ из тысяч персонажей сражаются друг с другом. Это моделирование толпы было выполнено с использованием Weta Digital с Массивное программное обеспечение.

Социология

Симуляция толпы также может относиться к моделированию на основе групповая динамика и психология толпы, часто при планировании общественной безопасности. В этом случае основное внимание уделяется поведению толпы, а не визуальному реализму симуляции. Толпа изучается как научный интерес с конца 19 века. Многие исследования были посвящены коллективному социальному поведению людей на общественных собраниях, собраниях, протестах, восстаниях, концертах, спортивных мероприятиях и религиозных церемониях. Понимание естественного поведения человека в различных стрессовых ситуациях позволит создать более совершенные модели, которые можно использовать для разработки стратегий управления толпой.

Группы аварийного реагирования такие как полицейские, Национальная гвардия, военные и даже добровольцы, должны пройти определенную подготовку по борьбе с массовыми беспорядками. Использование изученных принципов человеческого поведения в толпе может дать дизайнерам по подготовке к стихийным бедствиям больше элементов, которые можно использовать для создания реалистичных смоделированных стихийных бедствий. Поведение толпы можно наблюдать во время паники и непаники. Когда естественные и неестественные события бросают социальные идеалы в извилистый хаос, как, например, события 11 сентября и ураган Катрина, социальные возможности человечества действительно подвергаются испытанию. Военные программы больше ориентированы на имитацию обучения, включая реагирование на чрезвычайные ситуации, благодаря их рентабельной технологии, а также тому, насколько эффективно обучение может быть перенесено в реальный мир.^{[нужна цитата ]} Многие события, которые могут начаться под контролем, могут иметь поворотное событие, которое превращает их в катастрофические ситуации, когда решения необходимо принимать на месте. Именно в таких ситуациях динамическое понимание толпы будет играть жизненно важную роль в снижении потенциала анархии.

Моделирование методы толп варьируются от холистических или сетевых подходов до понимания индивидуальных или поведенческих аспектов каждого агента. Например, модель социальной силы описывает потребность людей найти баланс между социальным взаимодействием и физическим взаимодействием. Подход, объединяющий оба аспекта и способный адаптироваться в зависимости от ситуации, лучше описывает естественное поведение человека, всегда включающий некоторую степень непредсказуемости. С использованием многоагентных моделей понимание этого сложного поведения стало гораздо более понятной задачей. 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 поведение стаи нечеловеческих животных можно использовать в качестве экспериментальной модели поведения толпы. Паническое поведение муравьев при воздействии репеллент Было обнаружено, что химическое вещество в замкнутом пространстве с ограниченными путями выхода имеет как сходства, так и различия с аналогичным поведением человека.^[27][28]

Моделирование индивидуального поведения

Хельбинг предложил модель, основанную на физике, использующую систему частиц и социально-психологические силы для описания поведения человеческой толпы в ситуации паники, теперь это называется моделью Хельбинга. Его работа основана на том, как обычный человек отреагирует 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 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, включая индивидуализм, предложенный Брауном, Мюссом, Оливейрой и Бодманном.^[29]

Чтобы решить эту проблему, каждому агенту должна быть присвоена индивидуальность, позволяющая справляться с различными типами поведения. Другой аспект решения этой проблемы - возможность группировать людей, формирование этой группы заставляет людей изменять свое поведение в зависимости от части структуры группы. Каждого агента (индивидуума) можно определить по следующим параметрам:

1. Id - идентификатор агента
2. IdFamily - идентификатор семейства. Семья - это заранее определенная группа, состоящая из агентов, которые знают друг друга.
3. DE - Уровень зависимости агента, имитирующий потребность в помощи. Значения [0,1]
4. AL - Уровень альтруизма, представляющий склонность помогать другим агентам. Значения [0,1]
5. v_я - Скорость агента

Для моделирования влияния параметра зависимости с отдельные агенты, уравнение определяется как:

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

При оценке скорости агента становится ясно, что если значение фактора зависимости DE будет равно единице, то человек будет полностью инвалидом, лишив его возможности двигаться. Если коэффициент зависимости равен нулю, то человек может бежать со своей максимальной скоростью.

