Адам көпшілігін модельдеу: фильм, ойындар, қала құрылысы үшін дамытылатын технология. Қозғалыс, қашықтық сақтау, реалистік бейнелеу – маңызды аспектілер.
Ағылшыншамен салыстырыңыз: абзацты басыңыз — түпнұсқа терезеде ашылады. Абзац астындағы EN түймесі оны мәтін ішінде көрсетеді.
Мазмұны
Кіріспе
Қозғалыс моделі
Model of movement
Көпшілікті симуляциялау – көптеген объектілер немесе кейіпкерлердің қозғалысын (немесе) симуляциялау процесі. Ол көбінесе фильмдер мен бейне ойындар сияқты визуалды медиа үшін виртуалды көріністер жасау үшін қолданылады, сондай-ақ дағдарыс жағдайында оқыту, архитектура және қала құрылысы, эвакуациялау симуляцияларында да қолданылады. Көпшілікті симуляциялау әртүрлі қолданбаларға бағытталған әр түрлі аспектілерге назар аударуы мүмкін. Визуалды медиа немесе виртуалды кинематография үшін көпшілікті реалистік және жылдам көрсету үшін 3D сахнаның күрделілігін азайту және бейнеге негізделген көрсету қолданылады, ал сыртқы түрінің өзгеруі (өзгерістер) реалистік халықты көрсетуге көмектеседі. Шынайы өмірдегі адам көпшілігінің қозғалысын қайталауға арналған ойындар мен қосымшаларда, мысалы эвакуациялау симуляцияларында, симуляцияланған агенттер мақсатқа қарай жүруге, соқтығыстардан аулақ болуға және адам сияқты мінез-құлық танытуы керек. Көптеген көпшілікті басқару алгоритмдері жасалған, олар симуляцияланған көпшілікті реалистік түрде өз мақсаттарына жеткізуге мүмкіндік береді. Кейбір жалпы жүйелер әртүрлі агенттерді (мысалы, көліктер мен жаяу жүргіншілерді), әртүрлі абстракция деңгейлерін (жеке және үздіксіз сияқты), интеллектуалды объектілермен өзара әрекеттесетін агенттерді және күрделі физикалық және әлеуметтік динамиканы қолдауға қабілетті.
Crowd simulation is the process of simulating the movement (or ) of a large number of entities or characters. It is commonly used to create virtual scenes for visual media like films and video games, and is also used in crisis training, architecture and urban planning, and evacuation simulation. Crowd simulation may focus on aspects that target different applications. For realistic and fast rendering of a crowd for visual media or virtual cinematography, reduction of the complexity of the 3D scene and image based rendering are used, while variations (changes) in appearance help present a realistic population. In games and applications intended to replicate real life human crowd movement, like in evacuation simulations, simulated agents may need to navigate towards a goal, avoid collisions, and exhibit other human like behavior. Many crowd steering algorithms have been developed to lead simulated crowds to their goals realistically. Some more general systems are researched that can support different kinds of agents (like cars and pedestrians), different levels of abstraction (like individual and continuum), agents interacting with smart objects, and more complex physical and social dynamics.
Тарих
Адам көпшілігінің қозғалысын және мінез-құлқын түсінуге және бақылауға ұмтылыс әрқашан терең қызығушылық тудырып келген. Көпшілік симуляциясы саласындағы зерттеулер басталғалы бері көптеген маңызды жетістіктерге қол жеткізілді. Бұл симуляциялардың масштабталуын, икемділігін, қолданылуын және шынайылығын арттыратын көптеген жаңа жаңалықтар үнемі жасалып, жарияланып келеді.
There has always been a deep seated interest in the understanding and gaining control of motional and behavior of crowds of people. Many major advancements have taken place since the beginnings of research within the realm of crowd simulation. Evidently many new findings are continually made and published following these which enhance the scalability, flexibility, applicability, and realism of simulations:
1987 жылы Крейг Рейнольдс мінез-құлық анимациясын енгізіп, дамытты. Ол топтық интуиция мен қозғалысты зерттеу үшін құстардың үйірлерін және балықтардың мектебін симуляциялады. Осы симуляциялардың барлық агенттеріне айналасындағы агенттердің орналасуы мен жылдамдығы туралы тікелей қол жетімділік берілді. Рейнольдс ұсынған теориялық негіздер мен зерттеулер 1994 жылы Сяоюань Ту, Деметри Терзопулос және Радек Грезчук тарапынан жетілдіріліп, одан әрі дамытылды. Симуляцияның шынайы сапасы арттырылды, әрбір агент синтетикалық көру қабілетімен және олардың тұратын ортаның жалпы көрінісімен жабдықталды, бұл олардың динамикалық ортада қабылдау қабілетін қамтамасыз етті. Көпшілік симуляциясы саласындағы алғашқы зерттеулер 1997 жылы Дэниел Тальманның Сорая Раупп Муссенің докторлық диссертациясын басқаруымен басталды. Олар жалпы популяциялардың симуляциясын жасау үшін көпшілік мінез-құлқының жаңа моделін ұсынды. Бұл жерде топтағы жеке адамның дербес мінез-құлқы мен одан туындайтын жиынтық мінез-құлық арасындағы байланыс көрсетілді. 1999 жылы Крейг Рейнольдстың жалғасқан зерттеулері арқылы көпшілік симуляциясы саласында жеке навигация өз жолын тапты. Бағдарлау мінез-құлқы симуляциядағы агенттерді автоматтандыру процесінде маңызды рөл атқаратыны дәлелденді. Рейнольдс төменгі деңгейдегі қозғалыс процестерінің орта деңгейдегі басқару мінез-құлқына және жоғары деңгейдегі мақсаттар мен жол табу стратегияларына тәуелді екенін айтты. Рейнольдстың жетістіктеріне сүйене отырып, Мусс пен Тальман осы көпшіліктердің нақты уақыт симуляцияларын және олардың адам мінез-құлқына қолданылуын зерттеуді бастады. Адам көпшілігін басқару агенттер арасындағы автономия деңгейі бар иерархиялық ұйым ретінде қарастырылды. Бұл адам тәрізді агенттерге немесе виртуалды адамдарға жеке мінез-құлықты ең қарапайым түрінде модельдеудің басталуын білдіреді. Адам мінез-құлқының модельдері мен топтық мінез-құлықтың симуляцияларына қатысты жариялымдармен қатар, Мэтт Андерсон, Эрик МакДаниел және Стивен Ченнидің мінез-құлыққа шектеулер салу туралы ұсынысы кең танылды. Топтық анимацияларға шектеулерді орнату симуляция ішінде кез келген уақытта жүзеге асырылуы мүмкін. Бұл процесс мінез-құлық моделіне шектеулерді қолдануда екі сатыдан тұрады: біріншіден, шектеулерге сәйкес келетін мақсаттық траекториялардың бастапқы жиынтығын анықтау, содан кейін осы жолдарға мінез-құлық ережелерін қолданып, оларды бұзбайтын жолдарды таңдау. Мусспен бірлескен жұмысында ұсынылған нәтижелерді дамыту және байланыстыру мақсатында Тальман, Братислава Уличный және Пабло де Херас Сийхомскимен бірге жұмыс істеп, агенттердің интерактивті авторлығын жеке адам, агенттер тобы және барлық көпшілік деңгейінде жасауға мүмкіндік беретін жаңа модель ұсынды. Көпшілік мүшелерін нақты уақытта тарату, модельдеу және басқару үшін щетка метафорасы енгізілді, сондай-ақ дереу кері байланыс беру мүмкіндігі де қарастырылды.
