可穿戴設備下的恐慌人群仿真探究

時間：2024-09-15 06:04:47 碩士畢業論文

可穿戴設備下的恐慌人群仿真探究

　　【摘要】利用可穿戴設備解決恐慌人群仿真中數據采集的問題。首先，建立信息傳遞下的人群仿真模型，為可能的采集數據提供輸入接口;其次利用動作捕捉設備處理個體行為仿真;最后進行了廣場火災事件下的恐慌人群仿真實驗。結果證明，可穿戴設備的普及使得突發事件下恐慌人群的數據采集變得可行，在這些數據研究下的恐慌人群仿真可以為制定城市應急預案提供更精準的分析。

　　【關鍵詞】可穿戴設備動作捕捉恐慌人群仿真

　　一、引言

　　2014年我國發生了震驚全國的“昆明火車站暴力恐怖襲擊事件”，事件中共造成29人死亡、143人受傷。2014年12月31日上海外灘陳毅廣場發生的踩踏的事件造成36人死亡、49人受傷，使我國2015年的元旦籠罩在一片悲傷中。近年來，隨著人們精神文化生活的日益豐富，各式各樣的活動蜂擁般出現在人群中，隨之引發的是社會公共管理能力與快速增長的公共活動需求之間的矛盾。國內外發生的一系列突發性人群事件，由于其巨大的破壞力得到了越來越多人的關注，大家迫切希望有某種手段能夠提高社會的公共管理能力和突發事件的處理能力，把各類事故中的損失降到最低。

　　人群仿真是提高公共管理能力的有效輔助手段，其本質上是一個復雜的動態系統，它涉及心理學、社會學、管理學和計算機科學等多個學科。因此，關于人群仿真有來自于不同領域的大量研究，如心理行為及其影響因素研究[1-2]、建筑逃生演練研究[3]、危險氣體的擴散研究[4]、疏散速度研究[5]和應急動態決策研究[6]等。通過這些研究可以發現，在突發事件人群仿真中有一個顯著特征――人群的聚集，而且在??突發事件中可以觀察到人群行為與正常情況下的人群行為的巨大差異。這種人群的巨大差異使得突發事件中人群的各項數據采集變成了難題，從而導致危險情況下的恐慌人群仿真研究因數據缺乏而陷入瓶頸。

　　值得慶幸的是，隨著谷歌智能眼鏡、小米手環、蘋果Apple Watch、耐克智能鞋等可穿戴設備的出現，人們也開始熱衷于隨時隨地記錄自己的運動和行為數據，可穿戴設備從未以如此高的頻率在健康與運動領域井噴式發展[7-8]。事實上，可穿戴設備使用便捷、人性化設計、可操作性強、智能高效等優勢都在逐漸凸顯，先進的電路系統、無線聯網，越來越準確的傳感器技術以及不斷提高的蓄電能力[9]，都使得可穿戴設備在具備數據采集能力時還具有極強的數據處理能力，可以在采集數據的同時實現智能終端同步。這為突發事件中恐慌人群的數據記錄提供了可以發展的前提條件，突發事件中的恐慌人群研究將進入新的研究篇章。

　　二、恐慌人群的仿真

　　人群仿真算法可以分為宏觀算法與微觀算法[11-12]。人群行為的研究主要包含以下幾個方面：個體行為、群體行為、群體之間的交互行為。恐慌人群與普通人群行為有巨大差異的主要原因是突發事件中的個體會產生恐慌情緒并相互感染，從而導致群體行為異常。通過剖析恐慌情況下人群中個體情緒的形成、發展和傳遞，發現情緒可以看成個體對自身接收信息的一種心理反應，情緒的產生原因可視為新信息的進入，情緒的作用結果是行為的選擇，而情緒的感染過程等同于個體間信息的交互。因此恐慌人群仿真可以歸納為如下幾個功能模塊：虛擬人對環境的感知、根據獲得的數據進行決策、生成動作數據以及執行動作，具體如圖1所示：