Формирование группы связано с силой альтруизма, которая реализуется как сила взаимодействия между двумя или более агентами, которые являются частью одной семьи. Математически это описывается следующим образом:

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

куда:

d_ij представляет собой расстояние между двумя агентами с исходной точкой в ​​позиции агента;

d_ip точка вектора расстояния от агентов до позиции двери п среды моделирования;

K постоянная;

е_ij - унитарный вектор с началом в позиции i.

Следовательно, чем больше параметр AL_я агента я, тем крупнее будет Фа_я 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 я (${\displaystyle DE_{j}=DE_{i}}$). Это означает, что эвакуационная способность агента я делится с агентом j и оба начинают двигаться вместе.

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

Места, где это будет полезно, будут в сценарии эвакуации. Возьмем, к примеру, эвакуацию из здания в случае пожара. Принимая во внимание характеристики отдельных агентов и их групповые действия, определение того, каким образом толпа будет выходить из здания, имеет решающее значение при создании планировки здания.^[29]

Поведение лидера во время симуляции 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 передавать знания другим агентам, чтобы они знали, как выйти из среды. Следующий тип агентов - неподготовленный лидер, этот агент ничего не знает об окружающей среде, однако, поскольку агент исследует окружающую среду и получает информацию от других типов лидеров, агент может распространять знания об окружающей среде. Последний тип агентов - это последователи, этот тип агентов может получать информацию только от других лидеров 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 лидер и последователи начнут с пустой карты в качестве атрибута. Необученные лидеры и последователи начнут самостоятельно исследовать окружающую среду и составить карту мест, по которым можно пройти пешком и по ним. 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 на сетке заблокированы, о локальных подграфах и опасностях в этой области.

Для этой реализации были опробованы два типа поисковых алгоритмов. Был случайный поиск и поиск в глубину. Случайный поиск - это когда каждый из агентов движется в любом направлении по окружающей среде и пытается найти выход.Поиск в глубину - это когда агенты следуют по одному пути до упора, затем возвращаются и пробуют другой путь, если пройденный ими путь не содержит выхода. Было обнаружено, что поиск в глубину дает ускорение в 15 раз по сравнению со случайным поиском.^[30]

Масштабируемое моделирование

В симуляциях толпы используется множество различных ситуационных ситуаций.^[31] В последнее время моделирование толпы стало важным для многих приложений виртуальной среды, таких как образование, обучение и развлечения. Многие ситуации основаны на среде симуляции или поведении группы локальных агентов. В приложениях виртуальной реальности каждый агент взаимодействует со многими другими агентами в среде, вызывая сложные взаимодействия в реальном времени. Среда агентов должна постоянно меняться, поскольку их поведение допускает сложные взаимодействия. Масштабируемая архитектура может управлять 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 различных 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 регион, где окружающая среда влияет на локальных агентов. Например, толпа, ожидающая очереди в билетную кассу, будет отображать пространственную ситуацию. Другими примерами могут быть автобусная остановка или банкомат, где персонажи воздействуют на свое окружение. Таким образом, мы будем рассматривать «автобусную остановку» как ситуацию, когда агенты должны садиться или выходить из автобуса.

Непространственная ситуация не имеет области в окружающей среде, потому что это касается только поведения толпы. Взаимоотношения местных агентов - важный фактор, который следует учитывать 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 типичных ситуаций, когда вы идете вместе.