In 1987, behavioral animation was introduced and developed by Craig Reynolds. He had simulated flocks of birds alongside schools of fish for the purpose of studying group intuition and movement. All agents within these simulations were given direct access to the respective positions and velocities of their surrounding agents. The theorization and study set forth by Reynolds was improved and built upon in 1994 by Xiaoyuan Tu, Demetri Terzopoulos and Radek Grzeszczuk. The realistic quality of simulation was engaged with as the individual agents were equipped with synthetic vision and a general view of the environment within which they resided, allowing for a perceptual awareness within their dynamic habitats. Initial research in the field of crowd simulation began in 1997 with Daniel Thalmann's supervision of Soraia Raupp Musse's PhD thesis. They present a new model of crowd behavior in order to create a simulation of generic populations. Here a relation is drawn between the autonomous behavior of the individual within the crowd and the emergent behavior originating from this. In 1999, individualistic navigation began its course within the realm of crowd simulation via continued research of Craig Reynolds. Steering behaviors are proven to play a large role in the process of automating agents within a simulation. Reynolds states the processes of low level locomotion to be dependent and reliant on mid level steering behaviors and higher level goal states and path finding strategies. Building off of the advanced work of Reynolds, Musse and Thalmann began to study the modeling of real time simulations of these crowds, and their applications to human behavior. The control of human crowds was designated as a hierarchical organization with levels of autonomy amongst agents. This marks the beginnings of modeling individual behavior in its most elementary form on humanoid agents or virtual humans. Coinciding with publications regarding human behavior models and simulations of group behaviors, Matt Anderson, Eric McDaniel, and Stephen Chenney's proposal of constraints on behavior gained popularity. The positioning of constraints on group animations was presented to be able to be done at any time within the simulation. This process of applying constraints to the behavioral model is undergone in a two fold manner, by first determining the initial set of goal trajectories coinciding with the constraints, and then applying behavioral rules to these paths to select those which do not violate them. Correlating and building off of the findings proposed in his work with Musse, Thalmann, working alongside Bratislava Ulicny and Pablo de Heras Ciechomski, proposed a new model which allowed for interactive authoring of agents at the level of an individual, a group of agents and the entirety of a crowd. A brush metaphor is introduced to distribute, model and control crowd members in real time with immediate feedback.
Көпшілік динамикасы
Көпшілік симуляциясының маңызды мақсаттарының бірі – көпшілікті шынайы басқару және адамның динамикалық мінез-құлқын қайта жаңғырту. Көпшілік симуляциясы мен жасанды интеллектке (AI) қатысты бірнеше негізгі тәсіл бар, олардың әрқайсысы көпшіліктің мөлшеріне және уақыт масштабына байланысты өз артықшылықтары мен кемшіліктеріне ие. Уақыт масштабы – симуляцияның мақсаты симуляцияның ұзақтығына қалай әсер ететінін көрсетеді. Мысалы, идеологиялардың халық арасында қалай таралатыны сияқты әлеуметтік мәселелерді зерттеу, мұндай құбылыс айлар немесе жылдарға созылуы мүмкін болғандықтан, ұзаққа созылатын симуляцияны қажет етеді. Осы екі ерекшелікті пайдаланып, зерттеушілер қалыңдықты симуляторларды бағалау және ұйымдастыру үшін жіктемелерді қолдануға тырысады.
One of the major goals in crowd simulation is to steer crowds realistically and recreate human dynamic behaviors. There exists several overarching approaches to crowd simulation and AI, each one providing advantages and disadvantages based on crowd size and time scale. Time scale refers to how the objective of the simulation also affects the length of the simulation. For example, researching social questions such as how ideologies are spread amongst a population will result in a much longer running simulation since such an event can span up to months or years. Using those two characteristics, researchers have attempted to apply classifications to better evaluate and organize existing crowd simulators. Flow based Approach Flow based crowd simulations focus on the crowd as a whole rather than its components. As such individuals do not have any distinctive behaviors that occur due to input from their surroundings and behavioral factors are largely reduced. This model is mainly used to estimate the flow of movement of a large and dense crowd in a given environment. Best used in studying large crowd, short time objectives. Entity based Approach Models that implement a set of physical, predefined, and global laws meant to simulate social/psychological factors that occur in individuals that are a part of a crowd fall under this category. Entities in this case do not have the capacity to, in a sense, think for themselves. All movements are determined by the global laws being enforced on them. Simulations that use this model often do so to research crowd dynamics such as jamming and flocking. Small to medium sized crowds with short term objectives fit this approach best. Agent based Approach Characterized by autonomous, interacting individuals. Each agent of a crowd in this approach, is given a degree of intelligence; they can react to each situation on their own based on a set of decision rules. Information used to decide on an action is obtained locally from the agent's' surroundings. Most often, this approach is used for simulating realistic crowd behavior as the researcher is given complete freedom to implement any behaviors.
Ағымға негізделген тәсіл. Ағымға негізделген көпшілік симуляциясы көпшіліктің құрамдас бөліктеріне емес, тұтасқа назар аударады. Сондықтан жеке адамдардың айналасындағы ортадан туындайтын ерекше мінез-құлқы болмайды және мінез-құлық факторлары көбінесе төмендетіледі. Бұл модель көбінесе белгілі бір ортадағы үлкен және тығыз көпшіліктің қозғалыс ағынын бағалау үшін қолданылады. Үлкен көпшілікті және қысқа мерзімді мақсаттарды зерттеу үшін ең қолайлы.
One of the major goals in crowd simulation is to steer crowds realistically and recreate human dynamic behaviors. There exists several overarching approaches to crowd simulation and AI, each one providing advantages and disadvantages based on crowd size and time scale. Time scale refers to how the objective of the simulation also affects the length of the simulation. For example, researching social questions such as how ideologies are spread amongst a population will result in a much longer running simulation since such an event can span up to months or years. Using those two characteristics, researchers have attempted to apply classifications to better evaluate and organize existing crowd simulators. Flow based Approach Flow based crowd simulations focus on the crowd as a whole rather than its components. As such individuals do not have any distinctive behaviors that occur due to input from their surroundings and behavioral factors are largely reduced. This model is mainly used to estimate the flow of movement of a large and dense crowd in a given environment. Best used in studying large crowd, short time objectives. Entity based Approach Models that implement a set of physical, predefined, and global laws meant to simulate social/psychological factors that occur in individuals that are a part of a crowd fall under this category. Entities in this case do not have the capacity to, in a sense, think for themselves. All movements are determined by the global laws being enforced on them. Simulations that use this model often do so to research crowd dynamics such as jamming and flocking. Small to medium sized crowds with short term objectives fit this approach best. Agent based Approach Characterized by autonomous, interacting individuals. Each agent of a crowd in this approach, is given a degree of intelligence; they can react to each situation on their own based on a set of decision rules. Information used to decide on an action is obtained locally from the agent's' surroundings. Most often, this approach is used for simulating realistic crowd behavior as the researcher is given complete freedom to implement any behaviors.
