本發(fā)明涉及人群疏散計算機仿真領域，尤其涉及一種基于知識導航的人群疏散仿真方法及系統(tǒng)。

背景技術：

隨著人們生活水平的提高，人們出行的頻率逐漸增多，各類公共場所內的行人規(guī)模也逐步增大。特別是在早晚高峰通勤、重大節(jié)日的大型集會、體育賽事或其他文化公共活動時，設施內的人群往往處于密集和擁擠的狀態(tài)。當建筑物內的人員密集程度較高時，行人流相互交織、相互擠壓，微小的擾動可能致使人群進入不穩(wěn)定的狀態(tài)。如果不能及時和有效的控制，很容易導致人群擁擠踐踏事故等事故的發(fā)生。

計算機仿真技術能夠安全有效的對復雜條件下的運動過程進行可視化、重復性的模擬，因此該技術逐漸運用到行人疏散理論的科學研究。突發(fā)事件下的人群疏散是一項復雜的系統(tǒng)工程，在實際應用中通常使用疏散實驗的方式獲取合適的疏散預案。該方式具有針對性強、信息量豐富等特點。然而，由于存在人員安全無法保障、實驗投入大等不可避免的問題，計算機仿真成為研究突發(fā)事件下人群疏散的最有效的方法。

當突發(fā)事件發(fā)生時，人們由于對所處的環(huán)境不熟悉，加上心理緊張，不知所措，常常沒有目標的盲目從眾跟隨，而由于這種行為，很容易造成疏散通道及出口擁堵，同時有的通道及出口空閑。

而且現(xiàn)有的人群疏散仿真方法中雖然提及了將待疏散人群分為群組，群組內選出疏散引導者，引導者通過導航與知識庫交互，獲取快速到達出口的知識，但是均適用無障礙物的場景，針對有障礙的場景則不適用，并沒有解決在有障礙物的情況下，如何根據(jù)拓撲知識及障礙物處的人流信息，動態(tài)規(guī)劃路徑，繞行有擁堵的障礙物的問題。

技術實現(xiàn)要素：

為了解決上述問題，本發(fā)明提出了一種基于知識導航的人群疏散仿真方法。該方法根據(jù)疏散人群所在的位置分組，各組根據(jù)位置及其對環(huán)境的熟悉程度，選出合適的引領者。引領者通過手持手機導航，把群組所在的位置實時傳送給對應的導航agent單元,然后通過導航agent單元，把信息匯集到知識管理服務器。位于知識管理服務器的管理agent單元為各組動態(tài)規(guī)劃路徑，并通過導航agent傳送給各組的引領者，使各組在引領者的引導下，繞行有擁堵的障礙物，有目標的疏散。該方法能夠有效提高公共場所中通道的利用率以及突發(fā)事件情況下的人員安全性，有利于設計疏散預案，為真實的疏散演練提供幫助。

本發(fā)明的一種基于知識導航的人群疏散仿真方法，該方法在仿真服務器內完成，具體包括：

步驟(1)：構建疏散場景三維模型并獲取疏散場景的所有障礙物及疏散出口；

步驟(2)：將待疏散人群劃分成若干個群組，根據(jù)每個個體的位置及對環(huán)境的預設熟悉程度，選出每個群組的引領者；

步驟(3)：構建群組與導航agent單元的關聯(lián)關系，每群組的引領者與一個導航agent單元相對應；其中，導航agent單元與知識管理服務器相連；

步驟(4)：引領者將其實時位置經(jīng)導航agent單元傳送至知識管理服務器，知識管理服務器匯集各群組引領者的位置及擁堵的狀況，進而為各群組動態(tài)規(guī)劃出到達相應出口的最佳路徑，并把引領者的下一位置通過導航agent單元傳遞給引領者；

