大型校園人群行為仿真與管控優化技術

陳 劍，李東芮，王 靜，鐘競輝

(1. 肇慶醫學高等專科學校，廣東 肇慶526020；2. 華南理工大學計算機科學與工程學院，廣東 廣州 510000；3. 中新國際聯合研究院，廣東廣州 510000)

1 引言

人群行為仿真是利用人群行為模型來模擬人群在特定場景中的宏觀或微觀行為的過程[1]。隨著社會經濟的發展和城鎮化進程的加快，人群密集的大型公共場所(如火車站、飛機場和大型商場等)的數量急劇增加。利用人群行為模型對大型公共場所進行仿真與優化成為當前各國政府和學術界都十分關注的熱點研究問題[2]-[4]。可靠的人群行為模型可用于預測大型公共場所中人群的分布和密度、人群疏散的瓶頸區域等，從而輔助場所的管理人員提前做好應對措施，防止發生公共安全事故，同時也可以對場所的布局合理性進行評估和優化等。目前，人群行為仿真已被成功用于飛機場和旅游區等公共場所的仿真，取得了令人鼓舞的應用成效[5]-[10]。

然而，人群行為仿真在校園安全方面的應用還比較缺乏，目前尚未有基于人群行為仿真的大型校園人群管控應用。現有的基于ZigBee技術的校園實時監控主要專注于幫助安保人員在異常事件發生后盡快采取措施，但無法預測未來將要出現的異常，也無法預測在假定場景下的人群行為[11]。因此，如何利用人群行為仿真技術對大型校園人群行為進行預測和管控優化，實現校園人群智慧管控，是智慧校園建設亟待研究的課題。

針對上述問題，本文提出了一個通用的大型校園人群行為仿真與管控優化框架，并以肇慶醫學高等專科學校北嶺新校區為例進行仿真，驗證了所提出方案的可行性和有效性。

2 相關工作

本文旨在提出校園人群行為仿真與管控優化技術。因此，本小節對人群行為的研究現狀以及相關應用領域進行概述。

2.1 人群行為建模與仿真

人群行為建模旨在定義特定場景下的人群行為，相對其它建模問題更有挑戰性，因為人群的行為不但受到物理、心理和社會的影響[1]，還涉及到路線規劃、碰撞避免等復雜的行為。人群行為建模的方法可分為宏觀行為建模與微觀行為建模兩大類。宏觀的建模方法將人群視作整體，幾乎不關注內部行人自身的特點及人與人之間的作用，而是用宏觀的特征來描述人群，比如基于流的模型[12]。微觀的建模方法則關注人群中個體的微觀行為，常見的方法包括基于元胞自動機的方法[15]和基于智能體的方法[13][14][16]。其中，基于智能體的方法用具有智能的、與人的行為相似的智能體來代表行人，通過設定智能體的行為規則來獲得微觀和宏觀的群體行為，具有建模靈活和建模質量高等優點，是當前人群行為建模的主流方法。

2.2 碰撞避免模型

碰撞避免模型通常被用于人群行為模型的底層，以實現人與人、人與物之間的碰撞避免。社會力模型[13]是一種經典的碰撞避免模型，它認為行人受到來自障礙物的斥力和來自目的地的引力，人的速度變化同時受到這些力的影響。另一種常用的模型是基于射線的碰撞避免方法RVO2[14]。與RVO2模型相比，社會力模型具有模型結構簡單，建模過程靈活性高和建模質量好等特點。因此，本文采用社會力模型來實現底層的碰撞避免機制。下面簡要介紹社會力模型的原理，更詳細的內容可參閱[13]。

在社會力模型中，個體受到的合力由式(1)給出

(1)

障礙物分為兩類，一類是動態障礙物，即其他行人，另一類是靜態障礙物，即場景內的墻壁、裝飾等短期內不會發生變動的障礙物。行人與行人之間的力由式(2)給出

(2)

-κg(ri-diW)(vitiW)tiW#

(3)

