魏玉聰 曾 理 林 靜 徐建君 辛春輝

1(西南交通大學(xué) 四川 成都 611756) 2(成都運達科技股份有限公司 四川 成都 611713)

地鐵站虛擬乘客行為模擬研究與實現(xiàn)

魏玉聰1曾 理2林 靜2徐建君2辛春輝1

1(西南交通大學(xué) 四川 成都 611756)2(成都運達科技股份有限公司 四川 成都 611713)

地鐵站臺人群仿真可以增強地鐵駕駛模擬器的視覺沉浸感，同時可以用于地鐵站臺公共場所的應(yīng)急處理仿真中。但由于乘客行為復(fù)雜，影響因素眾多，因此乘客智能行為的模擬一直都是地鐵仿真系統(tǒng)中的難點。通過調(diào)研分析地鐵站臺上下車人員的行為特征，總結(jié)乘客在多種因素影響下的行為規(guī)律。通過加入權(quán)重因子改進RVO算法實現(xiàn)全局最優(yōu)路徑查詢和動態(tài)障礙避碰，對行為選擇進行量化分析，建立了一套完整、可拓展性較強的智能乘客行為系統(tǒng)。解決了目前地鐵模擬器中乘客模型簡單、行為單一、真實感較差的問題，提高機車模擬駕駛過程中的場景逼真度和司機沉浸感。

智能仿真 影響因子 行為特征 行為模擬

0 引 言

人群仿真技術(shù)通過研究人群在各種環(huán)境、情節(jié)下的運動特征與規(guī)律，建立可視化人群行為模型，可用于公共場所人流分析、應(yīng)急情況下人群疏散等，從而輔助公共場所設(shè)計及優(yōu)化。乘客智能行為仿真是利用人群仿真技術(shù)，結(jié)合Agent/Multi-Agent等思想，模擬乘客自主性、智能性、多樣性的行為，從而提高交通仿真系統(tǒng)中人群相關(guān)場景的真實感，增強視覺效果，提高司機在模擬駕駛過程中的沉浸感，訓(xùn)練司機在發(fā)生乘客乘車事故情況下的應(yīng)急處理能力等。但乘客在公共交通場所中的行為受到包括環(huán)境、個體特征、社會心理等多種因素的影響，具有群體一致性和個體不確定性特征，導(dǎo)致乘客群體的自主智能行為模擬難度大，真實感和準(zhǔn)確性難以保證。對于群體行為的研究，瑞士聯(lián)邦技術(shù)研究所的Soraia等人提出人群仿真ViCrowd模型[1],對人群行為進行系統(tǒng)抽象，劃分并定義人群的不同屬性、行為層次和控制層次，但該模型只是人群行為仿真的一個框架，每種層次都有待完善。東京大學(xué)的Yohei Murakami等提出基于場景情節(jié)和規(guī)則描述的模型，并在此基礎(chǔ)上開發(fā)了FreeWalk and FlatWalk人群運動模擬系統(tǒng)[2]，但該系統(tǒng)在如何學(xué)習(xí)并建立人群運動規(guī)則等方面都有待完善。中科院計算技術(shù)研究所的王兆其等人設(shè)計開發(fā)的人群疏散模擬系統(tǒng)Guarder[3]，通過定義場景語義實現(xiàn)群體感知、路徑搜尋，提出連續(xù)群體模型中勢能場的密度映射函數(shù)，實現(xiàn)大規(guī)模人群疏散的模擬。本文針對地鐵列車駕駛仿真培訓(xùn)系統(tǒng)進行地鐵乘客行為仿真，整個仿真過程必須具備實時計算、實時呈現(xiàn)效果的能力，但對人群仿真的精度要求不高。因此本文提出一種基于地鐵站這一特定場景下的乘客智能行為模擬實現(xiàn)方案。目前人群仿真技術(shù)中存在的問題，本文提出一種基于地鐵站這一特定場景下的乘客智能行為實現(xiàn)方案。通過實地調(diào)查分析，歸納總結(jié)地鐵站場景中的乘客行為特征，基于文獻[4]中所提出的Agent/Multi-Agent思想，提出由環(huán)境信息、乘客屬性、隨機因子共同作用下的乘客行為模型，實現(xiàn)乘客在行為選擇過程中的合理性、準(zhǔn)確性、差異性和隨機性。采用基于導(dǎo)航網(wǎng)格的A*算法[5]實現(xiàn)全局最優(yōu)路徑查詢，并通過加入權(quán)重因子改進RVO算法[6]，實現(xiàn)乘客的多智能體動態(tài)避碰。最終實現(xiàn)虛擬環(huán)境中受多種因素影響的乘客行為仿真。