Объектіге негізделген тәсіл. Көпшілік құрамындағы жеке тұлғаларда болатын әлеуметтік/психологиялық факторларды симуляциялауға арналған физикалық, алдын ала анықталған және жаһандық заңдар жиынтығын іске асыратын модельдер осы санатқа жатады. Бұл жағдайда объектілердің өздері үшін ойлау қабілеті болмайды. Барлық қозғалыстар оларға қолданылатын жаһандық заңдармен анықталады. Бұл модельді пайдаланатын симуляциялар көбінесе көпшілік динамикасын зерттеу үшін, мысалы, тығырылған жерлер мен топтасу үшін қолданылады. Шағын және орташа топтарға, қысқа мерзімді мақсаттарға бұл тәсіл өте жақсы сәйкес келеді.
One of the major goals in crowd simulation is to steer crowds realistically and recreate human dynamic behaviors. There exists several overarching approaches to crowd simulation and AI, each one providing advantages and disadvantages based on crowd size and time scale. Time scale refers to how the objective of the simulation also affects the length of the simulation. For example, researching social questions such as how ideologies are spread amongst a population will result in a much longer running simulation since such an event can span up to months or years. Using those two characteristics, researchers have attempted to apply classifications to better evaluate and organize existing crowd simulators. Flow based Approach Flow based crowd simulations focus on the crowd as a whole rather than its components. As such individuals do not have any distinctive behaviors that occur due to input from their surroundings and behavioral factors are largely reduced. This model is mainly used to estimate the flow of movement of a large and dense crowd in a given environment. Best used in studying large crowd, short time objectives. Entity based Approach Models that implement a set of physical, predefined, and global laws meant to simulate social/psychological factors that occur in individuals that are a part of a crowd fall under this category. Entities in this case do not have the capacity to, in a sense, think for themselves. All movements are determined by the global laws being enforced on them. Simulations that use this model often do so to research crowd dynamics such as jamming and flocking. Small to medium sized crowds with short term objectives fit this approach best. Agent based Approach Characterized by autonomous, interacting individuals. Each agent of a crowd in this approach, is given a degree of intelligence; they can react to each situation on their own based on a set of decision rules. Information used to decide on an action is obtained locally from the agent's' surroundings. Most often, this approach is used for simulating realistic crowd behavior as the researcher is given complete freedom to implement any behaviors.
Агентке негізделген тәсіл. Автономды, өзара әрекеттесетін жеке тұлғалармен сипатталады. Бұл тәсілде көпшіліктің әрбір агентіне белгілі бір деңгейде интеллект беріледі; олар шешімдер қабылдау ережелеріне негізделген кез келген жағдайға өздігінен жауап бере алады. Әрекетті шешу үшін қолданылатын ақпарат агенттің айналасынан жергілікті түрде алынады. Көбінесе бұл тәсіл көпшіліктің шынайы мінез-құлқын симуляциялау үшін қолданылады, өйткені зерттеушіге кез келген мінез-құлықты жүзеге асыру үшін толық еркіндік беріледі.
One of the major goals in crowd simulation is to steer crowds realistically and recreate human dynamic behaviors. There exists several overarching approaches to crowd simulation and AI, each one providing advantages and disadvantages based on crowd size and time scale. Time scale refers to how the objective of the simulation also affects the length of the simulation. For example, researching social questions such as how ideologies are spread amongst a population will result in a much longer running simulation since such an event can span up to months or years. Using those two characteristics, researchers have attempted to apply classifications to better evaluate and organize existing crowd simulators. Flow based Approach Flow based crowd simulations focus on the crowd as a whole rather than its components. As such individuals do not have any distinctive behaviors that occur due to input from their surroundings and behavioral factors are largely reduced. This model is mainly used to estimate the flow of movement of a large and dense crowd in a given environment. Best used in studying large crowd, short time objectives. Entity based Approach Models that implement a set of physical, predefined, and global laws meant to simulate social/psychological factors that occur in individuals that are a part of a crowd fall under this category. Entities in this case do not have the capacity to, in a sense, think for themselves. All movements are determined by the global laws being enforced on them. Simulations that use this model often do so to research crowd dynamics such as jamming and flocking. Small to medium sized crowds with short term objectives fit this approach best. Agent based Approach Characterized by autonomous, interacting individuals. Each agent of a crowd in this approach, is given a degree of intelligence; they can react to each situation on their own based on a set of decision rules. Information used to decide on an action is obtained locally from the agent's' surroundings. Most often, this approach is used for simulating realistic crowd behavior as the researcher is given complete freedom to implement any behaviors.
Бөлшектер жүйелері
Виртуалды көпшілікті модельдеудің бір жолы – бөлшектер жүйесін қолдану. Бөлшектер жүйесін компьютерлік графикада алғаш рет 1983 жылы У.Т. Ривз енгізді. Бөлшектер жүйесі – жеке элементтер немесе бөлшектердің жиынтығы. Әрбір бөлшек дербес әрекет ете алады және оған физикалық қасиеттер жиынтығы (мысалы, түсі, көлемі және жылдамдығы) тағайындалады. Бөлшектер жүйесі динамикалық, яғни бөлшектердің қозғалысы уақыт өте келе өзгереді. Бөлшектер жүйесінің қозғалысы оны осылай сұранысқа және оңай енгізілетін етеді. Бұл бөлшектердің қозғалысын есептеуге өте аз уақыт кетеді. Ол жай ғана физика заңдарына негізделген: бөлшекке әсер ететін күштердің қосындысы оның қозғалысын анықтайды. Мұндай күштерге гравитация, үйкеліс, соқтығысу күштері және мақсатқа тарту күші сияқты әлеуметтік күштер жатады. Әдетте, әрбір бөлшектің жылдамдық векторы және орналасу векторы болады, олар бөлшектің ағымдағы жылдамдығы және орналасуы туралы ақпаратты қамтиды. Бөлшектің келесі орны оның жылдамдық векторын орналасу векторына қосу арқылы есептеледі. Бұл өте қарапайым операция (сонымен қатар бөлшектер жүйесінің неліктен осыншалықты тиімді екендігінің себебі). Оның жылдамдық векторы уақыт өте келе бөлшекке әсер ететін күштерге жауап ретінде өзгереді. Мысалы, екінші бөлшекпен соқтығысу оның бағытын өзгертеді. Бөлшектер жүйесі фильмдерде жарылыстарды, су эффектілерін (2000 жылғы «Тілсіз дауыл» фильмінде) және 1994 жылғы «Маска» фильміндегі симуляцияланған газды көрсету үшін кеңінен қолданылған. Дегенмен, бөлшектер жүйесінің кейбір кемшіліктері де бар. Егер режиссер бұйрық бойынша қозғалатын көпшіліктегі актерлерді модельдеу үшін бөлшектер жүйесін пайдалану дұрыс болмауы мүмкін, себебі қай бөлшектер актерге тиесілі екенін, ал қайсысының тиесілі емес екенін анықтау өте қиын.