步驟(5)：各群組將導航agent單元給出的下一位置作為目標，執(zhí)行考慮障礙物的社會力模型，并把移動后的引領者位置傳遞給知識管理服務器：若引領者到達相應出口，則重新選擇各群組的引領者，返回步驟(4)，直至各群組中無個體，結束人群疏散仿真。

dirkhelbing根據(jù)人群行為特征，以牛頓力學為基礎建立了社會力模型。社會力是指一個人運動時受到所處環(huán)境(包括環(huán)境中的人和物)對其施加的力，并非是直接作用在他身上的物理概念的力。社會力模型中依據(jù)行人不同的動機和在環(huán)境中受到的影響，共有三種作用力的影響：驅動力、人和人之間的作用力以及人和障礙物之間作用力。這些力的合力作用于行人，產(chǎn)生一個加速度。在整個個體行走過程中，以及個體和個體之間始終存在一定的力的作用。例如，驅動力會引導個體朝目標方向前進；在個體身體接觸之前，人和人之間的作用力使人群中的個體避免相互碰撞；人和環(huán)境之間的作用力使人群中的個體避免與障礙物碰撞。這個階段可以用經(jīng)典牛頓第二定律來解釋。表達式如下：

其中，表示個體i的運動受到自身驅動力、表示個體i與其他個體之間的作用力、表示個體i與障礙物w之間的作用力、表示擾動力。

在這四種力的共同作用下，個體的位置發(fā)生變化。mi為個體i的質量，表示個體i當前的速度，那么個體i的自身驅動力為：

在移動過程中，個體i會不斷調整自己當前的實際速度期望以最大速率向著目的地移動。τi是個體i的反應時間，是目的地所在方向。

本實施例中，考慮障礙物的社會力模型為：

個體i與其他個體之間的作用力個體與障礙物之間的作用力以及擾動力與原始的社會力模型相同，唯一不同的是是組內成員與引領者之間的力。

原始的社會力模型的運動方向是從個體i指向目的地所在方向，本實施例中為組內成員i把引領者所在的位置作為運動方向因此保證了群組內的成員跟隨引領者移動。

本發(fā)明將人群疏散與導航知識相結合，建立了疏散人群與導航agent、知識庫之間的有機聯(lián)系，及時根據(jù)疏散現(xiàn)場的動態(tài)場景信息調整疏散路徑，使人群有組織有目標的疏散，避開有擁堵的障礙物和出口，避免了疏散人群盲目的移動。

進一步的，根據(jù)個體間關系和距離出口的位置將待疏散人群劃分成若干個群組。

以人群數(shù)據(jù)集x＝{xij,i＝1,2,…,n}為例：

其中，n是人群數(shù)據(jù)集分組數(shù)，xij是組i中的第j個個體。

每組根據(jù)個體的適應度函數(shù)值選出引領者。適應度函數(shù)值定義為：

其中，w1和w2分別是個體對環(huán)境的熟悉程度的權重和距離出口的位置的權重值,w1+w2＝1。不失一般性，設w1＝0.5，w2＝0.5。k(xij)是個體xij對場景的熟悉程度,d(xij)是xij距離出口的位置,xij是組i中的第j個個體。

各組中具有最高適應度值的個體被選擇為引領者。

進一步的，所述導航agent單元包括輸入接口模塊、通信模塊、輸出接口模塊、目標模塊和觸發(fā)器模塊；

所述輸入接口模塊用于接收對應的引領者的位置信息，然后通過通信模塊傳遞給知識庫管理服務器；

所述輸出接口模塊用于傳遞引領者的下一個位置至引領者；

所述目標模塊用于選擇疏散出口并傳送至引領者；

所述觸發(fā)器模塊由事件-條件-動作規(guī)則組成，當檢測到相關的事件發(fā)生時，根據(jù)條件執(zhí)行相應的動作，其用于保證與導航agent單元相關的事件發(fā)生時，主動執(zhí)行相應的操作。

進一步的，在所述步驟(4)中，知識管理服務器匯集各群組引領者的位置及擁堵的狀況后，知識管理服務器內的知識管理agent單元根據(jù)各群組所在的位置、道路上的障礙物及道路出口的擁堵信息，執(zhí)行d*lite算法，進而為各群組動態(tài)規(guī)劃出到達相應出口的最佳路徑。