1 系統(tǒng)框架

本系統(tǒng)由環(huán)境信息處理器和乘客行為系統(tǒng)兩大模塊組成。環(huán)境信息處理器主要負責(zé)導(dǎo)航網(wǎng)渲染、區(qū)域劃分、地鐵及車站功能區(qū)標(biāo)定，生成可供乘客訪問和修改的場景信息數(shù)據(jù)。乘客系統(tǒng)主要負責(zé)根據(jù)場景信息、乘客屬性及隨機影響因子規(guī)劃乘客路徑，決策乘客行為。其框架如圖1所示。

圖1 乘客智能行為實現(xiàn)框架

2 環(huán)境信息處理器

環(huán)境信息處理器對場景中站臺、列車模型數(shù)據(jù)及列車線路時刻等信息進行數(shù)據(jù)處理，得到可供全局路徑查詢的導(dǎo)航網(wǎng)、乘客交互的場景信息庫。

2.1 導(dǎo)航網(wǎng)格生成

將虛擬環(huán)境場景中點、邊、凸多邊形信息通過Delaunay三角分割得到用于乘客尋找最優(yōu)路徑的導(dǎo)航網(wǎng)格，由該三角剖分可以得到最優(yōu)三角剖分的導(dǎo)航網(wǎng)格。使用逐點插入法[7]完成Delaunay三角剖分得到如圖2所示的導(dǎo)航網(wǎng)格。

圖2 導(dǎo)航網(wǎng)格生成

2.2 區(qū)域劃分及功能區(qū)標(biāo)定

將地鐵站劃為A、B、C、D四個區(qū)，乘客有本區(qū)域和鄰區(qū)域的視角，可以對這兩部分的區(qū)域進行局部最優(yōu)解選擇，若相隔超過一個區(qū)域，則會存在視覺盲點。如當(dāng)乘客處于A區(qū)域時，可以在A、B區(qū)中進行選擇，會忽略C區(qū)和D區(qū)的選擇。通過位置信息對站臺進行劃分后，將功能區(qū)標(biāo)定在車站中，每個功能區(qū)對應(yīng)乘客的一種行為。當(dāng)乘客感知到環(huán)境信息發(fā)生變化時，會調(diào)用狀態(tài)判斷模塊，根據(jù)判斷結(jié)果前往對應(yīng)的功能區(qū)。整個車站的區(qū)域劃分和功能區(qū)標(biāo)定示意圖見圖3。

圖3 站臺區(qū)域劃分

3 乘客智能行為系統(tǒng)

每個智能體(乘客)由三個模塊組成：屬性模塊、狀態(tài)判斷模塊、執(zhí)行模塊。屬性模塊在初始化時賦予乘客不同的屬性，包括最大運動速度、執(zhí)行力、對目標(biāo)的渴望程度，這些屬性決定了乘客對行為指令的執(zhí)行效率。狀態(tài)判斷模塊每隔一段時間會自動讀取一次所需信息，并根據(jù)所處的當(dāng)前狀態(tài)判斷是否可以執(zhí)行下一個行為，如果可以，則向執(zhí)行模塊發(fā)出行為指令。執(zhí)行模塊在收到狀態(tài)模塊發(fā)來的信息，從行為庫中相應(yīng)行為，并調(diào)用動畫控制器進行人物動作匹配。

3.1 乘客行為庫

智能體通過檢測周圍環(huán)境的變化，將實時環(huán)境信息數(shù)據(jù)、智能體屬性、隨機因素代入行為狀態(tài)判斷模塊中，從而調(diào)用行為庫中相應(yīng)的行為。本系統(tǒng)將乘客的行為從進出站到乘離車分成八種，乘客的每種行為包含了該行為的觸發(fā)因子、運動速度、目的和完成指標(biāo)。觸發(fā)因子由環(huán)境信息、乘客屬性和隨機因素構(gòu)成，由于屬性的不同及隨機因素的不確定性，導(dǎo)致乘客個體之間的差異性和是否可達到目的的不確定性。如當(dāng)列車快離開時，乘客會加快速度上車，當(dāng)列車已經(jīng)離開，乘客會以正常的速度前往等車區(qū)域等待。這是一個比較通用的行為框架，可以通過擴充行為庫的內(nèi)容滿足不同的需求。如圖4所示，為乘客智能行為的實現(xiàn)機制和本文行為庫中的行為劃分。

