Моделирование движения толпы: история и современные подходы.

Введение

Модель движения

Моделирование толпы – это процесс симуляции движения (или поведения) большого количества сущностей или персонажей. Оно широко используется для создания виртуальных сцен для визуальных медиа, таких как фильмы и видеоигры, а также в обучении действиям в кризисных ситуациях, архитектуре и городском планировании, и моделировании эвакуации. Моделирование толпы может быть сосредоточено на аспектах, ориентированных на различные применения. Для реалистичной и быстрой визуализации толпы в визуальных медиа или виртуальной кинематографии используются методы упрощения 3D-сцены и рендеринг на основе изображений, а вариации (изменения) во внешнем виде помогают создать реалистичное население. В играх и приложениях, предназначенных для воспроизведения движения реальных людей, например, в симуляциях эвакуации, симулируемые агенты должны уметь ориентироваться к цели, избегать столкновений и демонстрировать другие человеческие модели поведения. Разработано множество алгоритмов управления движением толпы, позволяющих реалистично направлять имитируемые толпы к их целям. Ведутся исследования более общих систем, способных поддерживать различные типы агентов (например, автомобили и пешеходов), разные уровни абстракции (например, индивидуальный и континуальный), взаимодействие агентов с интеллектуальными объектами, а также более сложную физическую и социальную динамику.

История

Всегда существовал глубокий интерес к пониманию и управлению движением и поведением толпы людей. С момента начала исследований в области моделирования толпы было достигнуто множество значительных успехов. Очевидно, что после этих исследований постоянно появляются и публикуются новые открытия, повышающие масштабируемость, гибкость, применимость и реалистичность симуляций: в 1987 году Крейг Рейнольдс представил и разработал поведенческую анимацию. Он смоделировал стаи птиц и косяки рыб для изучения групповой интуиции и движения. Все агенты в этих симуляциях имели прямой доступ к позициям и скоростям окружающих их агентов. Теоретические разработки и исследования Рейнольдса были усовершенствованы и развиты в 1994 году Сяоюань Ту, Деметри Терзопулосом и Радеком Гжещуком. Реалистичность симуляции была усилена за счет оснащения отдельных агентов синтетическим зрением и общим обзором окружающей среды, в которой они находились, что обеспечивало восприятие в их динамической среде обитания. Первоначальные исследования в области моделирования толпы начались в 1997 году под руководством Дэниела Тальмана с докторской диссертации Сорайи Раупп Муссе. Они представили новую модель поведения толпы для создания симуляции обобщенных популяций. Здесь установлена связь между автономным поведением индивида в толпе и возникающим из этого коллективным поведением. В 1999 году индивидуальная навигация начала развиваться в области моделирования толпы благодаря продолженным исследованиям Крейга Рейнольдса. Было доказано, что управляющие поведения играют важную роль в автоматизации агентов в симуляции. Рейнольдс утверждает, что процессы перемещения на низком уровне зависят от управляющих поведений среднего уровня и состояний целей и стратегий поиска пути на высоком уровне. Развивая передовые работы Рейнольдса, Муссе и Тальман начали изучать моделирование симуляций этих толп в реальном времени и их применение к человеческому поведению. Управление человеческими толпами было определено как иерархическая организация с уровнями автономии среди агентов. Это ознаменовало начало моделирования индивидуального поведения в его наиболее элементарной форме на гуманоидных агентах или виртуальных людях. Параллельно с публикациями, касающимися моделей человеческого поведения и симуляций группового поведения, предложение Мэтта Андерсона, Эрика МакДэниэля и Стивена Ченни об ограничениях поведения приобрело популярность. Возможность наложения ограничений на групповую анимацию была представлена как доступная в любой момент времени в рамках симуляции. Этот процесс применения ограничений к поведенческой модели осуществляется в двух этапах: сначала определяется начальный набор целевых траекторий, соответствующих ограничениям, а затем к этим траекториям применяются поведенческие правила для выбора тех, которые не нарушают их. В связи с результатами, предложенными в его работе с Муссе, Тальман, совместно с Братиславой Уличным и Пабло де Херас Цихомски, предложил новую модель, которая позволяла интерактивно создавать агентов на уровне индивида, группы агентов и всей толпы. Была введена метафора кисти для распределения, моделирования и управления членами толпы в реальном времени с мгновенной обратной связью.