Структура любой ситуации состоит из четырех компонентов: функций поведения, датчиков, состояний и правил событий. Поведенческие функции представляют, какое поведение персонажей характерно для конкретной ситуации. Датчики - это способность агентов видеть события и реагировать на них. Состояния - это различные движения и переходы между состояниями, используемые только для локального поведения. Правило событий - это способ связать разные события с их конкретным поведением. Пока персонаж попадает в ситуацию, эти четыре компонента рассматриваются одновременно. Для пространственных ситуаций компоненты добавляются, когда человек изначально входит в среду, которая влияет на персонажа. В непространственных ситуациях персонаж подвергается воздействию только после того, как пользователь назначает ситуацию персонажу. Четыре компонента удаляются, когда агент удаляется из области его ситуаций или когда сама ситуация удаляется. Динамическое добавление и удаление ситуаций позволяет нам создавать масштабируемые агенты.

Человеческое поведение и ИИ толпы

Симуляция толпы Площадь Ковент-Гарден, Лондон: толпа пешеходов реагирует на уличного артиста.

Основная статья: Рой интеллект

Чтобы смоделировать больше аспектов человеческой деятельности в толпе, требуется нечто большее, чем планирование пути и движения. Сложные социальные взаимодействия, манипуляции со смарт-объектами и гибридные модели представляют собой проблемы в этой области. Моделирование поведения толпы вдохновлено потоком толпы из реального мира. Поведенческие модели, скорость и плотность движения, а также аномалии проанализированы во многих средах и типах зданий. Частные лица отслеживаются и их движения документируются, чтобы можно было вывести алгоритмы и внедрить их в моделирование толпы.

Отдельные сущности в толпе также называются агенты. Чтобы толпа вела себя реалистично, каждый агент должен действовать автономно (быть способным действовать независимо от других агентов). Эта идея упоминается как агент-ориентированная модель. 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.

AI на основе правил

Иерархия потребностей Маслоу

В ИИ, основанном на правилах, виртуальные агенты следуют сценариям: «если это произойдет, сделайте это». 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 Иерархия потребностей Маслоу, где чем ниже потребность в иерархии, тем она сильнее.

Например, представьте себе ученика, идущего в класс, который 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 масштабируемый 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 изучении ИИ виртуальные персонажи ведут себя проверенным образом, чтобы помочь им достичь своих целей. Агенты экспериментируют со своей средой или образцом среды, похожей на их реальную.

Агенты выполняют самые разные 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 состоит в том, что каждому действию присваивается значение Q, и каждому агенту дается директива всегда выполнять действие с наивысшим 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 продолжает 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 a '- это диапазон всех действий.^[32]

Толпа рендеринг и анимация

Реалистичная визуализация и анимация большого количества агентов, особенно в реальном времени, является сложной задачей. Чтобы упростить 3D-рендеринг крупномасштабных скоплений людей, использовались такие методы, как отбраковка (отбрасывание неважных объектов), самозванцы (рендеринг на основе изображений) и снижение уровня детализации.^[33]Различия во внешности, форме и размерах тела, аксессуарах и поведении (социальном или культурном) существуют в реальных толпах, а отсутствие разнообразия влияет на реалистичность визуальных симуляций. Существующие системы могут создавать виртуальные толпы различной текстуры,^[7] цвет,^[34] размер, форма и анимация.^[6]

Приложения реального мира

Виртуальная кинематография

Моделирование толпы широко использовалось в фильмах в качестве экономичной и реалистичной альтернативы найму актеров и съемке кадров, которые в противном случае были бы нереальными. Ярким примером его использования является Властелин колец (сериал). 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 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 с несколькими агентами в виртуальной среде, также известной как MASSIVE. На основе Human Logic Engine майя плагин для моделирования толпы, Miarmy, был использован для разработки этих последовательностей. Программное обеспечение позволило создателям фильма предоставить каждой модели 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 каждую ситуацию уникальным образом. Таким образом, каждое моделирование сцены было непредсказуемым. Конечный продукт четко продемонстрировал преимущества использования программного обеспечения для моделирования толпы.^[35]

Городское планирование

Программное обеспечение для моделирования толпы стало современным и полезным инструментом в проектировании городской среды. В то время как традиционный метод городского планирования основан на картах и ​​абстрактных эскизах, цифровое моделирование более способно передать как форму, 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 A в точку B эффективным способом, и в результате коллективная группа людей может действовать более эффективно. В более широком смысле автобусные системы и придорожные рестораны служат пространственной цели в своих местах благодаря пониманию моделей передвижения людей.^[36] В SimCity серия видеоигр иллюстрирует эту концепцию в более упрощенной форме. В этой серии игрок назначает развитие города в определенных зонах, сохраняя при этом разумный бюджет. Переход от пустой земли к шумному городу полностью контролируется выбором игрока, а цифровые граждане ведут себя в соответствии с дизайном и событиями города.