圖4 執(zhí)行系統(tǒng)及行為庫

3.2 路徑搜索與動態(tài)避碰

通過基于導(dǎo)航網(wǎng)的A*算法計算靜態(tài)環(huán)境空間中的全局最優(yōu)路徑。該方法將導(dǎo)航網(wǎng)中的三角形作為A*算法中的節(jié)點，第n個節(jié)點的估價函數(shù)可表示為：f(n)=g(n)+h(n)。其中f(n)表示從起始點經(jīng)該節(jié)點到終點的距離，g(n)表示從起始點到該節(jié)點的距離g(n)=g(n-1)+k(n)，k(n)為穿過該節(jié)點的代價，其值等于穿入邊中點到穿出邊中點的距離，h(n)表示從該節(jié)點到終點的距離，其值等于該節(jié)點的中心到終點的距離。A*算法節(jié)點如圖5所示。

圖5 A*算法節(jié)點圖

從起始點開始，計算相鄰節(jié)點的f(n)值，并遍歷所有未途經(jīng)的節(jié)點，取f(n)值最小的節(jié)點作為路徑的下一點，直到終點在鄰節(jié)點三角形內(nèi),詳細過程見文獻[8-9],得到如圖6所示的全局最優(yōu)路徑。

圖6 全局最優(yōu)路徑

得到靜態(tài)環(huán)境中的全局最優(yōu)路徑后，使用RVO(相對速度障礙物)算法實現(xiàn)動態(tài)障礙的碰撞避免。如圖7所示，半徑分別為Ra、Rb的兩個乘客A和B，分別以Va和Vb的速度運動，距離向量為M。根據(jù)相對運動理論，在與B等速運動的動態(tài)坐標(biāo)系中，B的速度Vb0=0，A的速度Va0為：

Va0=Va-Vb

(1)

將乘客A看作一個質(zhì)點，乘客A的半徑加載到乘客B上，此時乘客B的半徑為：

Rb0=Ra+Rb

(2)

得到表示乘客B的圓Ob0，作A乘客所在位置與Ob0的相切射線，分別為l1、l2，當(dāng)A的相對速度在l1和l2的夾角之間時，則乘客A與乘客B必然相撞。而速度Va0不在l1和l2之間時，A與B不會相撞。

圖7 RVO算法

在以M大小為5 m的距離進行碰撞檢測，對速度進行改變，其改變值Δv使得A和B以最小的代價實現(xiàn)避碰。如圖8所示，Δv1和Δv2都可以實現(xiàn)碰撞避免，Δv2的改變量明顯高于Δv1，因此選取Δv1的改變方式。

圖8 最優(yōu)避碰策略

在乘客進行碰撞避免的過程中，不同的狀況會有不同的優(yōu)先避碰策略。如在一般情況下，運動過程中的乘客優(yōu)先選擇繞開排好的乘客隊列，此時，運動中的乘客避碰權(quán)重值很高，若繞開隊列需要很大的路徑開銷時，降低其避碰權(quán)重值，此時乘客會從排好的人群隊列中穿插過去。對于總改變?yōu)棣的避碰策略，根據(jù)優(yōu)先權(quán)的關(guān)系，假設(shè)乘客A的權(quán)重為30%，乘客B的權(quán)重為70%,則乘客A的速度改變Δva為：

Δva=0.3Δv

(3)

乘客B的速度改變量Δvb為：

Δvb=0.7Δv

(4)

通過加入權(quán)重因子的方式，可以實現(xiàn)乘客在不同情況下的穿插繞行特性，更為符合現(xiàn)實場景中人群選擇的行為特征。如圖9、圖10所示，分別為不同權(quán)重比和相同權(quán)重比狀況下的避碰。