　　2.1信息獲取

　　在虛擬人對環境的感知中虛擬人跟正常人一樣具有虛擬感受空間，每個虛擬人都有自己獨立的信息空間。根據信息傳遞的3種途徑(視覺、聽覺、觸覺)，虛擬人信息空間的模型可以分為3個模塊，即視覺信息空間、聽覺信息空間、觸覺信息空間。每個子模塊的信息空間分別有自己可接收信息的種類、范圍、程度等規則，虛擬人之間根據這些信息空間的規則進行彼此間的交互。

　　虛擬人i的信息空間如圖2所示，Rv、Rh、Rt、R0分別為視覺空間半徑、聽覺空間半徑、觸覺信息半徑和虛擬人所占空間半徑。不同子空間具有不同的約束條件，每個空間按照各自的條件或規則進行信息收集、處理，最終虛擬人體獲取的是各子空間的全部信息的綜合，即虛擬人得到的總信息等于各個子信息求并集，如式(1)所示：

　　(1)

　　2.2信息傳遞

　　確定人群中信息傳遞的途徑后，需要確定的是虛擬人間信息傳遞的種類。根據恐慌情況下能夠影響人群疏散能力的幾種因素，可以將危險情況下人群中的信息傳遞種類分為：事故信息(AI)、逃生知識與經驗(KI)和舒適度(CI)這3類信息。事故信息AI的值設定在[-1，1]之間，并根據其程度、影響進行賦值，1表示事故信息帶來最大的消極影響(如事故范圍內的人離事故地點越近受到的傷害越大)，而-1表示事故信息帶來最大的積極影響(如事故范圍外的人得到事故信息可以有所防范)，0表示其無影響。舒適度指的是個體對周圍環境信息的一個反應，它不僅與個體局部人群密度相關，還與個體間的距離有關系。逃生知識與經驗屬于積極信息，個體具備逃生知識與經驗會在危險中產生積極的情緒，使其由恐慌轉向理智，有助于個體做出明智的判斷。最終虛擬人可以通過自己的3種信息數據以及環境感知到的信息數據，得到自身在突發事件中的恐慌情緒值Panic，計算方法如式(2)所示：

　　(2)

　　式(2)中λ、α、β、γ為相關系數，這個系數在獲得真實數據以后可以通過訓練實驗場景中的輸入輸出數據得到準確的值。

　　2.3虛擬人行為計算

　　如圖1恐慌人群仿真功能模塊示意圖所示，在前面解決了人群中虛擬人的恐慌情緒計算問題，通過式(2)可以得到虛擬人的情緒值，使虛擬人進入決策機制開始進行行為選擇。然后把虛擬人的運動分為4個運動片段：開始(起步)、行走、停留、摔倒，每個運動片段都被表示為一個節點，如圖3所示，運動圖表示狀態轉換間的路徑，每種狀態對應各自的觸發條件和表現形式。

　　每個個體初始化狀態為開始，開始狀態下個體的速度大小為個體i的初速度大小vi(0)，每次經過其它狀態轉換到的開始狀態也采用該速度。開始狀態完成后，在人群密度和個體恐慌情緒的條件下，個體轉換到行走狀態，平移速度vi(t)由個體的局部人群密度ρi和當前恐慌程度Panic(t)通過式(3)計算并進行步態控制，在行走過程中如果人群密度超過4.2人/m2或個體尋徑陷入困難或碰到無法躲避的障礙物，個體運動狀態則會轉入停留狀態，直至困境解除重新進入開始狀態或困境達到極限引發跌倒。

　　(3)

　　vi(0)是智能體i的初速度大小;vimax是智能體i最大的理想速度，現在這2個速度的設定可以根據真實情況下用戶已有的可穿戴設備中的日常數據進行真實的設定。Panic(t)為t時刻虛擬人的恐慌程度大小，當人群密度足夠小時，影響虛擬人速度的主要是虛擬人自身的恐慌情緒，即越恐慌越想逃離，速度會隨情緒上升而加快。當人群密度足夠影響虛擬人速度時，虛擬人速度由恐慌情緒和人群密度共同決定。隨著恐慌情緒上升、人群密度變大，虛擬人的速度反倒會下降，即“越快越慢”效應。當人群密度達到極限時，虛擬人的速度將為0，此時無論虛擬人情緒如可，客觀的現實環境都限制了虛擬人的移動，使其無法擺脫。