其中，知識管理agent單元由6個模塊組成，即kma＝(輸入接口,公告板,轉換器，輸出接口,知識更新,觸發(fā)器)。

輸入接口模塊：通過通信模塊接受由導航agent單元傳遞的引領者的位置信息，以及各障礙物出口處的人群計數(shù)信息。

公告板模塊：公告板實時記錄各導航agent單元傳遞的引領者的位置信息，以及各障礙物出口處的人群計數(shù)信息。

轉換器模塊：從公告板獲取各導航agent傳遞的引領者的位置信息，以及各障礙物出口處的人群計數(shù)信息，執(zhí)行d*lite算法，分別為每一個引領者計算出最合適路徑的下一個位置，并且通過輸出接口傳遞給導航agent單元。

輸出接口模塊：把每一個引領者的最合適路徑的下一個位置傳遞給對應的導航agent單元。

知識庫更新模塊：當每一次疏散完成后，更新知識庫中的歷史知識。

觸發(fā)器模塊：由事件-條件-動作規(guī)則組成。當檢測到與此相關的事件發(fā)生時，根據(jù)條件執(zhí)行相應的動作。觸發(fā)器模塊保證了與知識庫管理agent相關的事件發(fā)生時，主動執(zhí)行相應的操作。

進一步的，各群組動態(tài)規(guī)劃出到達相應出口的最佳路徑的具體過程包括：

將引領個體的當前位置作為起始點，相應出口作為目標點，將起始點到達目標點的距離乘以第一權值系數(shù)，得到加權的距離；

將相應出口的擁擠度乘以第二權值系數(shù)，得到加權的人群流量；

為以加權的距離+加權的人群流量作為花費值，采用d*lite算法動態(tài)獲取當前位置到相應出口的最短路徑作為最佳路徑。

本發(fā)明還提供了一種基于知識導航的人群疏散仿真系統(tǒng)。

該系統(tǒng)包括仿真服務器，所述仿真服務器包括：

疏散場景模型構建模塊，其用于構建疏散場景三維模型并獲取疏散場景的所有障礙物及疏散出口；

群組劃分及領導者選取模塊，其用于將待疏散人群劃分成若干個群組，根據(jù)每個個體的位置及對環(huán)境的預設熟悉程度，選出每個群組的引領者；

群組與導航agent單元關聯(lián)模塊，其用于構建群組與導航agent單元的關聯(lián)關系，每群組的引領者與一個導航agent單元相對應；其中，導航agent單元與知識管理服務器相連；

路徑規(guī)劃模塊，其用于引領者將其實時位置經(jīng)導航agent單元傳送至知識管理服務器，知識管理服務器匯集各群組引領者的位置及擁堵的狀況，進而為各群組動態(tài)規(guī)劃出到達相應出口的最佳路徑，并把引領者的下一位置通過導航agent單元傳遞給引領者；

路徑執(zhí)行模塊，其用于各群組將導航agent單元給出的下一位置作為目標，執(zhí)行考慮障礙物的社會力模型，并把移動后的引領者位置傳遞給知識管理服務器：若引領者到達相應出口，則重新選擇各群組的引領者，直至各群組中無個體，結束人群疏散仿真。

進一步的，在所述群組劃分及領導者選取模塊中，根據(jù)個體間關系和距離出口的位置將待疏散人群劃分成若干個群組。

進一步的，所述導航agent單元包括輸入接口模塊、通信模塊、輸出接口模塊、目標模塊和觸發(fā)器模塊；

所述輸入接口模塊用于接收對應的引領者的位置信息，然后通過通信模塊傳遞給知識庫管理服務器；

所述輸出接口模塊用于傳遞引領者的下一個位置至引領者；

所述目標模塊用于選擇疏散出口并傳送至引領者；

所述觸發(fā)器模塊由事件-條件-動作規(guī)則組成，當檢測到相關的事件發(fā)生時，根據(jù)條件執(zhí)行相應的動作，其用于保證與導航agent單元相關的事件發(fā)生時，主動執(zhí)行相應的操作。

進一步的，在所述路徑規(guī)劃模塊，知識管理服務器匯集各群組引領者的位置及擁堵的狀況后，知識管理服務器內的知識管理agent單元根據(jù)各群組所在的位置、道路上的障礙物及道路出口的擁堵信息，執(zhí)行d*lite算法，進而為各群組動態(tài)規(guī)劃出到達相應出口的最佳路徑。