圖9 不同權(quán)重比的避碰

圖10 相同權(quán)重比的避碰

3.3 乘客行為規(guī)則設(shè)計

通過對地鐵站乘客的調(diào)查，總結(jié)乘客行為有以下特征：

1) 乘客的選擇會受到周圍人的影響；

2) 乘客總是傾向于更利于實現(xiàn)自身目的的選擇；

3) 存在視覺盲點，乘客在做出選擇時，處于視覺盲點區(qū)域的選項會被忽略；

4) 做出最優(yōu)判斷時并不精確，對于每個選項的綜合因素計算是一個估計值；

5) 由于隨機因素的存在，相同環(huán)境條件下，不同的乘客做出的選擇具有差異性。

根據(jù)這些特點，對乘客進行站內(nèi)和車內(nèi)行為模擬。

3.3.1 乘客站內(nèi)行為

乘客進入車站后，在可視范圍內(nèi)選擇合適的車門等車，每個車門的綜合參數(shù)由該車門與乘客距離L、車門已排隊人數(shù)P、前往該車門的人數(shù)M及隨機因數(shù)k組成，隨著P值的增加，人數(shù)對綜合參數(shù)的影響降低，隨著L的增加，距離對綜合參數(shù)的影響加大。再考慮到單位的統(tǒng)一，通過軟件平臺的不斷調(diào)試，得到綜合參數(shù)S的計算公式：

S=(P(50-P)+0.2L2+α·M)·k

(5)

其中：k是一個在0.8和1.2之間波動的隨機值，α為M值的影響因子，如圖11-圖13為α值從0到40的模擬結(jié)果。α值表示周圍人的選擇對該乘客做出選擇的影響力大小。當(dāng)α=0時，缺少對周圍人選擇的預(yù)判，導(dǎo)致乘客集中前往同一車門，該情況并不合理。當(dāng)α值過大時，會嚴重削弱距離等因素的影響，通過對地鐵站的調(diào)查分析，α值選取30較為合理。

圖11 α值為0

圖12 α值為20

圖13 α值為40

當(dāng)?shù)溶噮^(qū)乘客過多時，繼續(xù)進入車站的乘客將不會前往車門處排隊等車，而是選擇離車門較近的區(qū)域等車。乘客具體選擇的站點，具有很大的隨機性，但普遍傾向于人員密度小、離車門較近、離自己較近的位置。由于車站中提供給乘客等車的點數(shù)量巨大，考慮到實際情況中，乘客做出的選擇并非全局最優(yōu)，因此本文通過求局部最優(yōu)解得到乘客選取的站點。在地鐵站的等車區(qū)中隨機選取20個點，點的綜合參數(shù)S和該點到乘客距離L、該點到車門距離M、該點周圍人數(shù)P、不確定因子k之間的關(guān)系為：

S=(0.8L+M+10P)·k

(6)

模擬結(jié)果見圖14。

圖14 站內(nèi)乘客布局

3.3.2 乘客車內(nèi)行為模擬

當(dāng)上車人數(shù)較多時，乘客往往急于占據(jù)一個座位，因而以比平?？斓乃俣冗\動，影響乘客選座的主要因素是座位離自身的距離L，該距離可以讓乘客預(yù)判自己是否能占據(jù)該座位。當(dāng)車內(nèi)人數(shù)和上車人數(shù)都較少時，乘客在選擇座位過程中，會以正常的速度運動。大多數(shù)的乘客傾向于人員密度p小的區(qū)域，陌生乘客之間會盡量的遠離。同時，大多數(shù)乘客只會在本車和鄰車中選擇座位，且鄰車對乘客的吸引力非常有限。在這些原則下，設(shè)計乘客選擇座位過程中的綜合影響參數(shù)S的計算公式：綜合參數(shù)S的計算公式：

S=k·L2/p

(7)

其中：k為一個介于0.5與1之間的隨機數(shù)。如圖15、圖16所示，為一節(jié)車廂內(nèi)在乘客數(shù)量不同時，乘客的分布情況。

圖15 少量乘客的車廂

圖16 座位被占滿的車廂

4 模擬結(jié)果

在上述技術(shù)的基礎(chǔ)上設(shè)計了一套乘客智能行為仿真系統(tǒng)，以南京地鐵S1號線南京南站為例進行實驗。設(shè)置地鐵站的出入口點、上下行電梯等，在入口處不斷產(chǎn)生具有一定乘車信息的乘客，乘客進站，如圖17(a)所示。進站后尋找合適的車門等車點排隊等車，如圖17(b)所示。當(dāng)站臺內(nèi)乘客數(shù)量過多時，乘客將選擇站內(nèi)的某點等待上車，如圖17(c)所示。列車進站后車門開啟，乘客依次上車，如圖17(d)所示。上車的乘客在車內(nèi)尋找合適的座位，如圖17(e)所示。車門關(guān)閉，列車開啟，車內(nèi)的監(jiān)控攝像監(jiān)控車內(nèi)狀況，如圖17(f)所示。

