[發明專利]一種基于視覺感知網絡深度學習的行人運動模擬方法

在審

• 申請號: 202011333762.5
• 申請日: 2020-11-25
• 公開（公告）號: CN112597802A
• 公開（公告）日: 2021-04-02
• 發明（設計）人: 龔建華;武棟;周潔萍;李文航;孫麇
• 申請（專利權）人: 中國科學院空天信息創新研究院;浙江中科空間信息技術應用研發中心
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06T17/00;G06N3/04
• 代理公司: 北京盛詢知識產權代理有限公司 11901
• 代理人: 陳巍

本發明公開了一種基于視覺感知網絡深度學習的行人運動模擬方法，結合深度學習和強化學習，實現了行人運動模擬，該模型模擬人的視覺，以RGB圖像作為輸入，輸出運動的速度和方向，能夠有效地模擬不同場景中的行人流。相比于傳統的以位置等坐標作為輸入的運動模型，本申請方案以視覺圖像作為輸入，與真實的行人運動更加相似，能夠有效地對兩出口疏散場景中的行人運動和單向走廊行人流場景中的行人運動進行模擬，有效地增強了行人運動模型的伸縮性和魯棒性。

技術領域

本發明屬于計算機模擬仿真領域，特別是涉及一種基于視覺感知網絡深度學習的行人運動模擬方法。

背景技術

行人運動建模是模擬和預測行人運動的主要而有效的方法。現實世界中人群的踩踏事故經常發生，比如在地鐵、校園教室等人群聚集區域，發生火災、地震、恐怖襲擊等情況時，人群極有可能產生擁擠、踩踏等事故，造成巨大的生命財產損失。因此，模擬和預測行人運動是很重要的。當局(即決策者、疏散管理者、安全規劃師、研究人員)事先了解模擬環境中可能發生的情況，可以培訓應急人員，以便對實際發生的事件做出成功的反應。

行人運動模型從尺度上分為微觀模型和宏觀模型。宏觀模型忽略個體間的差異，適用于大區域的人群研究；微觀模型將人群中的每個行人單獨表示，適于小區域的人群行為研究。微觀人群模型主要分為連續型模型和離散型模型兩種。其中連續性模型是指通過方程來求數值解模擬行人運動過程的模型，典型代表為社會力模型；而離散型模型是將空間劃分為網格，行人按照規則轉移到相鄰的網格，進行離散運動,主要有元胞自動機模型、格子氣模型等。

但是傳統的行人運動模型存在著一些問題。需要較為復雜的數學建模，并且個體差異等一些復雜的因素很難被考慮到,靈活性不強難以適應復雜環境。

近年來，深度學習和計算機設備快速發展，在一系列領域取得了突破性的進展。強化學習與深度學習結合，在游戲行人、機器人、路徑規劃等領域取得了巨大的進展。在行人運動模擬領域，學者們基于深度學習和強化學習做了初步的研究。在行為演化規則中使用強化學習方法；提出基于強化學習的人群模擬框架；通過SARSA算法模擬人群，并與基于規則的行人進行比較，認為基于SARSA的行人更加逼真。

但是傳統的基于強化學習算法的行人運動建模，在伸縮性和魯棒性方面有所不足，有待于結合深度學習方法，利用深度強化學習算法對人群行為建模進行進一步研究，對伸縮性和魯棒性進行改進。

發明內容

為了解決上述問題，本發明利用深度學習和強化學習，提出一種基于視覺感知網絡的深度強化學習行人運動模擬方法，實現行人運動的模擬仿真。

本發明提供了一種基于視覺感知網絡深度學習的行人運動模擬方法，包括以下步驟：

S1.采集若干個行人的運動軌跡圖像，基于所述行人的運動速度數據和運動方向數據，構建行人運動模型；

S2.基于所述行人運動模型，通過模擬仿真三維環境，收集左眼感知圖像和右眼感知圖像，構建左眼感知網絡模型和右眼感知網絡模型，基于所述左眼感知網絡模型和右眼感知網絡模型，構建視覺感知孿生網絡模型；

S3.基于所述視覺感知孿生網絡模型，依據獎勵函數，對所述行人運動模型進行訓練，模擬所述運動速度數據和運動方向數據，構建行人運動模擬模型，用于所述行人的運動模擬，實現所述仿真三維環境的真人運動模擬。

優選地，所述S2包括，基于若干個時間步，收集所述行人運動模型的單個行人轉移圖像集，進行仿真三維環境模擬，通過模擬左眼和右眼的眼睛位置，收集所述左眼感知圖像和右眼感知圖像。

優選地，所述左眼感知圖像和右眼感知圖像為RGB圖像。

優選地，所述視覺感知孿生網絡模型，包括策略函數模型，用于模擬所述運動速度數據和運動方向數據；

通過所述左眼感知網絡模型和右眼感知網絡模型構建所述策略函數模型。