進一步的，所述路徑規(guī)劃模塊還包括：

加權的距離計算模塊，其用于將引領個體的當前位置作為起始點，相應出口作為目標點，將起始點到達目標點的距離乘以第一權值系數(shù)，得到加權的距離；

加權的人群流量計算模塊，其用于將相應出口的擁擠度乘以第二權值系數(shù)，得到加權的人群流量；

最佳路徑計算模塊，其用于為以加權的距離+加權的人群流量作為花費值，采用d*lite算法動態(tài)獲取當前位置到相應出口的最短路徑作為最佳路徑。

與現(xiàn)有技術相比，本發(fā)明的有益效果是：

(1)本發(fā)明采用導航agent單元，建立了疏散人群與導航、知識庫之間的有機聯(lián)系，避免了疏散人群盲目的移動。

(2)本發(fā)明采用考慮障礙物的社會力模型，可以有效的實現(xiàn)群組移動，大大提高運行效率。人群疏散仿真時，只需要通過導航為每個組的引領個體規(guī)劃路徑，組內其他成員執(zhí)行改進的社會力模型，以引領者作為目標移動。這就解決了大規(guī)模人群疏散計算機仿真系統(tǒng)為每個個體計算路徑導致的速度過慢的問題。

(3)本發(fā)明采用基于知識的導航，知識管理agent單元從知識管理服務器提取的信息，通過導航agent單元傳遞給各組的引領者，實現(xiàn)分組有目標的疏散，可以繞行有擁堵的障礙物，選擇擁堵較輕的路徑及其出口，能夠有效提高公共場所中通道的利用率以及突發(fā)事件下的人員安全性，有利于設計疏散預案，為真實的疏散演練提供幫助。

附圖說明

構成本申請的一部分的說明書附圖用來提供對本申請的進一步理解，本申請的示意性實施例及其說明用于解釋本申請，并不構成對本申請的不當限定。

圖1是本發(fā)明基于知識導航的人群疏散仿真方法流程圖。

圖2是本發(fā)明的具有五個障礙物和一個出口的疏散場景的示意圖。

圖3是本發(fā)明的圖2場景對應的動態(tài)帶權有向拓撲圖初始狀態(tài)的示意圖。

圖4是本發(fā)明的原始的社會力模型中個體i的自身驅動力的示意圖。

圖5(a)是原始的社會力模型中個體i自身驅動力的運動方向示意圖。

圖5(b)是本發(fā)明的社會力模型中個體i自身驅動力的運動方向示意圖。

圖6是知識庫與導航agent及疏散群體的示意圖。

圖7是一個初始化后的人群隨機分布的情況的示意圖。

圖8是各群組在引領個體的帶領下向出口移動的狀況的實施例一。

圖9是各群組在引領個體的帶領下向出口移動的狀況的實施例二。

圖10是各群組在引領個體的帶領下接近出口狀況的示意圖。

圖11是本發(fā)明基于知識導航的人群疏散仿真系統(tǒng)結構示意圖。

具體實施方式

應該指出，以下詳細說明都是例示性的，旨在對本申請?zhí)峁┻M一步的說明。除非另有指明，本文使用的所有技術和科學術語具有與本申請所屬技術領域的普通技術人員通常理解的相同含義。

需要注意的是，這里所使用的術語僅是為了描述具體實施方式，而非意圖限制根據(jù)本申請的示例性實施方式。如在這里所使用的，除非上下文另外明確指出，否則單數(shù)形式也意圖包括復數(shù)形式，此外，還應當理解的是，當在本說明書中使用術語“包含”和/或“包括”時，其指明存在特征、步驟、操作、器件、組件和/或它們的組合。