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:

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.

Динамика толпы

Одна из основных целей в моделировании толпы — реалистично управлять толпой и воссоздавать динамическое поведение человека. Существует несколько общих подходов к моделированию толпы и искусственному интеллекту, каждый из которых имеет свои преимущества и недостатки в зависимости от размера толпы и временного масштаба. Временной масштаб относится к тому, как цель моделирования влияет на продолжительность симуляции. Например, исследование социальных вопросов, таких как распространение идеологий в популяции, потребует гораздо более длительной симуляции, поскольку такое событие может длиться месяцами или годами. Используя эти две характеристики, исследователи пытались применять классификации для лучшей оценки и организации существующих симуляторов толпы.

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.

**Подход, основанный на потоке:** Симуляции, основанные на потоке, фокусируются на толпе в целом, а не на ее отдельных составляющих. В этом случае у отдельных людей нет выраженных моделей поведения, обусловленных воздействием окружающей среды, и поведенческие факторы значительно упрощаются. Эта модель в основном используется для оценки потока движения большой и плотной толпы в заданной среде. Она наиболее эффективна при изучении больших скоплений людей и краткосрочных задач.

**Подход, основанный на сущностях:** К этой категории относятся модели, реализующие набор физических, предопределенных и глобальных законов, предназначенных для моделирования социальных и психологических факторов, возникающих у людей в толпе. Сущности в этом случае не обладают способностью самостоятельно мыслить. Все движения определяются глобальными законами, которые к ним применяются. Симуляции, использующие эту модель, часто применяются для исследования динамики толпы, такой как заторы и стайность. Этот подход лучше всего подходит для малых и средних скоплений людей с краткосрочными задачами.

**Агентный подход:** Характеризуется автономными взаимодействующими индивидуумами. Каждый агент в толпе в этом подходе наделен определенной степенью интеллекта; они могут самостоятельно реагировать на каждую ситуацию, основываясь на наборе правил принятия решений. Информация, используемая для принятия решения о действиях, получается локально из окружения агента. Чаще всего этот подход используется для моделирования реалистичного поведения толпы, поскольку исследователь получает полную свободу в реализации любого поведения.

Системы частиц

Один из способов моделирования виртуальных толп — использование системы частиц. Системы частиц были впервые представлены в компьютерной графике У. Т. Ривзом в 1983 году. Система частиц представляет собой набор отдельных элементов или частиц. Каждая частица способна действовать автономно и ей присваивается набор физических атрибутов (таких как цвет, размер и скорость). Система частиц динамична, поскольку движения частиц изменяются со временем. Именно динамика движения частиц делает систему частиц привлекательной и простой в реализации. Вычисление движения этих частиц занимает очень мало времени. Это простая физика: движение частицы определяется суммой всех сил, действующих на неё. К таким силам относятся гравитация, трение, сила от столкновения, а также социальные силы, такие как сила притяжения к цели. Обычно каждая частица имеет вектор скорости и вектор положения, содержащие информацию о текущей скорости и текущем положении частицы соответственно. Следующее положение частицы вычисляется путём сложения вектора скорости с вектором положения. Это очень простая операция (именно поэтому системы частиц так привлекательны). Вектор скорости частицы изменяется со временем в ответ на действующие на неё силы. Например, столкновение с другой частицей приведёт к изменению её направления. Системы частиц широко использовались в фильмах для создания эффектов, таких как взрывы, для водных эффектов в фильме 2000 года «Идеальный шторм» и для моделирования газа в фильме 1994 года «Маска». Однако у систем частиц есть и некоторые недостатки. Использовать систему частиц для моделирования агентов в толпе, которой режиссёр будет управлять командами, может быть не лучшей идеей, поскольку очень сложно определить, какие частицы принадлежат агенту, а какие — нет.