Эвакуация и борьба с массовыми беспорядками

Смоделированные реалистичные толпы могут использоваться при обучении управлению массовыми беспорядками, архитектуре, науке о безопасности (планирование эвакуации).

Военный

Поскольку моделирование толпы настолько широко используется для общественного планирования и общего порядка в отношении хаотических ситуаций, многие приложения могут быть использованы для правительственных и военных симуляций. Моделирование толпы необходимо в симуляторах полиции и военных, чтобы обучать офицеров и солдат работе с массовыми скоплениями людей. Этим людям трудно справиться не только с наступательными комбатантами, но и с толпами, не участвующими в боевых действиях, которые играют важную роль в том, чтобы эти агрессивные ситуации выходили из-под контроля. Игровые технологии используются для моделирования этих ситуаций, чтобы солдаты и техники могли практиковать свои навыки.^[37]

Социология

Поведение смоделированной 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 конструкций вызывает интерес в течение многих лет, и социологические концепции, лежащие в основе этих взаимодействий, постоянно изучаются. Моделирование толпы в различных ситуациях позволяет социологически изучать реальные собрания людей в различных местах и ​​местах. Вариации человеческого поведения в ситуациях с разным уровнем стресса позволяют развивать и создавать стратегии управления толпой, которые могут быть более конкретно применены к ситуациям, а не обобщены.

Смотрите также

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

Программное обеспечение для моделирования толпы

• Alice Software от Компания Moving Picture
• Голем Толпа
• Массивный (программное обеспечение)
• Miarmy
• Quadstone Paramics
• VISSIM