圖1是本發(fā)明基于知識導航的人群疏散仿真方法流程圖。

如圖1所示，本發(fā)明的一種基于知識導航的人群疏散仿真方法，包括：

本發(fā)明的一種基于知識導航的人群疏散仿真方法，該方法在仿真服務器內完成，具體包括：

步驟(1)：構建疏散場景三維模型并獲取疏散場景的所有障礙物及疏散出口。

在具體實施過程中，根據(jù)疏散場景參數(shù)，構建疏散場景三維模型。

疏散場景參數(shù)包括疏散場景形狀以及建筑結構信息。在本實施例中，通過疏散場景形狀以及建筑結構信息進行提取疏散場景的特征，進而得到疏散場景的三維模型。

根據(jù)疏散場景的出口特征，在疏散場景三維模型中能夠查詢到疏散場景的所有障礙物及其疏散出口。

步驟(2)：將待疏散人群劃分成若干個群組，根據(jù)每個個體的位置及對環(huán)境的預設熟悉程度，選出每個群組的引領者。

根據(jù)個體間關系和距離出口的位置將待疏散人群劃分成若干個群組。

以人群數(shù)據(jù)集x＝{xij,i＝1,2,…,n}為例：

其中，n是人群數(shù)據(jù)集分組數(shù)，xij是組i中的第j個個體。

每組根據(jù)個體的適應度函數(shù)值選出引領者。適應度函數(shù)值定義為：

其中，w1和w2分別是個體對環(huán)境的熟悉程度的權重和距離出口的位置的權重值,w1+w2＝1。不失一般性，設w1＝0.5，w2＝0.5。k(xij)是個體xij對場景的熟悉程度,d(xij)是xij距離出口的位置,xij是組i中的第j個個體。

各組中具有最高適應度值的個體被選擇為引領者。

步驟(3)：構建群組與導航agent單元的關聯(lián)關系，每群組的引領者與一個導航agent單元相對應；其中，導航agent單元與知識管理服務器相連。

其中，所述導航agent單元由5個模塊組成，即na＝(輸入接口,通信,輸出接口,目標,觸發(fā)器)。

輸入接口模塊：通過接收函數(shù)accept(currentx,currenty,currentz)接收對應的引領者的位置信息，然后通過通信模塊傳遞給知識庫管理agent。

接收函數(shù)accept(currentx,currenty,currentz)的三個參數(shù)分別是引領者當前位置的平面坐標及所在的樓層數(shù)。

通信模塊：負責接受和傳遞信息。

輸出接口模塊：通過影響函數(shù)influence(nextx,nexty,nextz)傳遞引領者的下一個位置。

影響函數(shù)influence(nextx,nexty,nextz)的三個參數(shù)分別是引領者下一個位置的平面坐標及所在的樓層數(shù)。

目標模塊：選擇疏散出口。

觸發(fā)器模塊：由事件-條件-動作規(guī)則組成。當檢測到與此相關的事件發(fā)生時，根據(jù)條件執(zhí)行相應的動作。觸發(fā)器模塊保證了與導航agent相關的事件發(fā)生時，主動執(zhí)行相應的操作。

步驟(4)：引領者將其實時位置經(jīng)導航agent單元傳送至知識管理服務器，知識管理服務器匯集各群組引領者的位置及擁堵的狀況，進而為各群組動態(tài)規(guī)劃出到達相應出口的最佳路徑，并把引領者的下一位置通過導航agent單元傳遞給引領者。

具體地，在所述步驟(4)中，知識管理服務器匯集各群組引領者的位置及擁堵的狀況后，知識管理服務器內的知識管理agent單元根據(jù)各群組所在的位置、道路上的障礙物及道路出口的擁堵信息，執(zhí)行d*lite算法，進而為各群組動態(tài)規(guī)劃出到達相應出口的最佳路徑。

其中，知識管理agent單元由6個模塊組成，即kma＝(輸入接口,公告板,轉換器，輸出接口,知識更新,觸發(fā)器)。

輸入接口模塊：通過通信模塊接受由導航agent單元傳遞的引領者的位置信息，以及各障礙物出口處的人群計數(shù)信息。

公告板模塊：公告板實時記錄各導航agent單元傳遞的引領者的位置信息，以及各障礙物出口處的人群計數(shù)信息。

轉換器模塊：從公告板獲取各導航agent傳遞的引領者的位置信息，以及各障礙物出口處的人群計數(shù)信息，執(zhí)行d*lite算法，分別為每一個引領者計算出最合適路徑的下一個位置，并且通過輸出接口傳遞給導航agent單元。