Алгоритм Патиля и Ван Ден Берга

Этот алгоритм был разработан для относительно простых толп, где каждый агент в толпе стремится только добраться до своей цели, избегая при этом препятствий. Этот алгоритм можно использовать для моделирования толпы на Таймс-сквер. Самая важная и отличительная особенность алгоритма Патилса заключается в использовании концепции навигационных полей для управления агентами. Это отличается от поля ориентации; поле ориентации – это область вокруг агента, в пределах которой агент способен "видеть"/обнаруживать информацию. Поля ориентации обычно используются для избегания препятствий, особенно динамических (движущихся) препятствий. Каждый агент обладает собственным полем ориентации. Навигационное поле, напротив, представляет собой векторное поле, которое вычисляет путь минимальной стоимости для каждого агента, чтобы каждый агент достиг своей целевой позиции. Навигационное поле может использоваться корректно только тогда, когда существует путь от каждой свободной (не занятой препятствиями) позиции в среде к одной из целевых позиций. Навигационное поле вычисляется на основе координат статических объектов в среде, целевых позиций для каждого агента и поля ориентации для каждого агента. Чтобы гарантировать, что каждый агент достигнет своей цели, навигационное поле должно быть свободно от локальных минимумов, за исключением наличия точек притяжения в указанных целях. Время вычисления навигационного поля составляет , где m × n – размер сетки (аналогично алгоритму Дейкстры). Таким образом, алгоритм зависит только от разрешения сетки и не зависит от количества агентов в среде. Однако этот алгоритм требует значительных затрат памяти.

Моделирование индивидуального поведения

Один из подходов к моделированию толпы с использованием ИИ заключается в моделировании поведения толпы посредством продвинутой симуляции мотиваций и процесса принятия решений отдельных агентов. Как правило, это подразумевает, что каждому агенту назначается набор переменных, отражающих различные характеристики или состояния, такие как уровень стресса, личностные качества или различные цели. Это позволяет добиться более реалистичного поведения толпы, хотя и может потребовать больших вычислительных ресурсов по сравнению с более простыми методами.

Модели, основанные на личности

Один из способов создания индивидуального поведения для агентов толпы — использование личностных качеств. У каждого агента могут быть настроены определенные аспекты личности на основе формулы, связывающей такие качества, как агрессивность или импульсивность, с переменными, управляющими поведением агентов. Один из способов установления этой связи — субъективное исследование, в котором агентам случайным образом присваиваются значения этих переменных, а участникам предлагается описать каждого агента с точки зрения этих личностных качеств. Затем можно провести регрессионный анализ для определения корреляции между этими качествами и переменными агентов. Личностные качества можно настроить, чтобы они оказывали соответствующее влияние на поведение агентов. Модель личности OCEAN использовалась для определения соответствия между личностными качествами и параметрами моделирования толпы. Автоматическая настройка параметров толпы на основе личностных качеств упрощает создание сценариев с неоднородными толпами.