其中，式子右邊的第一部分表示行人i與墻體W連線方向上的力，第二部分則表示行人i與墻體W之間的滑動摩擦力。同樣，當行人與墻體沒有接觸時，壓力與滑動摩擦力均為零。式(2)和(3)表明，行人之間或行人與靜態障礙物之間的距離越小，行人受到的斥力越大，行人越有遠離障礙物的趨勢。當行人與障礙物有了接觸時，會受到滑動摩擦力摩擦力和強大的壓力。上述特點與一般的認知是吻合的。社會力模型屬于基于智能體的算法，社會力模型與路徑導航算法相結合后，仿真中的個體更加智能，能夠產生具有真實感的人群行為仿真結果。

2.3 路徑導航算法

A*算法[17]是利用廣度優先搜索原理和適當的啟發式，從起點向外擴張，找到抵達終點的最短路徑的算法。相比Dijkstra算法，A*算法能在優秀的啟發式的幫助下用更快的速度和更小的搜索空間找到最短路徑。在擴張過程中，對于候選點n，A*算法用下式對其進行代價估計

f(n)=g(n)+h(n)

(4)

其中，g(n)是從起點到n經過的距離，h(n)是一個啟發式函數，表示從n到終點的估測距離。每次擴張都選擇f值最小的n點，直到抵達目的地，A*算法求最短路徑的過程結束。此時，從目的地開始，尋找每個點的上一個點，連起來就得到了最短路徑。

針對具體的問題特性，A*算法的變種被提出。D*算法[18]即動態的A*算法，針對機器人在場景障礙物分布動態變化的情況下的尋路問題提出，該算法從目的地向起點進行搜索，每個結點記錄當前到終點的值和該值的歷史最低值。在機器人沿著所得路徑行進卻碰到障礙物時，則在當前位置重新規劃路徑并更新結點記錄的信息。LPA*[19]是另一種動態A*算法，該算法從起點向目的地進行搜索，當最短路上出現障礙物或清除了障礙物時，路徑會根據需要重新進行規劃。另一種A*算法D* Lite[20]與D*一樣利用了反向搜索，與LPA*一樣不斷重新規劃路徑，但與LPA*對整條路徑進行更新不同的是，D*規劃的是機器人所在位置到目的地的路徑。由于本文涉及的校園場景固定，故不需要采用動態算法，直接采用A*算法即可。

2.4 數據驅動的人群行為仿真

隨著監控技術的發展，大量的公共場所監控視頻被獲取，為數據驅動的人群行為仿真提供了數據。在設計好人群行為模型的整體框架之后，數據驅動的人群行為建模方法將從真實數據中提取信息，以得到更真實的仿真人群。近年來，大量數據驅動的人群行為建模與仿真技術被提出。在Kluepfel等人提出的方法中[21]，人群行為被建模為元胞自動機，其行走速度、元胞大小等參數都根據真實數據來設置。Bera等人[22]則根據歷史數據調整RVO2模型的參數，使調參后的RVO2模型可以被用于預測行人軌跡。Tan等人[23]提出的數據驅動模型關注起點、終點和路徑的選擇，使用差分進化算法來根據視頻的密度分布調整相關參數。在自動生成人群行為規則的演化計算框架[16]中，真實數據既提供了人流量、路徑分布等輸入參數，也作為仿真效果好壞的參考依據。在數據驅動方法中，參數的設置和調整更有依據，建模人員也不必從無到有，可以更有效率地生成具有真實感的人群。

3 大型校園人群行為仿真與管控優化框架

為了實現校園的人流智能管控，本小節提出大型校園人群行為仿真與管控優化框架。如圖1所示，本文所提出的框架主要包含以下四個模塊。

圖1 大型校園人群行為仿真與管控優化框

第一個模塊是建模數據模塊。智慧校園人群仿真所需的數據信息包括場景信息、歷史視頻信息和實時視頻數據信息。場景信息包括校園內的可行走的區域分布、障礙物分布、出入口分布等。歷史視頻信息提供了校內人群的主要路線分布、各路線上的人群密度分布、各入口的人流量等，比如，師生下課后走向飯堂，可能從教學樓不同位置開始出發，經過不同的路線抵達飯堂。所提供的環境參數越準確，利用這些參數得到的人群仿真就更接近真實情況，更具參考意義。實時視頻數據可以利用監控錄像幫助模型實現動態的參數變化，使得模型能夠更加準確地預測未來人群。場景、人流量的變化有時是無法預知、突然發生的，比如突發事件導致人流量變化、可行區域變化等。此時，如果能夠提供實時的視頻數據，就能及時根據實時信息進行仿真，快速定位安全隱患，迅速采取措施。