輸出接口模塊：把每一個引領者的最合適路徑的下一個位置傳遞給對應的導航agent單元。

知識庫更新模塊：當每一次疏散完成后，更新知識庫中的歷史知識。

觸發(fā)器模塊：由事件-條件-動作規(guī)則組成。當檢測到與此相關的事件發(fā)生時，根據(jù)條件執(zhí)行相應的動作。觸發(fā)器模塊保證了與知識庫管理agent相關的事件發(fā)生時，主動執(zhí)行相應的操作。

其中，知識庫存儲于知識庫管理服務器內，知識庫管理服務器包含三種知識：環(huán)境知識，拓撲知識以及歷史知識。

環(huán)境知識是當前每個引領者的位置以及障礙物、出口處的擁堵信息。

拓撲知識是根據(jù)各引領者的位置信息，以及各障礙物出口處的人群計數(shù)信息，執(zhí)行d*lite算法為每個引領者動態(tài)規(guī)劃的路徑信息。動態(tài)路徑規(guī)劃方法以每個障礙物作為結點，引領者當前位置作為起始結點，出口作為目標結點，各結點之間的連接作為邊，以結點之間的距離+人流量作為邊的權值，構建出路徑規(guī)劃動態(tài)帶權有向拓撲圖。

圖2是本實施例的具有五個障礙物和一個出口的疏散場景。圖3是圖2場景對應的動態(tài)帶權有向拓撲圖的初始狀態(tài)。

歷史知識是在每次疏散完成時，記錄該次疏散執(zhí)行的路徑。

在每個出口及障礙物處配置一個用于統(tǒng)計經(jīng)過該障礙物及出口的個體數(shù)量的計數(shù)器。

若引領個體到達相應出口，則相應出口處的計數(shù)器加1。

知識庫管理agent根據(jù)障礙物及出口處的計數(shù)器的數(shù)值，得到出口的擁擠度；其中，擁堵度等于正常情況下通過相應出口的預設個數(shù)與出口相匹配的群組內個體總數(shù)的比值。

在步驟(4)的導航規(guī)劃出引領個體當前位置到達相應出口的最短路徑作為最佳路徑的具體實施過程中：

動態(tài)帶權有向拓撲圖中各個結點的信息存儲到open表中，d*lite在open表中維護著目標車輛與目的地之間代價最小的路徑，保存2個重要的值：

(1)結點vi目前到目的地的最小時間費用g(i)；

(2)評價值h(i)。

其中next(i)是結點vi的后續(xù)結點集合,cost(i,j)是結點vi到vj的時間費用。.

cost(i,j)＝w1×d(i,j)+w2×f(i,j)

其中,w1和w2是權重值，w1+w2＝1。不失一般性，我們設w1＝0.5，w2＝0.5。d(i,j)是從結點vi到vj的距離,f(i,j)是結點vj處的擁堵度。

如果f(i,j)＞2或者由于突發(fā)事件出現(xiàn)在結點vj處，需要行人選其它路線繞行，則設cost(i,j)＝∞，這種情況下疏散人群將放棄通過該障礙物，選擇其他的路線繞行。

假設結點vi和vj是鄰居結點，即結點vi和vj之間有一條邊連接。

如果h(i)＝g(i)，則稱結點vj是連續(xù)結點,否則，稱結點vj是非連續(xù)結點。對于非連續(xù)結點，如果在路徑花費值發(fā)生變化后，路徑上所有的結點仍是連續(xù)的，則說明上一次規(guī)劃后的路徑仍是最優(yōu)路徑,相關路段的花費值未受影響，否則，需要重新規(guī)劃最優(yōu)路徑。