Рекомендации

1. Тальманн, Даниэль (2016). «Симуляция толпы». Энциклопедия компьютерной графики и игр. С. 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 Жером Комптдэр, Эммануэль Чива, Стефан Делорм, Анри Морлей, Жером Вольпоэ, Многоуровневые поведенческие модели для моделирования обучения в условиях городского кризиса.
3. Дреттакис, Джордж; Руссу, Мария; Рече, Алекс; Цинго, Николас (2007). «Дизайн и оценка виртуальной среды реального мира для архитектуры и городского планирования» (PDF). Присутствие: удаленные операторы и виртуальные среды. 16 (3): 318–32. Дои:10.1162 / прес.16.3.318. S2CID  15945042.
4. Gwynne, S .; Galea, E.R .; Оуэн, М .; Lawrence, P.J .; Филиппидис, Л. (1999). «Обзор методологий, используемых в 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. Тельман, Даниэль; Грильон, Елена; Маим, Джонатан; Ерсин, Барбара (2009). «Проблемы моделирования толпы». 2009 Международная конференция по CyberWorlds. С. 1–12. CiteSeerX  10.1.1.365.5045. Дои:10.1109 / CW.2009.23. ISBN  978-1-4244-4864-7. S2CID  12214496.
7. Maim, J .; Yersin, B .; Тальманн, Д. (2009). «Уникальные экземпляры персонажей для толпы». Компьютерная графика и приложения IEEE. 29 (6): 82–90. Дои:10.1109 / MCG.2009.129. PMID  24806782. S2CID  13903301.
8. Чао, Цяньвэнь; Дэн, Чжиган; Цзинь, Сяоган (2015). «Взаимодействие транспортного средства с пешеходом для моделирования смешанного 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 трафика». Транзакции ACM на графике. 30 (6): 1. Дои:10.1145/2070781.2024169.
10. Каллманн, Марсело; Тальманн, Даниэль (1999). «Моделирование объектов для задач взаимодействия». Компьютерная анимация и моделирование '98. Еврография. 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 Пелехано, Н., Олбек, Дж. М. и Бадлер, Н. И. Управление отдельными агентами в симуляции высокой плотности скопления людей. В материалах симпозиума 2007 ACM SIGGRAPH / Eurographics по компьютерной анимации. ISBN  978-1-59593-624-0
12. Рейнольдс, Крейг (1987). «Стаи, стада и школы: распределенная модель поведения». Стаи, стада и школы: распределенная модель поведения. Материалы ACM SIGGRAPH 87. Июль 1987. С. 25–34. CiteSeerX  10.1.1.103.7187. Дои:10.1145/37401.37406. ISBN  978-0897912273. S2CID  546350.
13. Терзопулос, Деметри; Ту, Сяоюань; Гжещук, Радек (1994). «Искусственные рыбы: автономное движение, восприятие, поведение и обучение в смоделированном физическом мире». Искусственная жизнь. 1 (4): 327–51. CiteSeerX  10.1.1.33.8131. Дои:10.1162 / artl.1994.1.4.327. S2CID  1423225.
14. Тельман, Даниэль; Муссе, Сорая Раупп (2012-10-04). Моделирование толпы. Springer Science & Business Media. ISBN  978-1-4471-4449-6.
15. Musse, S. R .; Тальманн, Д. (1997). "Модель поведения человеческой толпы: анализ взаимоотношений групп и обнаружения столкновений". Компьютерная анимация и моделирование '97. Еврография. 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. «Поведение рулевого управления для автономных персонажей». www.red3d.com. Получено 2016-12-17.
17. Musse, S.R .; Тальманн, Д. (2001). «Иерархическая модель для моделирования виртуальных человеческих скоплений в реальном времени». IEEE Transactions по визуализации и компьютерной графике (Представлена ​​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 2003 ACM SIGGRAPH / Eurographics по компьютерной анимации. С. 286–297. ISBN  1-58113-659-5.
19. Уличный, Бранислав; Чехомский, Пабло де Эрас; Тальманн, Даниэль (2004). "Краудбраш". Материалы симпозиума ACM SIGGRAPH / Eurographics 2004 г. по компьютерной анимации - SCA '04. С. 243–52. Дои:10.1145/1028523.1028555. ISBN  978-3-905673-14-2. S2CID  6233071.
20. Чжоу, Суйпин; Чен, Дэн; Цай, Вентун; Ло, Линбо; Лоу, Малкольм Йок Хин; Тиан, Фэн; Тай, Виктор Су-Хан; Онг, Даррен Ви Сзе; Гамильтон, Бенджамин Д. (2010). «Крауд-моделирование и имитационные технологии» (PDF). Транзакции ACM 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). «Скопление в макроскопической модели самодвижущихся частиц, моделирующих стадность». Журнал статистической физики. Springer. 138 (1–3): 85–125. arXiv:0908.1817. Bibcode:2010JSP ... 138 ... 85D. Дои:10.1007 / s10955-009-9879-x. S2CID  18007157.