Социология

Моделирование толпы также может относиться к симуляциям, основанным на групповой динамике, психологии толпы и даже социальном этикете. В этом случае фокус делается на поведении толпы, а не обязательно на визуальном реализме симуляции. Изучение толпы как научного интереса ведется с конца XIX века. Значительное количество исследований посвящено коллективному социальному поведению людей на собраниях, митингах, протестах, восстаниях, концертах, спортивных мероприятиях и религиозных церемониях. Получение понимания естественного поведения человека в различных стрессовых ситуациях позволит создавать более совершенные модели, которые можно будет использовать для разработки стратегий управления толпой, часто в рамках планирования общественной безопасности. Команды экстренного реагирования, такие как полиция, Национальная гвардия, военные и даже добровольцы, должны проходить обучение по управлению толпой. Использование научно обоснованных принципов поведения человека в толпе может предоставить разработчикам учений по ликвидации последствий стихийных бедствий больше элементов для создания реалистичных симуляций катастроф. Поведение толпы можно наблюдать как в условиях паники, так и в спокойной обстановке. Военные программы все больше ориентируются на симуляционное обучение, включающее отработку действий в чрезвычайных ситуациях, благодаря его экономической эффективности и эффективности переноса полученных знаний в реальные условия. Многие события, начинающиеся под контролем, могут неожиданно перерасти в катастрофические ситуации, требующие принятия решений на месте. Именно в таких ситуациях понимание динамики толпы может сыграть решающую роль в снижении риска хаоса. Методы моделирования толпы варьируются от целостных или сетевых подходов до изучения индивидуальных или поведенческих аспектов каждого агента. Например, модель социального взаимодействия описывает потребность индивида в поиске баланса между социальным и физическим взаимодействием. Подход, учитывающий оба аспекта и способный адаптироваться к ситуации, лучше описывает естественное поведение человека, всегда включая определенную степень непредсказуемости. Благодаря использованию многоагентных моделей понимание этих сложных моделей поведения стало гораздо более доступной задачей. С помощью такого программного обеспечения системы можно тестировать в экстремальных условиях и моделировать ситуации в течение длительного времени за считанные секунды. В некоторых случаях поведение роев нечеловеческих животных можно использовать в качестве экспериментальной модели поведения толпы. Паническое поведение муравьев при воздействии отталкивающего химического вещества в замкнутом пространстве с ограниченным количеством выходов оказалось как сходным, так и отличным от аналогичного человеческого поведения.

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.

Моделирование индивидуального поведения

Хакохен, Шоваль и Швалб сформулировали динамику поведения водителей и пешеходов в зонах повышенной конфликтности. В таких сценариях водители и/или пешеходы не всегда строго следуют правилам дорожного движения. Модель основана на функции вероятностной навигации (PNF), изначально разработанной для планирования движений роботов. Алгоритм строит траекторию, исходя из вероятности столкновения в каждой точке всей пересекаемой области. Пешеход затем выбирает траекторию, локально минимизирующую его субъективную оценку вероятности столкновения. Хелбинг предложил физическую модель, использующую систему частиц и социально-психологические силы для описания поведения толпы в панических ситуациях, известную как модель Хелбинга. Его работа основана на предположении о типичной реакции человека в определенной ситуации. Несмотря на то, что это хорошая модель, в толпе всегда присутствуют люди разных типов, каждый из которых обладает своими индивидуальными особенностями и манерой поведения в группе. Например, один человек может не реагировать на панику, а другой – остановиться и повлиять на общую динамику толпы. Более того, индивидуальные действия могут меняться в зависимости от групповой структуры, поскольку агент является частью группы, например, возвращаясь в опасное место для спасения члена группы. Модель Хелбинга может быть обобщена с учетом индивидуальных особенностей, как предложили Браун, Муссе, Оливейра и Бодманн.

Поведение лидера во время эвакуационных симуляций

Как описано ранее, модель Хелбинга используется в качестве основы для моделирования поведения толпы. Тот же тип модели поведения применяется для эвакуационных симуляций. В общем случае, первым предположением является то, что не все обладают знанием об окружающей среде или о расположении опасностей. Исходя из этого предположения, можно выделить три типа агентов. Первый тип – обученный лидер, который знает об окружающей среде и способен передавать знания другим агентам, чтобы те могли найти выход. Второй тип агента – необученный лидер, который изначально не обладает знанием об окружающей среде, но, исследуя её и получая информацию от других лидеров, способен распространять знания о ней. Третий тип агента – последователь, который может только получать информацию от лидеров, но не может делиться ею с другими агентами. Реализация этих типов агентов достаточно проста. Лидеры хранят карту окружающей среды в качестве одного из своих атрибутов. Необученные лидеры и последователи начинают с пустой карты в качестве атрибута. Необученные лидеры и последователи самостоятельно исследуют окружающую среду и создают карту проходимых и непроходимых участков. Лидеры и необученные лидеры (после получения знаний) делятся информацией с другими агентами в зависимости от их близости. Они передают информацию о заблокированных точках на карте, локальных подграфах и опасностях в данной области. Для этой реализации были протестированы два алгоритма поиска: случайный поиск и поиск в глубину. Случайный поиск предполагает, что каждый агент движется в случайном направлении, пытаясь найти выход. Поиск в глубину предполагает, что агенты следуют по одному пути до упора, а затем возвращаются и пробуют другой путь, если пройденный путь не ведёт к выходу. Было установлено, что поиск в глубину обеспечивает ускорение в 15 раз по сравнению со случайным поиском.