其中，各群組動態(tài)規(guī)劃出到達相應出口的最佳路徑的具體過程包括：

將引領個體的當前位置作為起始點，相應出口作為目標點，將起始點到達目標點的距離乘以第一權值系數(shù)，得到加權的距離；

將相應出口的擁擠度乘以第二權值系數(shù)，得到加權的人群流量；

為以加權的距離+加權的人群流量作為花費值，采用d*lite算法動態(tài)獲取當前位置到相應出口的最短路徑作為最佳路徑。本發(fā)明的d*lite算法：

步驟(5)：各群組將導航agent單元給出的下一位置作為目標，執(zhí)行考慮障礙物的社會力模型，并把移動后的引領者位置傳遞給知識管理服務器：若引領者到達相應出口，則重新選擇各群組的引領者，返回步驟(4)，直至各群組中無個體，結束人群疏散仿真。

dirkhelbing根據(jù)人群行為特征，以牛頓力學為基礎建立了社會力模型。社會力是指一個人運動時受到所處環(huán)境(包括環(huán)境中的人和物)對其施加的力，并非是直接作用在他身上的物理概念的力。社會力模型中依據(jù)行人不同的動機和在環(huán)境中受到的影響，共有三種作用力的影響：驅動力、人和人之間的作用力以及人和障礙物之間作用力。這些力的合力作用于行人，產(chǎn)生一個加速度。在整個個體行走過程中，以及個體和個體之間始終存在一定的力的作用。例如，驅動力會引導個體朝目標方向前進；在個體身體接觸之前，人和人之間的作用力使人群中的個體避免相互碰撞；人和環(huán)境之間的作用力使人群中的個體避免與障礙物碰撞。這個階段可以用經(jīng)典牛頓第二定律來解釋。表達式如下：

其中，表示個體i的運動受到自身驅動力、表示個體i與其他個體之間的作用力、表示個體i與障礙物w之間的作用力、表示擾動力。

在這四種力的共同作用下，個體的位置發(fā)生變化。mi為個體i的質量，表示個體i當前的速度，那么個體i的自身驅動力為：

在移動過程中，個體i會不斷調整自己當前的實際速度期望以最大速率向著目的地移動。τi是個體i的反應時間，是目的地所在方向。

本實施例中，考慮障礙物的社會力模型為：

個體i與其他個體之間的作用力個體與障礙物之間的作用力以及擾動力與原始的社會力模型相同，唯一不同的是是組內成員與引領者之間的力。

原始的社會力模型的運動方向是從個體i指向目的地所在方向，本實施例中為組內成員i把引領者所在的位置作為運動方向因此保證了群組內的成員跟隨引領者移動。

本發(fā)明將人群疏散與導航知識相結合，建立了疏散人群與導航agent、知識庫之間的有機聯(lián)系，及時根據(jù)疏散現(xiàn)場的動態(tài)場景信息調整疏散路徑，使人群有組織有目標的疏散，避開有擁堵的障礙物和出口，避免了疏散人群盲目的移動。

圖4是原始的社會力模型中個體i的自身驅動力

圖5(a)和圖5(b)可看出：本發(fā)明的社會力模型與原始的社會力模型中個體i自身驅動力的運動方向的不同。

下面提供一個仿真實施例：

由300個人在300×250的平面區(qū)域上進行計算機人群疏散仿真，如圖7-圖10所示。圖6是知識庫與導航agent及疏散群體的示意圖；圖7是一個初始化后的人群隨機分布的情況；圖8和圖9是各群組在引領個體的帶領下向出口移動的狀況；圖10是各群組在引領個體的帶領下接近出口狀況。由圖8、圖9和圖10可以看出，各組根據(jù)離各出口的最短距離及擁堵狀況有知識導航引導的疏散，較好的避免了在障礙物及出口處的擁堵。

圖11是本發(fā)明基于知識導航的人群疏散仿真系統(tǒng)結構示意圖。

如圖11所示，本發(fā)明的基于知識導航的人群疏散仿真系統(tǒng)，包括仿真服務器，所述仿真服務器包括：

(1)疏散場景模型構建模塊，其用于構建疏散場景三維模型并獲取疏散場景的所有障礙物及疏散出口。

(2)群組劃分及領導者選取模塊，其用于將待疏散人群劃分成若干個群組，根據(jù)每個個體的位置及對環(huán)境的預設熟悉程度，選出每個群組的引領者；

其中，在所述群組劃分及領導者選取模塊中，根據(jù)個體間關系和距離出口的位置將待疏散人群劃分成若干個群組。

(3)群組與導航agent單元關聯(lián)模塊，其用于構建群組與導航agent單元的關聯(lián)關系，每群組的引領者與一個導航agent單元相對應；其中，導航agent單元與知識管理服務器相連；

