Симуляция толпы

Эта статья может быть слишком технической для понимания большинством читателей . Пожалуйста, помогите улучшить его, чтобы он был понятен неспециалистам , не удаляя технических деталей. ( Октябрь 2016 г. ) ( Узнайте, как и когда удалить этот шаблон сообщения )

Трехмерная (3D) компьютерная графика
Основы
Моделирование Сканирование Рендеринг Печать
Основное использование
3D модели Системы автоматизированного проектирования Графический дизайн Видеоигры Визуальный эффект Визуализация Виртуальная инженерия Виртуальная реальность Виртуальная кинематография
похожие темы
Компьютерные изображения (CGI) Анимация компьютер скелетный 3D дисплей Каркасная модель Отображение текстуры Захвата движения Симуляция толпы Глобальное освещение Объемный рендеринг
v т е

Симуляция толпы - это процесс имитации движения (илидинамика ) большого количества сущностей или персонажей. ^[1] Он обычно используется для создания виртуальных сцен для визуальных средств массовой информации, таких как фильмы и видеоигры , а также используется при обучении в условиях кризиса, ^[2] архитектуре и городском планировании, ^[3] и имитации эвакуации. ^[4]

Моделирование толпы может фокусироваться на аспектах, нацеленных на разные приложения. Для получения реалистичной и быстрой визуализации толпы для визуальных средств массовой информации или виртуальной кинематографии , снижения сложности 3D сцены и рендеринга изображений на основе используется, ^[5] , а вариации в настоящее время внешнего вида помощи реалистического население. ^{[6] [7]}

В играх и приложениях предназначены для репликации реальной жизни человеческого движения толпы, как при моделировании эвакуации, смоделированные агенты должны перемещаться к цели, столкновения избежать, и проявлять другие подобные человеческим поведением. 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] различные уровни абстракции (например, индивидуальный и непрерывный), ^[9] агенты, взаимодействующие со смарт-объектами, ^[10] и более сложные физические и социальная динамика. ^[11]

История [ править ]

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 Крейг Рейнольдс представил и разработал поведенческую анимацию . ^[12] Он моделировал стайки птиц рядом со стаями рыб с целью изучения групповой интуиции и движения. Всем агентам в этих симуляциях был предоставлен прямой доступ к соответствующим положениям и скоростям окружающих их агентов. Теоретические основы и исследования, изложенные Рейнольдсом, были усовершенствованы и основаны в 1994 году Сяоюань Ту , Деметри 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 воспринимать восприятие в пределах их динамической среды обитания.

Первоначальные исследования в области моделирования толпы начались в 1997 году под руководством Даниэля Тельмана над докторской диссертацией Сораи Раупп Мюсс. 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] Было доказано, что рулевое поведение играет большую роль в процессе автоматизации агентов в моделировании. Рейнольдс утверждает, что процессы низкоуровневой локомоции зависят и зависят от рулевого поведения среднего уровня, а также от целевых состояний более высокого уровня и стратегий поиска пути. Основываясь на передовых работах Рейнольдса, Мюсса и Тельмана, начали изучать моделирование имитаций 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]

Наряду с публикациями, касающимися моделей человеческого поведения и моделирования группового поведения, предложение Мэтта Андерсона, Эрика МакДэниела и Стивена Ченни об ограничениях на поведение ^[18] приобрело 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 выводы, предложенные в его работе с Мюссе, Тельманн, работая вместе с Братиславой Уличны и Пабло де Херас 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]

Динамика толпы [ править ]

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 указывает на то, 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.

Агент-ориентированный 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 [ править ]

Один из способов имитировать виртуальную толпу - использовать систему частиц . Системы частиц были впервые представлены в компьютерной графике У. Т. Ривзом в 1983 году. ^[22] Система частиц - это совокупность ряда отдельных элементов или частиц . 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 позиции , содержащую 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 для моделирования газа в фильме 1994 года «Маска» .

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

Алгоритм Патил и Ван Ден Берг [ править ]

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.

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 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 минимальную стоимость пути 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 вычисления поля навигации равно , где m × n - размер сетки (аналогично алгоритму Дейкстры ). Таким образом, алгоритм зависит только от разрешения сетки и не зависит от количества агентов в среде. Однако у этого алгоритма высокая стоимость памяти.${\ Displaystyle О (м * п * журнал (мин))}$

Моделирование индивидуального поведения [ править ]

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 [ править ]

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 этих переменных, а участникам предлагается 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.

Модель личности OCEAN была использована для определения соответствия между личностными чертами и параметрами симуляции толпы. Автоматическая настройка параметров толпы с учетом особенностей личности позволяет легко создавать сценарии с разнородной толпой. ^[25]

Модель на основе стресса [ править ]

Поведение толпы в стрессовых ситуациях может быть смоделировано с помощью теории общего адаптационного синдрома. ^{[26] На} поведение агента влияют различные стрессоры из их среды, которые подразделяются на четыре прототипа: давление времени, давление площади, позиционные стрессоры и межличностные стрессоры, каждый со связанными математическими моделями.