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.

Масштабируемые симуляции

В симуляциях толпы возникает множество различных ситуаций. В последнее время симуляция толпы стала необходимой для многих приложений виртуальной среды, таких как образование, обучение и развлечения. Многие ситуации обусловлены окружающей средой симуляции или поведением группы локальных агентов. В приложениях виртуальной реальности каждый агент взаимодействует с множеством других агентов в среде, что требует сложных взаимодействий в реальном времени. Агенты должны реагировать на изменения в окружающей среде, поскольку их поведение допускает сложные взаимодействия. Масштабируемая архитектура позволяет управлять большими толпами, учитывая поведение и скорость взаимодействия. Эти ситуации демонстрируют, как толпа будет действовать в различных сложных сценариях при применении нескольких различных ситуаций. Ситуацией может быть любое обстоятельство, характеризующееся типичным локальным поведением. Мы можем классифицировать все ситуации на два типа. Пространственная ситуация – это ситуация, в которой существует область, где окружающая среда влияет на локальных агентов. Например, толпа, ожидающая в очереди в билетную кассу, демонстрирует пространственную ситуацию. Другие примеры – автобусная остановка или банкомат, где персонажи взаимодействуют с окружающей средой. Следовательно, мы будем рассматривать «автобусную остановку» как ситуацию, если поведение агентов связано с посадкой или высадкой из автобуса. Непространственная ситуация не имеет определенной области в окружающей среде, поскольку она касается исключительно поведения толпы. Важным фактором, который следует учитывать при определении поведения, является взаимосвязь между локальными агентами. Например, группа друзей, идущих вместе. Типичное поведение друзей заключается в том, что они двигаются синхронно. Это означает, что «дружба» будет ситуацией, определяющей типичное поведение совместной ходьбы. Структура любой ситуации основана на четырех компонентах: функциях поведения, сенсорах, состояниях и правилах событий. Функции поведения представляют собой специфическое для ситуации поведение персонажей. Сенсоры обеспечивают агентам возможность воспринимать и реагировать на события. Состояния – это различные движения и переходы между состояниями, используемые исключительно для локального поведения. Правило событий определяет способ связи между различными событиями и соответствующим поведением. Когда персонаж попадает в ситуацию, все четыре компонента рассматриваются одновременно. Для пространственных ситуаций компоненты добавляются, когда персонаж впервые входит в область, оказывающую на него влияние. Для непространственных ситуаций персонаж подвергается воздействию ситуации только после того, как пользователь назначит ее ему. Четыре компонента удаляются, когда агент покидает область ситуации или сама ситуация удаляется. Динамическое добавление и удаление ситуаций позволяет создавать масштабируемых агентов.

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.