圖17 模擬結(jié)果

本文實驗在Intel X5675 3.06 GHz CPU,4 GB內(nèi)存，AMD HD7900顯卡的臺式機上完成。三角面?zhèn)€數(shù)為900的人物模型，其實驗結(jié)果見表1。

表1 實驗結(jié)果

5 結(jié) 語

本文提出交通場景中基于個體的人群智能行為模擬方法。通過基于導(dǎo)航網(wǎng)的A*算法實現(xiàn)全局最優(yōu)路徑搜尋，在RVO算法中加入權(quán)重因子實現(xiàn)智能體有選擇性的動態(tài)障礙避碰。結(jié)合地鐵站中的調(diào)研結(jié)果，分析總結(jié)乘客行為規(guī)律，設(shè)計出一套完整的地鐵站乘客智能行為模擬實現(xiàn)方案。

本文提出的乘客行為模型中，乘客以個體形式出現(xiàn)，不包括諸如乘客糾紛、列車故障、大規(guī)模群體疏散等特殊情況。乘客群體跟隨、特殊情況處理等將是下一步的研究工作。

[1] Musse S R,Thalmann D.Hierarchical Model for Real Time Simulation of Virtual Human Crowds[J].IEEE Transactions on Visualization & Computer Graphics,2001,7(2):152-164.

[2] Murakami Y,Minami K,Kawasoe T,et al.Multi-agent simulation for crisis management[C]//Knowledge Media Networking,2002.Proceedings.IEEE Workshop on.IEEE,2002:135-139.

[3] 王兆其,毛天露,蔣浩,等.人群疏散虛擬現(xiàn)實模擬系統(tǒng)—Guarder[J].計算機研究與發(fā)展,2010,47(6):969-978.

[4] Jennings N R,Sycara K,Wooldridge M.A Roadmap of Agent Research and Development[J].Autonomous Agents and Multi-Agent Systems,1998,1(1):7-38.

[5] Lester P.A* pathfinding for Beginners[OL].Artificial Intelligence,2003-10-09.https://www.gamedev.net/articles/programming/artificial-intelligence/a-pathfinding-for-beginners-r2003.

[6] Tang P,Zhang Q,Yang Y M.Studying on path planning and dynamic obstacle avoiding of soccer robot[C]//Intelligent Control and Automation,2000.Proceedings of the,World Congress on.IEEE,2000:1244-1247 vol.2.

[7] Lawson C L.Software for C1surface interpolation.Rice J.Mathematical SoftWare[M].New York:Academic Press,1977.

[8] Rabin S.AI Game Programming Wisdom[M]//Building a Near-Optimal Navigation Mesh,2002:127-138.

[9] Brand S.Efficient obstacle avoidance using autonomously generated navigation meshes[D].Delft University of Technology,2009:43-52.

RESEARCHOFVIRTUALPASSENGERBEHAVIOURSIMULATIONONSUBWAYSTATIONANDITSIMPLEMENTATION

Wei Yucong1Zeng Li2Lin Jing2Xu Jianjun2Xin Chunhui1

1(SouthwestJiaotongUniversity,Chengdu611756,Sichuan,China)2(ChengduYundaScienceandTechnologyCo.,Ltd,Chengdu611713,Sichuan,China)

This crowd simulation on subway platform can enhance the subway driving simulator visual immersion, and can be used for subway station public places in the emergency response simulation. However, because of the complexity and amount of effect factors of passenger behaviors, the simulation is the difficulty of subway simulation system. In this paper we analyze the behavioral characteristics of passengers on subway station in detail, and get a conclusion of behavior rules under kinds of effect factors. We improve RVO algorithm through weight factor method to realize dynamic obstacles avoidance. The paper makes quantitative analysis of behavior choices and establishes a complete scheme of intelligent passenger behaviors system with extensibleness and expansibility. Solved the problem of subway simulator such as simple passenger models, scarcity of behaviors, poor realistic, improves fidelity of the scene and driver immersive feeling through driving the subway simulator.

Intelligent simulation Effect factors Behaviour characteristics Behaviour simulation

2017-02-14。四川省科技廳重點研發(fā)項目(2017GZ0026)。魏玉聰，碩士生，主研領(lǐng)域：虛擬現(xiàn)實，列車仿真。曾理，工程師。林靜，工程師。徐建君，工程師。辛春輝，碩士生。

TP391.9

A

10.3969/j.issn.1000-386x.2017.11.015