第二個模塊是人群行為模型。人群行為模型的功能是根據場景信息提供的可行區域信息、障礙物信息和出入口位置信息，歷史視頻提供的各路線起點終點對，以及實時視頻提供的實時變化信息，利用路徑導航方法來引導個體行走，從而產生宏觀的人群行為。本文框架采用關鍵點與A*算法結合的方式實現路徑導航。其中，關鍵點由人為設定，用于設置起點到終點經歷的關鍵位置。關鍵點確定后，再利用A*算法確定從一個關鍵點到達另一個關鍵點的路徑。個體在移動過程中，需要盡力規避靜態障礙物和其他行人，并以盡可能短的路線長度抵達目標(即關鍵點或終點)。由于社會力模型具有實現簡單和建模靈活可靠等特性，本框架選擇社會力模型為仿真提供具有真實感的碰撞避免行為。

第三個模塊是仿真可視化模塊。本文所提出的可視化模塊支持2D和3D顯示功能。其中，2D的仿真主要通過融合第二個模塊產生的人群軌跡數據、環境障礙物信息以及JAVA提供的2D繪圖開發接口實現。為了實現3D的仿真可視化，首先建立場景的3D模型，然后將環境模型以及有人群行為模型產生的人群移動軌跡導入Unity開發引擎中，從而產生3D的可視化仿真。

第四個模塊是人群預測與管控優化模塊。人群仿真將在給定的場景中，按照指定的或從歷史視頻信息所得的人流量，讓個體持續不斷地從入口進入場景，并沿著指定的或從歷史視頻信息所得的路徑，走向目的地。通過可靠的人群仿真，校園管理人員可以直觀地發現場景的瓶頸區域或其它安全隱患，及時采取措施，防患于未然。人群仿真除了可以基于正常情況下的參數進行仿真，還可以進行極端情況下的仿真。考慮到大型的公共場所在周邊有大型活動時，人流量可能遠高于平時，帶來平時不會出現的安全問題。為此，可以調整人群仿真模型中的入口人流量參數，對極端情況進行仿真和預測。當確實有大量行人經過時，管理人員可以根據仿真的結果提前對存在隱患的區域采取措施。場景內的可行區域、障礙物分布可能發生變化，此時也可以通過分析修改參數后的仿真結果來判斷這些變化是否會帶來問題，以便及時采取應對措施。

4 仿真與分析

4.1 仿真場景介紹以及仿真參數設置

為了測試本文所提出方法的有效性，本小節以肇慶醫學高等專科學校北嶺新校區為例進行校園人群行為仿真。肇慶醫學高等專科學校北嶺新校區于2017年開始建設，占地面積約53萬平方米，其布局如圖2所示。防洪堤在校園內穿插而過，防洪堤以南最西側是運動區，其南邊是校園正門，正門正對圖書館，圖書館西南和東南各布置一處公共教學組團。防洪堤以北的東西兩側各布置一處生活區組團，并分別配套食堂；東側的生活區組團西邊是運動區，與校園西南處的運動區相對；中央區域是實驗樓群。該校區可容納12000名以上的學生，生活區分布在校園兩側的設計使得學生與教學、生活設施的距離均在550米以內，步行十分鐘即可到達。本實驗通過對步行人群進行仿真，探索校園內人流在不同情況下的分布，為校園人群管控和布局優化提供輔助決策工具。

