基于知识的人群疏散路径导航及仿真研究

For large-scale evacuation simulation under emergent event, combined with the architecture of multi-agent system and the reinforcement learning algorithm, knowledge-based crowd evacuation route guidance and simulation method is proposed. This method uses double-layer control mechanism. The upper layer combines multi-agent technology and machine learning algorithm to extract, optimize and update the evacuation knowledge while the navigation and control of the crowd evacuation process of the lower layer are carried out through the communication mechanism of the cultural algorithm. Drawing on the principle of artificial bee colony algorithm, the population is grouped according to the number of exits and crowding degree and a leader is selected within each group. The leader interacts with the navigation agent to gain knowledge and leads the group to the exit. In the process of movement, an improved social force model is carried out in the group to ensure that the individuals in the group avoid collision and have the same direction. In view of the technical bottlenecks of evacuation efficiency in large-scale evacuation, a theoretical framework of knowledge based evacuation route guidance is established. By using theory and method of swarm intelligence and multi-agent reinforcement learning by knowledge-based, data-driven and mechanism-driven, a new path to realize the combination of swarm intelligence and machine learning is explored.

面向突发事件下大规模人群疏散仿真，结合多Agent系统的架构及强化学习的算法，提出一种基于知识的人群疏散路径导航及仿真方法。该方法采用双层控制机制，上层结合多Agent技术及机器学习算法对疏散知识进行抽取、优化、更新，并通过文化算法的通信机制对下层的人群疏散过程进行导航及控制。借鉴人工蜂群算法的原理，根据出口的个数及拥挤度对人群分组、每个群组选取一个引领者。引领者通过与导航Agent交互获取知识，并带领群组向出口移动。移动过程中，群组内执行改进的社会力模型，以保证群组内的个体避免碰撞并且方向一致。本课题针对突发事件的大规模人群疏散中疏散效率方面存在的技术瓶颈，建立一种基于知识的人群疏散路径导航的理论框架和体系，分别运用知识、数据与机理的混合驱动的群体智能与多Agent强化学习的理论和方法，探索实现群体智能与机器学习相结合研究方法的新途径。

近年来，随着城镇化进程的加快，大规模人群聚集的公共场所存在的潜在风险也随之增加，频发的自然灾害和人为事故给世界各地的人民带来了巨大的生命财产损失，是威胁城市安全的重要来源之一。科学的管理及防控措施可以尽可能降低突发事件发生时人员伤亡。在小区域、强紧急性的突发事件背景下，人群的恐慌情绪比常规疏散更易产生和扩散，由于对环境不熟悉产生的从众心理，容易造成出口拥堵及人员踩踏。如何利用知识对疏散人群进行引导，以提高突发事件下密集人群的疏散效率，是当下人工智能及公共安全管理领域研究所面临的挑战。. 本项目以大规模人群疏散仿真作为应用背景，围绕突发事件下人群疏散的需求，开展了基于知识的人群疏散路径导航及仿真研究。项目采用基于知识的人群疏散导航双层控制机制，通过引领者与导航Agent之间的交互实现基于知识的导航及信息交换。首先，兼顾人群在出口拥挤度及到出口的距离之间的动态平衡，提出了一种多蜂群出口选择方法；然后，设计了经验共享方式的多Agent深度强化学习方法，动态抽取、优化、并更新路径规划知识；最后，结合人的心理状态、行为特征、运动规律及交互作用等各种不确定性因素，构建了融合各种不确定因素的多样化疏散仿真模型。项目将知识、数据与机理混合驱动的群体智能与多Agent深度强化学习的理论和方法应用于突发事件下人群疏散导航，探索了突发事件下知识驱动的人群运动策略优化的新思路。. 项目已经在国内外期刊及国际会议上发表论文19篇，其中SCI检索的期刊论文14篇，EI检索的国际会议论文5篇。授权发明专利2项。该项目还培养了博士研究生3名，硕士研究生11名。