One way to simulate virtual crowds is to use a particle system. Particle systems were first introduced in computer graphics by W. T. Reeves in 1983. A particle system is a collection of a number of individual elements or particles. Each particle is able to act autonomously and is assigned a set of physical attributes (such as color, size and velocity). A particle system is dynamic, in that the movements of the particles change over time. A particle system's movement is what makes it so desirable and easy to implement. Calculating the movements of these particles takes very little time. It simply involves physics: the sum of all the forces acting on a particle determines its motion. Forces such as gravity, friction and force from a collision, and social forces like the attractive force of a goal. Usually each particle has a velocity vector and a position vector, containing information about the particle's current velocity and position respectively. The particles next position is calculated by adding its velocity vector to its position vector. A very simple operation (again why particle systems are so desirable). Its velocity vector changes over time, in response to the forces acting on the particle. For example, a collision with another particle will cause it to change direction. Particles systems have been widely used in films for effects such as explosions, for water effects in the 2000 movie The Perfect Storm, and simulated gas in the 1994 film the Mask. Particles systems, however, do have some drawbacks. It can be a bad idea to use a particle system to simulate agents in a crowd that the director will move on command, as determining which particles belong to the agent and which do not is very difficult.
Патил мен Ван Ден Бергтің алгоритмі
Бұл алгоритм салыстырмалы түрде қарапайым көпшілік үшін жасалған, онда көпшіліктегі әрбір агент тек өз мақсатына жетуді қалайды, сонымен қатар кедергілерден аулақ болады. Бұл алгоритм Таймс-сквердегі көпшілікті модельдеу үшін қолданылуы мүмкін. Патил алгоритмінің ең маңызды және ерекше ерекшелігі – ол агенттерді бағыттау үшін навигациялық өрістер концепциясын пайдаланады. Бұл бағыттау өрісінен өзгеше; бағыттау өрісі – агенттің айналасындағы аймақ, онда агент ақпаратты "көруге"/анықтауға қабілетті. Бағыттау өрістері көбінесе кедергілерден, әсіресе динамикалық кедергілерден (қозғалатын кедергілерден) аулақ болу үшін қолданылады. Әрбір агенттің өз бағыттау өрісі бар. Ал навигациялық өріс – бұл әрбір агенттің өз мақсатты орнына жетуі үшін ең төменгі құнмен жолды есептейтін векторлық өріс. Навигациялық өрісті қоршаған ортадағы барлық бос (кедергісіз) орындардан мақсатты орындардың біріне дейін жол болғанда ғана дұрыс пайдалануға болады. Навигациялық өріс қоршаған ортадағы статикалық объектілердің координаттарын, әрбір агент үшін мақсатты позицияларды және әрбір агент үшін бағыттау өрісін пайдалана отырып есептеледі. Әрбір агенттің өз мақсатына жетуін қамтамасыз ету үшін навигациялық өріс жергілікті минимумдардан бос болуы керек, бірақ белгіленген мақсаттардағы шұңғымалар болуы мүмкін. Навигациялық өрісті есептеудің уақыты , мұндағы m × n – тордың өлшемі (Дайкстра алгоритміне ұқсас). Осылайша, алгоритм тек тордың ажыратымдылығына байланысты және қоршаған ортадағы агенттердің санына байланысты емес. Дегенмен, бұл алгоритмнің жадты пайдалану шығыны жоғары.
This algorithm was designed for relatively simplistic crowds, where each agent in the crowd only desires to get to its own goal destination while also avoiding obstacles. This algorithm could be used for simulating a crowd in Times Square. Patils algorithm's most important and distinctive feature is that it utilizes the concept of navigation fields for directing agents. This is different from a guidance field; a guidance field is an area around the agent in which the agent is capable of "seeing"/detecting information. Guidance fields are typically used for avoiding obstacles, dynamic obstacles (obstacles that move) in particular. Every agent possesses its own guidance field. A navigation field, on the other hand, is a vector field which calculates the minimum cost path for every agent so that every agent arrives at its own goal position. The navigation field can only be used properly when a path exists from every free (non obstacle) position in the environment to one of the goal positions. The navigation field is computed using coordinates of the static objects in the environment, goal positions for each agent, and the guidance field for each agent. In order to guarantee that every agent reaches its own goal the navigation field must be free of local minima, except for the presence of sinks at the specified goals. The running time of computing the navigation field is , where m × n is the grid dimension (similar to Dijkstra's algorithm). Thus, the algorithm is only dependent on the grid resolution and not dependent on the number of agents in the environment. However, this algorithm has a high memory cost.
Жеке мінез-құлықты модельдеу
Жасанды интеллект негізіндегі көпшілік моделеуінің бір тәсілі – жеке агенттердің мотивациясы мен шешім қабылдауын күрделі түрде модельдеу арқылы көпшіліктің мінез-құлқын симуляциялау болып табылады. Әдетте, бұл әрбір агентке түрлі қасиеттерді немесе стресс, мінез-сипаттары немесе әртүрлі мақсаттарды өлшейтін бірнеше айнымалы беріледі дегенді білдіреді. Бұл көпшіліктің мінез-құлқының шынайырақ болуына әкеледі, бірақ қарапайым тәсілдерге қарағанда есептеу жүктемесі артуы мүмкін.
One set of techniques for AI based crowd simulation is to model crowd behavior by advanced simulation of individual agent motivations and decision making. Generally, this means each agent is assigned some set of variables that measure various traits or statuses such as stress, personality, or different goals. This results in more realistic crowd behavior though may be more computationally intensive than simpler techniques.
Жеке тұлғаға негізделген модельдер
Адамдар тобының агенттеріне жеке мінез-құлық қалыптастырудың бір жолы – жеке тұлғалық қасиеттерді пайдалану. Әрбір агенттің жеке басының белгілі бір ерекшеліктері, агенттердің мінез-құлқын басқаратын айнымалылармен, мысалы, агрессивтілік немесе импульсивтілік сияқты факторларды байланыстыратын формула бойынша реттелуі мүмкін. Мұндай байланысты табудың бір тәсілі – субъективті зерттеу жүргізу, онда агенттерге осы айнымалыларға кездейсоқ мәндер беріледі және қатысушылардан әр агентті осы тұлғалық қасиеттер тұрғысынан сипаттау сұралады. Содан кейін осы қасиеттер мен агенттік айнымалылар арасындағы байланысты анықтау үшін регрессиялық талдау жасалуы мүмкін. Тұлғалық қасиеттерді реттеу арқылы агенттердің мінез-құлқына тиісті әсер етуге болады. OCEAN тұлғалық моделі тұлғалық қасиеттер мен көпшілік симуляция параметрлері арасындағы сәйкестікті анықтау үшін қолданылған. Тұлғалық қасиеттермен көпшілік параметрлерін автоматты түрде реттеу гетерогенді топтармен сценарийлерді оңай құруға мүмкіндік береді.