　　目前在實驗中所采用的虛擬人獲取信息都是通過定性分析賦值的。比如說視覺信息中虛擬人看到的路徑信息其實是在程序中人為定義的，事實上這些信息如果能夠通過當前的可穿戴設備獲得則可以實現更為智能和真實的人群仿真。而現在的主要工作就是在數據采集設備技術發展到成熟和普及之前，確定恐慌人群的仿真模型，并為數據采集預留出接口。比如事故信息的判斷，火災中完全可以通過可穿戴設備采集到的定位數據、溫度數據計算得到。同樣，舒適度信息考慮的是人群中的局部人群密度和個體間的最小距離，這2組數據也可以借助可穿戴設備中的定位信息采集得到。

　　三、動作捕獲設備的應用

　　3.1動作捕獲

　　上一節描述了恐慌人群中的恐慌情緒計算方法和虛擬人的行為選擇，這些最終還需要通過動畫才能體現出來。因此，人群仿真中每個虛擬人的行為動畫變得尤為重要，想要獲得更為真實的虛擬人行為動畫，就要獲得真實行人的行為數據進行虛擬人動畫的制作，因此動作捕獲設備應運而生。目前主要有基于光學、基于慣性的動捕設備，本文主要采用IGS-150設備來完成動作的捕獲工作。IGS-150采用15個標準慣性傳感器(陀螺儀)，采用Animazoo操作系統，可以對人體骨骼框架部位的運動進行實時掃描呈現，系統可以測算出人體關鍵點(傳感器所在)的位置，并將數據加載到相應的虛擬人骨骼之上[12]。

　　實驗人員穿上安裝好傳感器的捕捉服，如圖4所示，可以在實際情況中進行所需動作的設計。例如基本的直立行走、奔跑等基礎動作。動作完成后，可以在電腦中查看已經錄制好的骨骼動作BIP文件，將此文件加載到虛擬人后，就可以在第三方軟件中看到帶有動作的虛擬人了。

　　3.2虛擬人動作處理

　　首先通過動捕設備得到動作的BIP文件，然后對于虛擬角色的人物復雜動作進行設置，需要在3ds Max中完善，包括動作融合和動作劃分等，然后導出FBX格式，最后再導入渲染引擎中進行控制與應用。

　　(1)動作融合

　　BIP文件添加成功后需要對所需動作進行融合，這樣才能使虛擬角色的復雜動作具有連貫性。在視圖中創建空白頁，然后依次加載3個BIP動作文件，并將它們聯系在一起，這樣動作融合就初步完成了。動作融合完成后，需要把人物動作導出為FBX動態模型格式文本。FBX文件導出成功后，即可導入UNITY或者OSG中，在project視圖中點擊右鍵建立一個New Folder并重新命名為character，然后點擊右鍵選擇show in Explorer，顯示文件夾把導出人物FBX文件與人物貼圖拷貝到character文件里面即虛擬角色運動模型導入成功。

　　(2)動作劃分

　　人物模型導入成功之后，有時需要對動作進行劃分，一是為了防止動作的混淆，二是可以方便對人物動作的調用。在工程視圖中選中剛導入的人物模型，在Split Animations進行動作劃分。此處，劃分出了這3種動作，并且分別命名為stand、walk、run。然后點擊apply，實現了動作的分割。注意，這里的劃分并不是完全意義上的分隔開，只是時間上的一種區分罷了。

　　當動作分割好之后需要把動作賦給場景中對應的角色。這里提供一種簡單的實現方式。先把project中的虛擬角色通過拖拉的方式，拖到hierarchy視圖中，然后在inspector視圖中調整虛擬角色的位置，使其處在場景中一個適當的位置。為了在腳本中能合理地利用虛擬角色之間的動作，需要把虛擬角色用到的動作添加到虛擬角色中去。首先，在size中輸入3即表示是3種動作，然后在下面的Element中分別選擇3種動作，同時勾選play automatically表示當場景開始的時候即可進行動作播放。加載動作后的結果如圖5所示：