22. Коэн, Эйал; Коэн, Эяль; Наджман, Лоран (1997). «От симуляции толпы до развертывания подушек безопасности: системы частиц, новая парадигма симуляции». Журнал электронного изображения. 6: 94–107. Bibcode:1997JEI ..... 6 ... 94B. Дои:10.1117/12.261175.
23. Патил, Сачин; Ван ден Берг, юр; Кертис, Шон; Линь, Мин С; Маноча, Динеш (2011). «Направление моделирования толпы с помощью полей навигации». IEEE Transactions 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.
24. Гай, Стивен Дж .; Ким, Суджон; Lin, Ming C .; Маноча, Динеш (2011). «Моделирование разнородного поведения толпы с использованием теории черт личности». Материалы симпозиума ACM SIGGRAPH / Eurographics 2011 по компьютерной анимации - SCA '11. С. 43–52. Дои:10.1145/2019406.2019413. ISBN  978-1-4503-0923-3. S2CID  1478678.
25. Дурупинар, Фунда; Пелехано, Нурия; Олбек, Ян; Гудукбай, Угур; Бадлер, Норман И. (2011). «Как модель личности океана влияет на восприятие толпы». Компьютерная графика и приложения IEEE. 31 (3): 22–31. Дои:10.1109 / MCG.2009.105. HDL:11693/11800. PMID  24808089. S2CID  6300564.
26. 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. С. 55–62. CiteSeerX  10.1.1.673.3693. Дои:10.1145/2159616.2159626. ISBN  978-1-4503-1194-6. S2CID  7093705.
27. Н. Шивакоти и др., «Подход, основанный на динамике животных, для моделирования выхода пешеходов из толпы в условиях паники», Транспортные исследования Часть B 45 (2011) 1433-1449.
28. С. Ван и др., «Поведение муравьев, убегающих из комнаты с одним выходом», PLoS One. 2015; 10 (6): e0131784.
29. Браун, А .; Musse, S.R .; De Oliveira, L.P.L .; Бодманн, Б.Э.Дж. (2003). «Моделирование индивидуального поведения в симуляции толпы». Материалы 11-го международного семинара IEEE по пониманию программ. С. 143–8. Дои:10.1109 / CASA.2003.1199317. ISBN  978-0-7695-1934-0. S2CID  33477396.
30. Пелехано, Нурия; Бадлер, Норман (2006). «Моделирование поведения толпы и обученного лидера во время эвакуации из здания». Компьютерная графика и приложения IEEE. 26 (6): 80–6. Дои:10.1109 / MCG.2006.133. HDL:2117/10047. PMID  17120916. S2CID  14384959.
31. Vigueras, G .; Lozano, M .; Pérez, C .; Ордунья, Дж. М. (2008). «Масштабируемая архитектура для моделирования толпы: реализация сервера параллельных действий». 2008 37-я Международная конференция по параллельной обработке. С. 430–7. Дои:10.1109 / ICPP.2008.20. S2CID  1435019.
32. Торри, Л. Моделирование толпы с помощью многоагентного обучения с подкреплением. В: Материалы шестой конференции AAAI по искусственному интеллекту и интерактивным цифровым развлечениям. AAAI Press, Menlo Park (2010)
33. Aubel, A .; Boulic, R .; Тальманн, Д. (2000). «Отображение виртуальных людей в реальном времени: уровни детализации и самозванцы». Транзакции IEEE по схемам и системам для видеотехнологий. 10 (2): 207–17. Дои:10.1109/76.825720.
34. Госселин, Дэвид Р .; Сандер, Педро В.; Митчелл, Джейсон Л. (2004). «Рисование толпы». В Энгель, Вольфганг (ред.). ShaderX3: расширенные методы рендеринга в DirectX и OpenGL. Кембридж, Массачусетс: Charles River Media. стр.505 –17.
35. http://people.ucalgary.ca/~far/Lectures/SENG697/PDF/tutorials/2002/Multiple_Agent_Simulation_System_in_a_Virtual_Environment.pdf Дэвис Гай. Система моделирования нескольких агентов в виртуальной среде.
36. http://papers.cumincad.org/data/works/att/ecaade2008_160.content.pdf Ашванден, Гидеон. Халач, Ян Шмитт, Герхард. Моделирование толпы для городского планирования.
37. McKenzie, F.D .; Петти, M.D .; Крушевский, П. А .; Gaskins, R.C .; Нгуен, К.-А. ЧАС.; Seevinck, J .; Вайзель, Э. У. (2007). «Интеграция моделирования поведения толпы в военное моделирование с использованием игровых технологий». Симуляторы и игры. 39: 10–38. Дои:10.1177/1046878107308092. S2CID  7709873.

внешняя ссылка

• SteerSuite, Фреймворк 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. Дои:10.1111 / j.1467-8659.2004.00783.x. S2CID  3256678.