跨域关联数据驱动的层次化人群行为建模及优化方法研究

Data-driven crowd behavior modeling is vital for building realistic crowd simulations. Existing data-driven crowd models mostly use crowd video data from single camera and focus on the simulation of local and short-term crowd motions. In this project, by leveraging crowd data from multiple cameras, we aim to build a layered crowd behavior framework to simulate crowd behaviors from global to local, long-term to mid and short-term perspectives. Firstly, we will investigate how to identify groups of related individuals from the crowd data of multiple cameras and recognize the behavioral patterns of these individuals. Secondly, based on the data analysis results, we will research on the modeling of the cognitive process of individuals and design the layered crowd behavior models accordingly. Lastly, we will investigate the multi-task optimization method for calibrating the layered crowd models and the design of high performance computing simulation architecture to support large-scale crowd simulations.

数据驱动的人群行为建模是实现高可信度人群仿真及分析的关键技术。现有数据驱动建模大多利用单摄像头人群视频数据，其模拟行为局限于局部、短时的人群运动，无法有效反映大场景、全周期、层次化的复杂人群行为。为此，本项目拟通过对多摄像头获取的跨域关联人群数据进行深入分析，构建从全局到局部、长时到中短时的层次化人群行为模型及仿真系统。首先，研究跨域关联群组行人对象辨识及行为模式识别方法，深度挖掘在大型公共场所中人群运动的潜在规律；其次，结合数据分析结果，系统地研究个体一般认知过程和层次化行为建模方法，构建可支持全生命周期人群动态演化的行为模型；最后，研究多层次行为模型的协同校准方法及高性能人群仿真架构，实现具有高可信度和高效率的人群仿真。研究成果将为以人群为代表的多主体复杂系统建模研究提供新的解决思路及分析方法，为公共安全与应急管理等实际应用所需的复杂人群动态演化分析提供重要技术支持和测度依据。

数据驱动的人群行为建模是实现高可信度人群仿真及分析的关键技术。现有数据驱动建模大多利用单摄像头人群视频数据，其模拟行为局限于局部、短时的人群运动，无法有效反映大场景、全周期、层次化的复杂人群行为。为此，本项目通过对多摄像头获取的跨域关联人群数据进行深入分析，目标构建从全局到局部、长时到中短时的层次化人群行为模型及仿真系统。课题组首先考虑了跨域关联数据存在的不确定性问题，研究了基于级联分析的群组对象辨识及基于多尺度运动一致性分析的行为模式识别方法，深度挖掘在大型公共场所中人群运动的潜在规律；其次，结合数据分析结果，系统地研究人群场景个体决策行为数据驱动建模方法及多群组碰撞避免方法，并相应构建了层次化人群行为模型，从而支持全生命周期人群动态演化仿真；最后，研究设计了基于多任务优化的多层次行为模型的协同校准方法及高性能人群仿真架构，并且在障碍物布局优化任务中验证了构建的人群仿真的有效性及应用价值。研究成果将为以人群为代表的多主体复杂系统建模研究提供新的解决思路及分析方法，为公共安全与应急管理等实际应用所需的复杂人群动态演化分析提供重要技术支持和测度依据。.