　　4實驗結果及結論

　　基于真實的動作采集，對火災情況下的恐慌人群進行了仿真，仿真結果如圖6所示。通過圖片可以看到每個虛擬人都可以通過自己的信息空間獲取和感知周圍的環境信息，并在信息基礎上做出決策得到行為選擇。這種方法主要有2點優勢：

　　(1)先進動作捕捉設備的引進。與傳統方法相比，動作捕捉設備使得在恐慌人群仿真中可以更真實、快速地加入虛擬人行為動畫，減少了每個虛擬人動作的制作時間，降低了虛擬人動作的實現成本，達到了高效、逼真的實驗效果。原始方式主要采取最基礎的手動方法來完成，在建模軟件中需要對人物的基本動作進行單幀的制作，一幀一幀地去匹配完成人物的骨骼。廣場火災人群逃生仿真如圖6所示：

　　(2)建立了虛擬人的信息空間，定義了信息獲取方法和對虛擬人情緒影響的實時計算方法。這個模型的建立為以后在恐慌人群中引入日常類可穿戴設備進行信息采集提供了基礎，模型中每個虛擬人都有各自的數據輸入接口，每次的輸入都會直接映射到虛擬人的行為中去。雖然現階段只能用已有的一些數據進行模型驗證，而不能實時地輸入數據，但是隨著可穿戴設備的普及和廣泛應用，恐慌人群仿真必定能夠實現事件中的個人信息實時傳輸，從而使我們的模型更加具有意義。

　　可穿戴設備本身價值并不大，關鍵在于其獲得的數據與提供的服務，越垂直越深度往往價值越大。用戶要的不只是數據，大部分用戶對一些數據本身是沒有概念的，經過分析得出的結果和解決方案才是最重要的。而我們所建立的信息模型正是將可穿戴設備獲得的數據應用在恐慌人群仿真中，計算生成虛擬人的情緒，引導虛擬人的行為，得到更真實的計算機仿真結果，為各類應急預案提供更準確的分析。

　　參考文獻：

　　[1] Margrethe Kobes， Ira Helsloot， Bauke de Vries，et al.Building safety and human behaviour in fire： A literature review[J].Fire Safety Journal， 2010，45(1)：1-11.

　　[2] 李遜，洪玲，徐瑞華.軌道交通車站應急疏散乘客心理行為影響因素分析[J].城市軌道交通研究， 2012，15(4)：54-57.

　　[3] 姜傳勝.辦公樓疏散演練綜合評估方法研究[J].中國安全科學學報， 2012，22(5)：170-170.

　　[4] He G， Ou W， Ma M， et al. Virtual emergency rehearse system for dangerous gas diffusion in chemical industry park[C]. Proceedings of the 10th International Conference on Virtual Reality Continuum and Its Applications in Industry. ACM， 2011： 455-458.

　　[5] Blair， Alyson Janna.The effect of stair width on occupant speed and flow of high rise buildings[D].University of Maryland， 2010.

　　[6] 李俊嶺，劉慶順，閏建超.應急動態決策的行為過程與模式研究[J].河北學刊， 2008，28(5)：146-150.

　　[7] 毛彤，周開宇.可穿戴設備綜合分析及建議[J].電信科學， 2014，30(10)：134-142.

　　[8] 趙斌.可穿戴設備設計趨勢及策略研究[J].包裝工程，2015，36(2)：18-25.

　　[9] 封順天.可穿戴設備發展現狀及趨勢[J].信息通信技術， 2014，40(3)：52-57.

　　[10]QiuFasheng， Hu Xiaolin.Modeling group structures in pedestrian crowd simulation[J].Simulation Modelling Practice and Theory， 2010，18(2)：190-205.

　　[11] Zhou Suiping， Dan Chen. Crowd modeling and simulation technologies[J].ACM Transactions on Modeling and Computer Simulation(TOMACS)，2010，20(4)：20-20.

　　[12] 孫浩鵬，李楊. 道格拉斯-普客算法在動作捕捉數據優化中的應用[J]. 科技創新與應用， 2013(36)： 24-24.

【可穿戴設備下的恐慌人群仿真探究】相關文章：

探究商業方法的可專利性問題03-19

小學科學課堂教學中的設疑方法的探究與思考教育論文12-07