One method of creating individualistic behavior for crowd agents is through the use of personality traits. Each agent may have certain aspects of their personality tuned based on a formula that associates aspects such as aggressiveness or impulsiveness with variables that govern the agents' behavior. One way this association can be found is through a subjective study in which agents are randomly assigned values for these variables and participants are asked to describe each agent in terms of these personality traits. A regression may then be done to determine a correlation between these traits and the agent variables. The personality traits can then be tuned and have an appropriate effect on agent behavior. The OCEAN personality model has been used to define a mapping between personality traits and crowd simulation parameters. Automating crowd parameter tuning with personality traits provides easy authoring of scenarios with heterogeneous crowds.
Әлеуметтану
Көпшілік симуляциясы топтық динамикаға, көпшілік психологиясына және тіпті әлеуметтік әдепке негізделген симуляцияларды да қамтуы мүмкін. Мұндай жағдайда назар симуляцияның визуалды реализміне емес, көпшіліктің мінез-құлқына аударылады. Көпшілік 19-шы ғасырдың соңынан бері ғылыми зерттеу нысаны болып табылады. Көптеген зерттеулер адамдардың қоғамдық жиындардағы, бас қосулардағы, наразылықтардағы, көтерілістердегі, концерттердегі, спорттық шаралардағы және діни рәсімдердегі ұжымдық әлеуметтік мінез-құлқына бағытталған. Әртүрлі стрестік жағдайлардағы адамның табиғи мінез-құлқын түсіну, әсіресе қоғамдық қауіпсіздікті жоспарлауда көпшілікті бақылау стратегияларын әзірлеу үшін қолданылатын жақсы модельдерді құруға мүмкіндік береді. Полиция, Ұлттық гвардия, әскерилер және тіпті еріктілер сияқты төтенше жағдайларға жауап беретін топтар көпшілікке қатысты жаттығулардан өтуі керек. Адамдардың көпшіліктегі мінез-құлқының зерттелген принциптерін қолдану арқылы апаттық оқытуды жоспарлаушыларға шынайы симуляцияланған апаттарды жасау үшін қосымша элементтерді енгізуге болады. Көпшіліктің мінез-құлқы паникалық және паникалық емес жағдайларда байқалады. Әскери бағдарламалар төтенше жағдайларға жауап беруді қамтитын симуляциялық жаттығуларға көбірек назар аударуда, себебі бұл технология тиімді әрі оқыту нәтижелерін нақты өмірге қолдануға ыңғайлы. Бастапқыда бақыланатын көптеген оқиғалар күтпеген жағдайларға байланысты апаттық жағдайларға ұласуы мүмкін, онда шешімдер дереу қабылдануы керек. Дәл осындай жағдайларда көпшілік динамикасын түсіну хаос қаупін азайтуда маңызды рөл атқарады. Көпшілікті модельдеу әдістері жалпылама немесе желілік тәсілдерден бастап, әрбір агенттің жеке және мінез-құлқылық ерекшеліктерін түсінуге дейін өзгереді. Мысалы, әлеуметтік күш моделі адамдардың әлеуметтік және физикалық өзара әрекеттесу арасында тепе-теңдік табу қажеттілігін сипаттайды. Екі аспектіні де қамтитын және жағдайға бейімделе алатын тәсіл адамның табиғи мінез-құлқын жақсырақ көрсетеді, сонымен қатар белгілі бір дәрежеде болжау мүмкін емес. Көп агенттік модельдерді қолдану арқылы осы күрделі мінез-құлықты түсіну айтарлықтай жеңілдеді. Бұл бағдарламалық жасақтаманы пайдаланып, жүйелерді экстремалды жағдайларда сынауға және секундтар ішінде ұзақ мерзімді жағдайларды симуляциялауға болады. Кейбір жағдайларда адам емес жануарлардың үйірлерінің мінез-құлқы көпшіліктің мінез-құлқының тәжірибелік моделі ретінде қолданылуы мүмкін. Шешімді кеңістікте шығу жолдары шектеулі болғанда, шымшықтардың қорқыныш тудыратын химиялық заттарға реакциясы адамдардың мінез-құлқымен ұқсастықтар мен айырмашылықтарды көрсетеді.
Crowd simulation can also refer to simulations based on group dynamics, crowd psychology, and even social etiquette. In this case, the focus is on the behavior of the crowd, not necessarily on the visual realism of the simulation. Crowds have been studied as a scientific interest since the end of the 19th century. A lot of research has focused on the collective social behavior of people at social gatherings, assemblies, protests, rebellions, concerts, sporting events and religious ceremonies. Gaining insight into natural human behavior under varying types of stressful situations will allow better models to be created which can be used to develop crowd controlling strategies, often in public safety planning. Emergency response teams such as policemen, the National Guard, military and even volunteers must undergo some type of crowd control training. Using researched principles of human behavior in crowds can give disaster training designers more elements to incorporate to create realistic simulated disasters. Crowd behavior can be observed during both panic and non panic conditions. Military programs are looking more towards simulated training involving emergency responses due to their cost effective technology, as well as how effective the learning can be transferred to the real world. Many events that may start out controlled can have a twisting event that turns them into catastrophic situations, where decisions need to be made on the spot. It is these situations in which crowd dynamical understanding could play a vital role in reducing the potential for chaos. Modeling techniques of crowds vary from holistic or network approaches to understanding individualistic or behavioral aspects of each agent. For example, the Social Force Model describes a need for individuals to find a balance between social interaction and physical interaction. An approach that incorporates both aspects, and is able to adapt depending on the situation, would better describe natural human behavior, always incorporating some measure of unpredictability. With the use of multi agent models understanding these complex behaviors has become a much more comprehensible task. With the use of this type of software, systems can now be tested under extreme conditions, and simulate conditions over long periods of time in the matter of seconds. In some situations, the behavior of swarms of non human animals can be used as an experimental model of crowd behavior. The panic behavior of ants when exposed to a repellent chemical in a confined space with limited exit routes has been found to have both similarities and differences to equivalent human behavior.