所述導航agent單元包括輸入接口模塊、通信模塊、輸出接口模塊、目標模塊和觸發(fā)器模塊；

所述輸入接口模塊用于接收對應的引領者的位置信息，然后通過通信模塊傳遞給知識庫管理服務器；

所述輸出接口模塊用于傳遞引領者的下一個位置至引領者；

所述目標模塊用于選擇疏散出口并傳送至引領者；

所述觸發(fā)器模塊由事件-條件-動作規(guī)則組成，當檢測到相關的事件發(fā)生時，根據(jù)條件執(zhí)行相應的動作，其用于保證與導航agent單元相關的事件發(fā)生時，主動執(zhí)行相應的操作。

(4)路徑規(guī)劃模塊，其用于引領者將其實時位置經(jīng)導航agent單元傳送至知識管理服務器，知識管理服務器匯集各群組引領者的位置及擁堵的狀況，進而為各群組動態(tài)規(guī)劃出到達相應出口的最佳路徑，并把引領者的下一位置通過導航agent單元傳遞給引領者；

在所述路徑規(guī)劃模塊，知識管理服務器匯集各群組引領者的位置及擁堵的狀況后，知識管理服務器內的知識管理agent單元根據(jù)各群組所在的位置、道路上的障礙物及道路出口的擁堵信息，執(zhí)行d*lite算法，進而為各群組動態(tài)規(guī)劃出到達相應出口的最佳路徑。

所述路徑規(guī)劃模塊還包括：

加權的距離計算模塊，其用于將引領個體的當前位置作為起始點，相應出口作為目標點，將起始點到達目標點的距離乘以第一權值系數(shù)，得到加權的距離；

加權的人群流量計算模塊，其用于將相應出口的擁擠度乘以第二權值系數(shù)，得到加權的人群流量；

最佳路徑計算模塊，其用于為以加權的距離+加權的人群流量作為花費值，采用d*lite算法動態(tài)獲取當前位置到相應出口的最短路徑作為最佳路徑。

(5)路徑執(zhí)行模塊，其用于各群組將導航agent單元給出的下一位置作為目標，執(zhí)行考慮障礙物的社會力模型，并把移動后的引領者位置傳遞給知識管理服務器：若引領者到達相應出口，則重新選擇各群組的引領者，直至各群組中無個體，結束人群疏散仿真。

本發(fā)明采用導航agent單元，建立了疏散人群與導航、知識庫之間的有機聯(lián)系，避免了疏散人群盲目的移動。

本發(fā)明采用考慮障礙物的社會力模型，可以有效的實現(xiàn)群組移動，大大提高運行效率。人群疏散仿真時，只需要通過導航為每個組的引領個體規(guī)劃路徑，組內其他成員執(zhí)行改進的社會力模型，以引領者作為目標移動。這就解決了大規(guī)模人群疏散計算機仿真系統(tǒng)為每個個體計算路徑導致的速度過慢的問題。

本發(fā)明采用基于知識的導航，知識管理agent單元從知識管理服務器提取的信息，通過導航agent單元傳遞給各組的引領者，實現(xiàn)分組有目標的疏散，可以繞行有擁堵的障礙物，選擇擁堵較輕的路徑及其出口，能夠有效提高公共場所中通道的利用率以及突發(fā)事件下的人員安全性，有利于設計疏散預案，為真實的疏散演練提供幫助。

上述雖然結合附圖對本發(fā)明的具體實施方式進行了描述，但并非對本發(fā)明保護范圍的限制，所屬領域技術人員應該明白，在本發(fā)明的技術方案的基礎上，本領域技術人員不需要付出創(chuàng)造性勞動即可做出的各種修改或變形仍在本發(fā)明的保護范圍以內。