基于强化学习与深度残差网络学习的人群疏散仿真方法研究

发布时间：2024-05-15 03:16

　　近年来,突发公共事件或重大伤亡事故频发,尤其是在拥挤地区,一旦发生紧急情况,很容易造成人群拥挤和踩踏。因此,为了减少危险事件的发生,需要提前对人群进行疏散演练。日常的实战疏散演练耗资巨大,且不能真实反映人们在紧急情况下的运动行为。近些年,计算机仿真技术得到了越来越多的关注,利用计算机仿真技术能够构建场所模型并模拟人群在场所内的疏散过程,进而为紧急情况下的人群疏散提供指导。因此,利用计算机仿真技术研究群体疏散问题具有重要的社会意义。传统的人群疏散方法侧重于提高人群疏散效率,但由于许多假设的规则或模型降低了人群疏散的真实感。数据驱动方法是提高人群疏散真实感的有效途径,其主要目的是使仿真结果尽可能接近视频中人群的运动轨迹;如今机器学习逐渐成为热门领域,数据驱动和机器学习相结合的方法不断被提出并应用于人群疏散仿真中。这两种方法都是通过对视频数据进行学习,进而得到人群运动的速度或轨迹。然而,它们大多属于端到端的学习方法,因此对数据依赖性较强,灵活度不高。针对上述问题,本文提出了一个基于强化学习与深度残差网络学习的人群疏散仿真方法,通过综合利用人群运动特征、机器学习算法以及人群运动仿真计算方法得到...

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 传统的人群疏散仿真方法
        1.2.2 基于数据驱动的人群疏散仿真方法
        1.2.3 基于机器学习的人群疏散仿真方法
    1.3 人群运动建模中存在的问题
    1.4 本文主要研究内容和创新点
    1.5 论文组织结构
第二章 人群疏散方法的国内外研究现状
    2.1 引言
    2.2 传统的人群疏散仿真
        2.2.1 宏观方法
        2.2.2 微观方法
    2.3 基于数据驱动的人群疏散仿真
    2.4 基于机器学习的人群疏散仿真
        2.4.1 特定场景下的人群疏散仿真
        2.4.2 多个场景下的人群疏散仿真
    2.5 本章小结
第三章 基于强化学习的数据驱动人群疏散方法
    3.1 引言
        3.1.1 问题提出
        3.1.2 本文思路
    3.2 方法概述
    3.3 数据驱动的人群疏散模型
        3.3.1 视频预处理
        3.3.2 人群内聚性的量化
        3.3.3 基于人群内聚性的分组
    3.4 分层路径规划
        3.4.1 基于强化学习的顶层群组路径规划
        3.4.2 底层个体路径规划
    3.5 基于数据驱动模型的人群运动仿真
    3.6 实验与分析
        3.6.1 DCE模型分析
        3.6.2 基于强化学习的群组路径规划分析
        3.6.3 真实场景下的仿真实验
    3.7 本章小结
第四章 基于深度残差网络的人群仿真方法
    4.1 引言
        4.1.1 问题提出
        4.1.2 本文思路
    4.2 方法概述
    4.3 数据驱动的人群属性量化
        4.3.1 物理属性的提取
        4.3.2 社会属性的量化
    4.4 用于人群行为属性学习的残差网络运动预测模型
        4.4.1 ResNet的基本输入与输出
        4.4.2 网络训练
    4.5 实验与分析
        4.5.1 ResNet-CBPL模型的性能验证
        4.5.2 速度-密度的比较
        4.5.3 内聚性的验证
        4.5.4 集群性的验证
        4.5.5 真实场景下人群运动过程的可视化
    4.6 本章小结
第五章 基于真实数据驱动的三维运动仿真平台
    5.1 引言
    5.2 仿真平台设计结构
    5.3 仿真平台实现
    5.4 不同场景下的仿真实例
    5.5 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
攻读硕士学位期间的主要成果
致谢



本文编号：3973821