圖2 校園俯瞰圖

在模塊1中，根據校園的CAD圖設置障礙物坐標和出入口的位置。肇慶醫學高等專科學校北嶺新校區一共包含30棟建筑物，包括學生宿舍11棟，圖書館1棟，教學樓2棟，實驗樓5棟和食堂2棟，總計有3個出入口。由于校區尚未建成投入使用，視頻數據尚未獲得。因此，人為設定各出入口人流服從泊松分布。在模塊2中，從入口中涌現的個體隨機選擇一個出口作為最終的目標，并沿著關鍵點到達目標，其中關鍵點之間的路徑導航采用A*導航。校園最終設置的障礙物信息和關鍵點如圖3所示。其中，灰色部分為不可行走區域，白色部分為可行走區域，圓圈為關鍵點。仿真模型的主要參數設置如表1所示。

圖3 用于校園路徑導航的關鍵點配置圖

表1 仿真模型的主要參數設置

4.2 校園人群行為仿真結果與管控分析

圖4所示為本文所提出的框架實現的校園人群3D仿真結果示意圖(具體的仿真視頻可通過如下鏈接觀看：https：//www.jianguoyun.com/p/Dfg-XcgQrdfiCBi20tsD)。通過仿真發現，校園的人流在正常情況下是比較順暢的，不存在人流密集的瓶頸。上述仿真結果說明校園的布局設計是比較合理的。

校園防洪提南北兩側兩座橋(即圖4中的橋梁1和橋梁2)是連接教學樓、圖書館和生活區與飯堂的交通要道，在就餐時間會產生一定的擁堵現象。為了測試在極端情況下的人流狀況，利用本文提出的框架對校園就餐時人流的情況進行仿真和分析。設計了三種方案：①方案1：人流未加管控，兩座橋都可雙向同行；②方案2：遇到極端情況，橋梁2無法同行，所有行人從橋梁1通過；③方案3：管控橋梁單向同行，由北往南的行人由橋梁1通過，由南往北的行人則由橋梁2

圖4 正常狀態下的校園人群行為仿真3D效果圖

通行。由于是就餐時間，各棟建筑物涌出的人流大部分選擇往飯堂移動，而從飯堂涌出的人流大部分往南邊的圖書館等地移動。記錄了兩座橋梁在5秒間隔時間內的通行人數以及行人在橋梁上的平均通行時間。圖5和圖6分別為三種方案下的通行人數和人流通行時間隨時間變化的情況。從仿真結果可以發現如果人流未加管控(即方案1)，兩座橋梁上的人流會出現一定的擁堵現象，但是總體還能保持人流持續通行。如果橋梁2被禁止通行(即方案2)，所有南北通行的人都由橋梁1通行，則橋梁1很快出現了嚴重擁堵，通行人數迅速下降到接近0。如果采用方案3，則人流通行比較順暢，人流的通行時間是三種方案中最少的。通過上述仿真測試，可以得出以下結論：若南北通行人數非常大的時候，可以采用單行管控的方式來避免橋梁的擁堵，提高校園的人流通行安全性和效率。

圖5 通行人數隨時間變化的關系

圖6 人流通行時間隨時間變化的關系

5 小結與討論

本文提出了一個通用的校園人群行為仿真與管控優化框架，并以肇慶醫學高等專科學校北嶺新校區為例進行了仿真和測試。仿真結果顯示本文所提出的框架能產生可靠的仿真結果，并能用于壓力測試，輔助校園管理人員管控人流。未來有幾個值得進一步研究的方向。一方面，近年來，大量智能優化算法(如遺傳算法和蟻群算法等)被提出用于解決難以建模的復雜優化問題，將智能優化算法與本文所提出的框架結合，實現校園布局設計優化是值得研究的課題。另一方面，隨著傳感技術的發展，校園監控系統已能獲得大量的人群數據，將傳感設備獲取的人群軌跡數據與本文所提出的框架結合，實現數據驅動的平行仿真，為校園管理人員全面感知校園人流狀態以及輔助管理決策亦是未來值得深入研究的課題。此外，將本文所提出的框架應用于其它大型公共場所(如飛機場和大型商場等)的管理也是一個值得研究的課題。