Под давлением времени понимаются факторы стресса, связанные 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:

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

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

Воздействие 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:

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

где - интенсивность поверхностного давления, - положение агента в области , - постоянная величина.${\ textstyle I_ {a}}$${\ textstyle p_ {a}}$${\ displaystyle A}$${\ displaystyle c}$

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:

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

где - интенсивность позиционного стрессора, - позиция агента и - позиция стрессора. В качестве альтернативы факторы стресса, которые создают высокое напряжение на большой площади (например, пожар), могут быть смоделированы 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 факторы стресса возникают в результате скопления агентов поблизости. Его можно смоделировать по следующей формуле:

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

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

Восприятие стресса следует Закону Стивена и моделируется по формуле:

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

где - воспринимаемое напряжение для уровня стресса , - масштабный коэффициент и - 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 - стрессовая реакция, ограниченная максимальным значением, и - максимальная скорость, с которой стрессовая реакция агента может измениться.${\displaystyle S}$${\displaystyle \beta }$${\displaystyle \alpha }$

Примеры примечательной симуляции ИИ толпы можно увидеть в фильмах New Line Cinema « Властелин колец» , где армии ИИ, состоящие из тысяч персонажей, сражаются друг с другом. Эта толпа моделирование было выполнено с использованием Weta Digital «s Массивного программного обеспечения .

Социология [ править ]

Симуляция толпы может также относиться к симуляции, основанной на групповой динамике и психологии 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 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 реагирования на чрезвычайные ситуации, 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 они могут 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. ^{[ необходима 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.

Методы моделирования толпы варьируются от целостного или сетевого подходов до понимания индивидуалистических 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. Было обнаружено, что паническое поведение муравьев при воздействии репеллентного химического вещества в замкнутом пространстве с ограниченными путями выхода имеет как сходства, так и различия с аналогичным поведением человека. ^{[27] [28]}

Моделирование индивидуального поведения [ править ]

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. Хелбинг 'Модель s может быть обобщена, включая индивидуализм, как предложено 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 _i - Скорость агента

Чтобы смоделировать влияние параметра зависимости с отдельными агентами , 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 окажется 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 точкой отсчета в позиции агента;

d _ip - точка вектора расстояния от агентов до позиции p двери всреде моделирования;

K - постоянная;

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 агента j и имеет высокий уровень DE _j . Когда оба агента находятся достаточно близко друг к другу, агент с высоким DE (агент j в этом примере) принимает значение агента i ( ). Это означает, что способность эвакуации агента i 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 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 моделирования эвакуации [ править ]

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 [ править ]

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, в котором окружающая среда влияет на местных 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. Следовательно, мы будем рассматривать «автобусную остановку» как ситуацию, если поведение агентов заключается в том, чтобы садиться или выходить из автобуса.

Непространственная ситуация не имеет области в окружающей среде, потому что она включает только поведение толпы. Взаимоотношения местных агентов - важный фактор, который 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 сама ситуация удаляется. Динамическое добавление и удаление ситуаций позволяет нам создавать масштабируемые агенты.

Человеческое поведение и ИИ толпы [ править ]

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 анализируются во многих средах и типах зданий. Люди отслеживаются, и их перемещения документируются, чтобы можно было разработать алгоритмы и внедрить их в моделирование толпы.

Отдельные сущности в толпе также называются агентами . Чтобы толпа вела себя реалистично, каждый агент должен действовать автономно (быть способным действовать независимо от других агентов). Эта идея называется агентно-ориентированной моделью. Более того, обычно желательно, чтобы агенты действовали с некоторой степенью интеллекта (т. Е. Агенты не должны выполнять 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 [ править ]

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, такой как 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 [ править ]

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 [ править ]

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]

Рендеринг и анимация толпы [ править ]

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 реализм визуальных симуляций. Существующие системы могут создавать виртуальные толпы с различной текстурой, ^[7] цветом, ^[34] размером, формой и анимацией. ^[6]

Приложения реального мира [ править ]

Виртуальная кинематография [ править ]

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 фильм «Властелин колец» . Одной из самых вопиющих 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. Плагин Maya на основе Human Logic Engine 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 бы 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 [ править ]

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] The SimCityсерия 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 беспорядками [ править ]

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

Военные [ править ]

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 выводе этих агрессивных ситуаций из-под контроля. Игровые технологии используются для моделирования этих ситуаций, чтобы солдаты и техники могли практиковать свои навыки. ^[37]

Социология [ править ]

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.

См. Также [ править ]

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

Программное обеспечение для моделирования толпы [ править ]

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

Ссылки [ править ]

Внешние ссылки [ править ]

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