Человекоподобные поведения и ИИ толпы

Чтобы смоделировать больше аспектов человеческой деятельности в толпе, требуется не только планирование маршрута и движения. Сложные социальные взаимодействия, интеллектуальное манипулирование объектами и гибридные модели представляют собой задачи в этой области. Моделируемое поведение толпы вдохновлено потоками реальных толп. Анализируются поведенческие паттерны, скорость и плотность движения, а также аномалии в различных средах и типах зданий. Отслеживаются отдельные люди, и их движения документируются для разработки и внедрения алгоритмов в симуляции толпы. Отдельные сущности в толпе также называются агентами. Для реалистичного поведения толпы каждый агент должен действовать автономно (то есть быть способным действовать независимо от других агентов). Этот подход называется агентно-ориентированным моделированием. Более того, обычно желательно, чтобы агенты действовали с определенной степенью разумности (то есть не совершали действий, которые могут привести к самоповреждению). Чтобы агенты принимали разумные и реалистичные решения, они должны учитывать окружающую среду, реагировать на ее изменения и взаимодействовать с другими агентами. Терзопулос и его ученики стали пионерами агентно-ориентированного моделирования пешеходов, подход, известный как мультичеловеческая симуляция, чтобы отличить его от традиционного моделирования толпы.

Рендеринг и анимация

Реалистичная отрисовка и анимация большого количества агентов, особенно в реальном времени, представляет собой сложную задачу. Для снижения сложности 3D-рендеринга масштабных толп используются такие методы, как отсечение (исключение неважных объектов), импосторы (рендеринг на основе изображений) и уменьшение уровня детализации. В реальных толпах наблюдается разнообразие во внешнем виде, форме и размере тела, аксессуарах и поведении (социальном или культурном), и недостаток этого разнообразия снижает реалистичность визуальных симуляций. Существующие системы позволяют создавать виртуальные толпы с различной текстурой, размером, формой и анимацией.

Городское планирование

Разработка программного обеспечения для моделирования толпы стала современным и полезным инструментом в проектировании городской среды. В то время как традиционное городское планирование опирается на карты и абстрактные эскизы, цифровая симуляция лучше способна передать как форму, так и замысел проекта – от архитектора до пешехода. Например, дорожные знаки и светофоры являются локальными визуальными ориентирами, которые влияют на движение и поведение пешеходов. Исходя из этой логики, человек может перемещаться из точки А в точку Б наиболее эффективным способом, а группа людей в целом может функционировать более слаженно. В более широком смысле, автобусные маршруты и придорожные кафе выполняют пространственную функцию благодаря своему расположению, основанному на понимании закономерностей движения людей. Серия видеоигр SimCity иллюстрирует эту концепцию в упрощенном виде. В ней игрок определяет развитие города, выделяя зоны для различных объектов, и при этом следит за бюджетом. Превращение пустой территории в оживленный город полностью зависит от выбора игрока, а поведение виртуальных жителей определяется дизайном города и происходящими в нем событиями.

Эвакуация и борьба с беспорядками

Моделируемые реалистичные толпы могут использоваться для обучения реагированию на массовые беспорядки, в архитектуре и в науке о безопасности (в том числе для планирования эвакуации).

Военный

Поскольку симуляции толпы широко применяются в городском планировании и поддержании порядка в условиях хаотичных ситуаций, существует множество возможностей для их использования в государственных и военных симуляторах. Моделирование толпы необходимо при обучении сотрудников полиции и военнослужащих действиям в условиях массовых скоплений людей. Управление агрессивными противниками представляет собой значительную сложность для этих специалистов, но не менее важную роль в эскалации конфликта играют и гражданские толпы. Игровые технологии используются для создания реалистичных симуляций, позволяющих солдатам и техническим специалистам отрабатывать необходимые навыки.

Социология

Поведение моделируемой толпы играет важную роль в аналитических задачах. Эта динамика опирается на физическое поведение отдельных агентов внутри толпы, а не на визуальное представление самой модели. Социальное поведение людей в подобных моделях представляет интерес на протяжении многих лет, и социологические концепции, лежащие в основе этих взаимодействий, постоянно исследуются. Моделирование толпы в различных ситуациях позволяет проводить социологическое изучение реальных скоплений людей в разнообразных условиях и местах. Изменчивость человеческого поведения в ситуациях с разным уровнем стресса способствует дальнейшей разработке и созданию стратегий управления толпой, которые могут быть более точно применены к конкретным ситуациям, а не применяться в обобщенном виде.