Жеке мінез-құлықты модельдеу
Хакохен, Шоваль және Швалб қақтығыстар жиі болатын қиылыстардағы жүргізушілер мен жаяу жүргіншілердің динамикасын зерттеді. Мұндай жағдайларда жүргізушілер және/немесе жаяу жүргіншілер жол ережелерін қатаң сақтамайды. Модель бастапқыда роботтардың қозғалысын жоспарлау үшін жасалған Ықтималдық Навигациялық Функцияға (PNF) негізделген. Алгоритм қиылысқан аймақтың әрбір нүктесіндегі соқтығысу ықтималдығына сәйкес траекторияны құрастырады. Жаяу жүргіншілер содан кейін қабығу ықтималдығын жергілікті түрде азайтатын траекторияны таңдайды. Хелбинг паникалық жағдайлардағы адамдардың көпшілік мінез-құлқын сипаттау үшін бөлшектер жүйесі мен әлеуметтік-психологиялық күштерді пайдалана отырып, физикаға негізделген модель ұсынды, бұл қазір Хелбинг моделі деп аталады. Оның жұмысы белгілі бір жағдайда орташа адамның қалай әрекет ететініне негізделген. Бұл модель жақсы болғанымен, көпшілікте әртүрлі адамдар болады және олардың әрқайсысының жеке ерекшеліктері мен топ құрылымындағы мінез-құлқы әртүрлі болады. Мысалы, бір адам паникалық жағдайға реакция жасамаса, екіншісі жүруін тоқтатып, көпшіліктің динамикасына кедергі келтіруі мүмкін. Сонымен қатар, топ құрылымына байланысты, жеке іс-қимыл өзгеруі мүмкін, себебі адам топтың бір бөлігі ретінде әрекет етеді, мысалы, сол топтың мүшесін құтқару үшін қауіпті жерге қайта оралуы мүмкін. Хелбинг моделі Браун, Муссе, Оливейра және Бодман ұсынғандай, жекеленуді ескере отырып, кеңейтілуі мүмкін.
Hacohen, Shoval and Shvalb formulated the drivers pedestrians dynamics at congested conflict spots. In such scenarios, the drivers and/or pedestrians do not closely follow the traffic laws. The model is based on the Probabilistic Navigation function (PNF), which was originally developed for robotics motion planning. The algorithm constructs a trajectory according to the probability for collision at each point in the entire crossing area. The pedestrian then follow a trajectory that locally minimizes their perceived probability for collision. Helbing proposed a model based on physics using a particle system and socio psychological forces in order to describe human crowd behavior in panic situation, this is now called the Helbing Model. His work is based on how the average person would react in a certain situation. Although this is a good model, there are always different types of people present in the crowd and they each have their own individual characteristics as well as how they act in a group structure. For instance, one person may not react to a panic situation, while another may stop walking and interfere in the crowd dynamics as a whole. Furthermore, depending on the group structure, the individual action can change because the agent is part of a group, for example, returning to a dangerous place in order to rescue a member of that group. Helbing's model can be generalized incorporating individualism, as proposed by Braun, Musse, Oliveira and Bodmann.
Эвакуациялау симуляциялары кезінде жетекшінің мінез-құлқы
Жоғарыда сипатталғандай, Хелбинг моделі көпшілік мінез-құлқының негізі ретінде пайдаланылады. Осы модель эвакуациялық симуляцияларда да қолданылады. Жалпы алғанда, бірінші кезекте, барлық адамдар орта туралы немесе қай жерлерде қауіп бар екенін білмейді деп ескеру қажет. Осы болжамнан біз агенттердің үш түрін құра аламыз. Бірінші түрі – оқытылған жетекші, бұл агент ортаны біледі және басқа агенттерге білім таратып, оларға ортадан қалай шығу керектігін түсіндіре алады. Екінші түрі – оқытылмаған жетекші, бұл агент ортаны білмейді, бірақ ортаны зерттеу және басқа жетекшілерден ақпарат алу арқылы орта туралы білімді таратуға қабілетті. Агенттердің үшінші түрі – ізбасар, бұл агент тек басқа жетекшілерден ақпарат алады, бірақ оны басқа агенттермен бөлісе алмайды. Осы агенттердің түрлерін іске асыру өте қарапайым. Ортадағы жетекшілердің ортаның картасы олардың атрибуттарының бірі ретінде сақталады. Оқытылмаған жетекшілер мен ізбасарлар бос картамен бастайды. Оқытылмаған жетекшілер мен ізбасарлар өздігінен ортаны зерттей бастайды және жүруге болатын және жүруге болмайтын жерлердің картасын жасайды. Жетекшілер мен оқытылмаған жетекшілер (білім алғаннан кейін) жақындығына байланысты басқа агенттермен ақпарат алмасады. Олар тордағы қай ұялардың бұғатталғаны, жергілікті субграфтар және аймақтағы қауіптер туралы ақпаратты бөліседі. Бұл іске асыру үшін екі түрлі іздеу алгоритмі сыналып көрді: кездейсоқ іздеу және тереңдік бойынша іздеу. Кездейсоқ іздеуде әрбір агент орта арқылы кез келген бағытта жүріп, шығу жолын табуға тырысады. Тереңдік бойынша іздеуде агенттер бір жолды мүмкіндігінше ұстанғаннан кейін, егер олар өткен жолда шығу болмаса, кері қайтып, басқа жолды сынап көреді. Тереңдік бойынша іздеу кездейсоқ іздеуге қарағанда 15 есе жылдам екені анықталды.
As described earlier, the Helbing Model is used as the basics for crowd behavior. This same type of behavior model is used for evacuation simulations. In general, the first thing that has to be assumed is that not everyone has knowledge about the environment or where there are and aren't hazards. From this assumption we can create three types of agents. The first type is a trained leader, this agent knows about the environment and is able to spread knowledge to other agents so they know how to exit from an environment. The next type of agent is an untrained leader, this agent does not know about the environment, however, as the agent explores the environment and gets information from other types of leaders, the agent is able to spread the knowledge about the environment. The last type of agent is a follower, this type of agent can only take information from other leaders and not be able to share the information with other agents. The implementation of these types of agents is fairly straightforward. The leaders in the environment have a map of the environment saved as one of their attributes. An untrained leader and followers will start out with an empty map as their attribute. Untrained leaders and followers will start exploring an environment by themselves and create a map of walkable and unwalkable locations. Leaders and untrained leaders (once they have the knowledge), will share information with other agents depending on their proximity. They will share information about which points on the grid are blocked, the local sub graphs and the dangers in the area. There were two types of searching algorithms tried out for this implementation. There was the random search and the depth first search. A random search is where each of the agents go in any direction through the environment and try to find a pathway out. The depth first search is where agents follow one path as far as it can go then return and try another path if the path they traversed does not contain an exit. If was found that depth first search gave a speed up of 15 times versus a random search.
Өлшемді симуляциялар
Көпшілік симуляциясында ойнауға болатын көптеген жағдайлар бар. Соңғы уақытта көпшілік симуляциясы білім беру, оқыту және ойын-сауық сияқты көптеген виртуалды орталар үшін маңызды болды. Көптеген жағдайлар симуляция ортасына немесе жергілікті агенттер тобының мінез-құлқына байланысты болады. Виртуалды шындық қолданбаларында әр агент қоршаған ортадағы көптеген басқа агенттермен өзара әрекеттеседі, бұл күрделі нақты уақыт өзара әрекеттесуді қажет етеді. Агенттерде қоршаған ортада үздіксіз өзгерістер болуы керек, себебі агенттердің мінез-құлқы күрделі өзара әрекеттесуге мүмкіндік береді. Өлшемді архитектура үлкен көпшілікті мінез-құлық және өзара әрекеттесу жылдамдығы арқылы басқара алады. Бұл жағдайлар көпшілікке бірнеше күрделі сценарийлерде қалай әрекет ететінін көрсетеді, ал әртүрлі жағдайлар қолданылып жатқанда. Жағдай – жергілікті мінез-құлықтарға тән кез келген жағдай. Біз барлық жағдайларды екі түрге бөле аламыз. Аумақтық жағдай – қоршаған орта жергілікті агенттерге әсер ететін аймақ бар жағдай. Мысалы, билет кассасында кезек күтіп тұрған көпшілік аумақтық жағдайды көрсетеді. Басқа мысалдар автобус аялдамасы немесе банкомат болуы мүмкін, онда кейіпкерлер өз орталарына сәйкес әрекет етеді. Сондықтан, егер агенттердің мінез-құлқы автобусқа отыру немесе түсу болса, біз «автобус аялдамасын» жағдай ретінде қарастырамыз. Аумақсыз жағдайдың қоршаған ортада аймағы жоқ, себебі ол тек көпшіліктің мінез-құлқымен ғана байланысты. Жергілікті агенттердің қарым-қатынасы мінез-құлықты анықтау кезінде маңызды фактор болып табылады. Мысалы, достарыңмен бірге серуендеу. Дос кейіпкерлердің мінез-құлқы бір-бірімен үйлесімді болады. Бұл «достық» бірге серуендеудің әдеттегі мінез-құлқының жағдайы екенін білдіреді. Кез келген жағдайдың құрылымы төрт компонентке негізделген: мінез-құлық функциялары, сенсорлар, күйлер және оқиға ережелері. Мінез-құлық функциялары кейіпкерлердің мінез-құлқының жағдайға тән екенін көрсетеді. Сенсорлар – агенттердің оқиғаларды сезіну және оларға жауап беру қабілеті. Күйлер – жергілікті мінез-құлық үшін ғана қолданылатын әртүрлі қозғалыстар мен күй өзгерістері. Оқиға ережесі – әртүрлі оқиғаларды олардың белгілі бір мінез-құлқымен байланыстыратын тәсіл. Кейіпкерді жағдайға енгізгенде, осы төрт компонент бір уақытта қарастырылады. Аумақтық жағдайлар үшін компоненттер кейіпкерге әсер ететін ортаға жеке адам алғаш кірген кезде қосылады. Аумақсыз жағдайлар үшін кейіпкерге пайдаланушы жағдайды берген кезде ғана әсер етеді. Төрт компонент агентті оның жағдай аймағынан шығарғанда немесе жағдайдың өзі алынып тасталғанда алынып тасталады. Жағдайларды динамикалық түрде қосу және алып тастау арқылы біз кеңейтілген агенттерге қол жеткізе аламыз.
There are many different case situations that come into play in crowd simulations. Recently, crowd simulation has been essential for the many virtual environment applications such as education, training, and entertainment. Many situations are based on the environment of the simulation or the behavior of the group of local agents. In virtual reality applications, every agent interacts with many other agents in the environment, calling for complex real time interactions. Agents must have continuous changes in the environment since agent behaviors allow complex interactions. Scalable architecture can manage large crowds through the behavior and interactive rates. These situations will indicate how the crowds will act in multiple complex scenarios while several different situations are being applied. A situation can be any circumstance that has typical local behaviors. We can categorize all situations into two different kinds. Spatial situation is a situation that has a region where the environment affects the local agents. For instance, a crowd waiting in line for a ticket booth would be displaying a spatial situation. Other examples may be a bus stop or an ATM where characters act upon their environment. Therefore, we would consider 'bus stop' as the situation if the behavior of the agents are to be getting on or off a bus. Non Spatial situation has no region in the environment because this only involves the behavior of the crowd. The relationship of the local agents is an important factor to consider when determining behavior. An example would be a group of friends walking together. Typical behavior of characters that are friends would all move along with each other. This means that 'friendship' would be the situation among the typical behavior of walking together. The structure of any situation is built upon four components, Behavior functions, Sensors, States, and Event Rules. Behavior functions represent what the characters behaviors are specific to the situation. Sensors are the sensing capability for agents to see and respond to events. States are the different motions and state transitions used only for the local behaviors. Event rule is the way to connect different events to their specific behaviors. While a character is being put into a situation, these four components are considered at the same time. For spatial situations, the components are added when the individual initially enters the environment that influences the character. For non spatial situations, the character is affected only once the user assigns the situation to the character. The four components are removed when the agent is taken away from its situations region or the situation itself is removed. The dynamic adding and removing of the situations lets us achieve scalable agents.
Адамға ұқсас мінез-құлық және көпшілік ЖА
Адамдардың көпшіліктегі қызметін модельдеу үшін, жол және қозғалыс жоспарлаудан гөрі көбірек қажет. Бұл салада күрделі әлеуметтік өзара әрекеттесулер, интеллектуалды нысандарды басқару және гибридтік модельдер қиындықтар тудырады. Модельдеу арқылы алынған көпшілік мінез-құлқы, нақты әлемдегі көпшілік ағынынан шабыт алады. Мінез-құлқы үлгілері, қозғалыс жылдамдықтары мен тығыздығы, сондай-ақ аномалиялар көптеген орталар мен ғимараттарда талданады. Жеке адамдар қадағаланады және олардың қозғалыстары тіркеледі, осылайша алгоритмдер жасалып, көпшілік модельдеуге енгізіледі. Көпшіліктегі жеке тұлғалар агенттер деп те аталады. Көпшілік шынайы түрде мінез-құлып үшін, әрбір агент автономды түрде әрекет етуі керек (яғни, басқа агенттерден тәуелсіз әрекет ете алуы керек). Бұл идея агенттік модельдеу деп аталады. Сонымен қатар, агенттердің белгілі бір деңгейде интеллектуалдылықпен әрекет етуі қажет (яғни, агенттер өздеріне зиян келтіретін әрекеттер жасамайынша керек). Агенттердің интеллектуалды және шынайы шешімдер қабылдауы үшін, олар қоршаған ортаға сәйкес әрекет етуі, оның өзгерістеріне және басқа агенттерге жауап беруі керек. Терзопулос және оның студенттері жаяу жүргіншілердің агенттік модельдерін жасады, бұл тәсіл дәстүрлі көпшілік модельдеуінен ерекшелену үшін көп адамдарды модельдеу деп аталады.
To simulate more aspects of human activities in a crowd, more is needed than path and motion planning. Complex social interactions, smart object manipulation, and hybrid models are challenges in this area. Simulated crowd behavior is inspired by the flow of real world crowds. Behavioral patterns, movement speeds and densities, and anomalies are analyzed across many environments and building types. Individuals are tracked and their movements are documented such that algorithms can be derived and implemented into crowd simulations. Individual entities in a crowd are also called agents. In order for a crowd to behave realistically each agent should act autonomously (be capable of acting independently of the other agents). This idea is referred to as an agent based model. Moreover, it is usually desired that the agents act with some degree of intelligence (i. e. the agents should not perform actions that would cause them to harm themselves). For agents to make intelligent and realistic decisions, they should act in accordance with their surrounding environment, react to its changes, and react to the other agents. Terzopoulos and his students have pioneered agent based models of pedestrians, an approach referred to as multi human simulation to distinguish it from conventional crowd simulation.
Көпшілік рендеринг және анимация
Көптеген агенттерді шынайы көрсету және анимациялау, әсіресе нақты уақытта, қиындық тудырады. Ірі масштабтағы көпшілікті 3D-де көрсетудің күрделілігін азайту үшін, іріктеу (маңызсыз объектілерді жою), импосторлар (сурет негізінде көрсету) және егжей-тегжейлілік деңгейін төмендету сияқты техникалар қолданылады. Нақты көпшіліктерде сыртқы түрі, дене пішіні мен мөлшері, аксессуарлар және мінез-құлық (әлеуметтік немесе мәдени) әртүрлі болады, ал әртүрліліктің жетіспеуі визуалды симуляциялардың шынайылығына әсер етеді. Қазіргі жүйелер әртүрлі текстурасы, мөлшері, пішіні және анимациясы бар виртуалды көпшіліктерді жасауға қабілетті.
Rendering and animating a large number of agents realistically, especially in real time, is challenging. To reduce the complexity of 3D rendering of large scale crowds, techniques like culling (discarding unimportant objects), impostors (image based rendering) and decreasing levels of detail have been used. Variations in appearance, body shape and size, accessories and behavior (social or cultural) exist in real crowds, and lack of variety affects the realism of visual simulations. Existing systems can create virtual crowds with varying texture, size, shape and animation.
Қалалық жоспарлау
Қалыңдықты модельдеу бағдарламалық құралдарын жасау қалалық ортаны жобалаудағы қазіргі заманғы және тиімді құралға айналды. Дәстүрлі қала құрылысы карталар мен абстрактілі эскиздерге сүйенсе, цифрлық модельдеу сәулетшіден жаяу жүргіншіге дейін дизайнның пішіні мен мақсатын тиімді жеткізе алады. Мысалы, көше таңбалары мен жол қозғалысын реттегіштер жаяу жүргіншілердің қозғалысын және мінез-құлқысын бағыттайтын жергілікті визуальды сигналдар болып табылады. Осы логика бойынша, адам А нүктесінен В нүктесіне тиімді жолмен өте алады, нәтижесінде адамдар тобы одан да тиімді жұмыс істей алады. Кең мағынада, автобус жүйелері мен жол бойындағы мейрамханалар адамдардың қозғалыс үлгілерін ескере отырып, олардың орналасқан жерлерінде кеңістіктік мақсатқа қызмет етеді. SimCity видео ойындарының сериясы осы ұғымды қарапайым түрде көрсетеді. Осы серияда ойыншы қалалық дамуды белгіленген аймақтарда жүзеге асырады, сонымен бірге бюджеттің қалыпты деңгейін сақтайды. Бос жайдан гөрі көтеріңкі қалаға айналу толығымен ойыншының таңдауымен бақыланады, ал цифрлық тұрғындар қаланың дизайны мен оқиғаларына сәйкес мінез-құлық көрсетеді.
The development of crowd simulation software has become a modern and useful tool in designing urban environments. Whereas the traditional method of urban planning relies on maps and abstract sketches, a digital simulation is more capable of conveying both form and intent of design from architect to pedestrian. For example, street signs and traffic lights are localized visual cues that influence pedestrians to move and behave accordingly. Following this logic, a person is able to move from point A to point B in a way that is efficient and that a collective group of people can operate more effectively as a result. In a broader sense, bus systems and roadside restaurants serve a spatial purpose in their locations through an understanding of human movement patterns. The SimCity video game series exemplifies this concept in a more simplistic manner. In this series, the player assigns city development in designated zones while maintaining a healthy budget. The progression from empty land to a bustling city is fully controlled by the player's choices and the digital citizens behave as according to the city's design and events.
Эвакуация және тәртіпсіздікке қарсы іс-қимыл
Нақты көрініс беретін жасанды көпшіліктер көтеріліс жағдайларын басқару, архитектура, қауіпсіздік ғылымдары (эвакуация жоспарлау) салаларында оқыту үшін пайдаланылуы мүмкін.
Simulated realistic crowds can be used in training for riots handling, architecture, safety science (evacuation planning).
Әскери
Қалыңдық симуляциялары қоғамдық жоспарлау және хаостық жағдайларда тәртіп сақтау үшін кеңінен қолданылатындықтан, үкіметтік және әскери симуляцияларда осыған байланысты көптеген қолданыстарды табуға болады. Көпшілік моделі полиция және әскери симуляцияларында офицерлер мен сарбаздарды адамдардың көп жиналуына дайындау үшін өте маңызды. Олар үшін тек шабуылдаушылармен ғана емес, сонымен қатар бейбіт тұрғындардың көпшілігімен күресу де қиындық тудырады, бұл жағдайды одан да бақылаудан шығаруы мүмкін. Әскерилер мен техникалық мамандар өз дағдыларын жаттықтыру үшін осы жағдайларды модельдеу үшін ойын технологиялары пайдаланылады.
Being that crowd simulations are so prevalent in use for public planning and general order with regards to chaotic situations, many applications can be drawn for governmental and military simulations. Crowd modeling is essential in police and military simulation in order to train officers and soldiers to deal with mass gatherings of people. Not only do offensive combatants prove to be difficult for these individuals to handle, but noncombatant crowds play significant roles in making these aggressive situations more out of control. Game technology is used in order to simulate these situations for soldiers and technicians to practice their skills.
Әлеуметтану
Модельделген көпшіліктің мінез-құлқы талдау мәселелерінде маңызды рөл атқарады. Бұл динамика модельдің визуальды шындығына емес, көпшілік ішіндегі жеке тұлғалардың физикалық мінез-құлқына негізделген. Осы құрылымдардағы адамдардың әлеуметтік мінез-құлқы көп жылдар бойы зерттеу нысаны болған, ал осы өзара әрекеттесулерді түсіндіретін әлеуметтанулық концепциялар үнемі зерттеледі. Көпшілікті түрлі жағдайларда модельдеу, нақты өмірдегі жиындарды әртүрлі орналасқан жерлерде және жағдайларда әлеуметтанулық тұрғыдан зерттеуге мүмкіндік береді. Стресс деңгейінің өзгеруіне байланысты адам мінез-құлқының айырмашылықтары, жағдайларды жалпылама емес, нақтырақ қолдануға болатын көпшілік басқару стратегияларын одан әрі дамытуға және құруға ықпал етеді.
The behavior of a modeled crowd plays a prominent role in analytical matters. These dynamics rely on the physical behaviors of individual agents within a crowd rather than the visual reality of the model itself. The social behaviors of people within these constructs have been of interest for many years, and the sociological concepts which underpin these interactions are constantly studied. The simulation of crowds in different situations allows for sociological study of real life gatherings in a variety of arrangements and locations. The variations in human behavior in situations varying in stress levels allows for the further development and creation of crowd control strategies which can be more specifically applied to situations rather than generalized.