Kalabalık simülasyonu - Crowd simulation

Kalabalık simülasyonu , hareketi (veya dinamikleri ) çok sayıda varlık veya karakterden oluşur. Filmler vevideo oyunlarıgibi görsel medya içinsanal sahneleroluşturmak için yaygın olarak kullanılırve ayrıca kriz eğitimi, mimari ve şehir planlaması ve tahliye simülasyonunda kullanılır.

Kalabalık simülasyonu, farklı uygulamaları hedefleyen yönlere odaklanabilir. Görsel medya veya sanal sinematografi için bir kalabalığın gerçekçi ve hızlı bir şekilde oluşturulması için , 3B sahnenin karmaşıklığının azaltılması ve görüntü tabanlı oluşturma kullanılırken, görünümdeki farklılıklar gerçekçi bir popülasyon sunmaya yardımcı olur.

Tahliye simülasyonlarında olduğu gibi, gerçek hayattaki insan kalabalığı hareketini kopyalamayı amaçlayan oyunlarda ve uygulamalarda , simüle edilmiş ajanların bir hedefe doğru hareket etmesi, çarpışmalardan kaçınması ve diğer insan benzeri davranışlar sergilemesi gerekebilir. Simüle edilmiş kalabalıkları gerçekçi bir şekilde hedeflerine yönlendirmek için birçok kalabalık yönlendirme algoritması geliştirilmiştir. Farklı türdeki aracıları (arabalar ve yayalar gibi), farklı soyutlama düzeylerini (birey ve süreklilik gibi), akıllı nesnelerle etkileşime giren aracıları ve daha karmaşık fiziksel ve sosyal dinamikleri destekleyebilen bazı daha genel sistemler araştırılmaktadır.

Tarih

İnsan kalabalığının hareket ve davranışlarının anlaşılmasına ve kontrol altına alınmasına her zaman derin bir ilgi olmuştur. Kalabalık simülasyonu alanında araştırmaların başlangıcından bu yana birçok önemli gelişme gerçekleşti. Açıkça, simülasyonların ölçeklenebilirliğini, esnekliğini, uygulanabilirliğini ve gerçekçiliğini artıran birçok yeni bulgu sürekli olarak yapılmakta ve yayınlanmaktadır:

1987'de davranışsal animasyon, Craig Reynolds tarafından tanıtıldı ve geliştirildi . Grup sezgisini ve hareketini incelemek amacıyla balık sürülerinin yanında kuş sürülerini simüle etmişti. Bu simülasyonlardaki tüm ajanlara, çevrelerindeki ajanların ilgili konumlarına ve hızlarına doğrudan erişim verildi. Reynolds tarafından ortaya konan teorileştirme ve çalışma, 1994 yılında Xiaoyuan Tu , Demetri Terzopoulos ve Radek Grzeszczuk tarafından geliştirildi ve üzerine inşa edildi. Simülasyonun gerçekçi kalitesi, bireysel ajanlar sentetik vizyonla ve içinde yaşadıkları çevreye dair genel bir görüşle donatıldıkça, dinamik habitatları içinde algısal bir farkındalığa izin verildi.

Kalabalık simülasyonu alanındaki ilk araştırmalar, 1997 yılında Daniel Thalmann'ın Soraia Raupp Musse'nin doktora tezini denetlemesiyle başladı . Bu ikisi, genel popülasyonların bir simülasyonunu oluşturmak için yeni bir kalabalık davranışı modeli sunar. Burada bireyin kalabalık içindeki özerk davranışı ile bundan kaynaklanan ortaya çıkan davranış arasında bir ilişki kurulur.

1999'da, bireysel navigasyon, Craig Reynolds'un devam eden araştırmalarıyla kalabalık simülasyonu alanında yoluna başladı. Direksiyon davranışlarının, bir simülasyon içinde aracıları otomatikleştirme sürecinde büyük bir rol oynadığı kanıtlanmıştır. Reynolds, düşük seviyeli hareket süreçlerinin orta seviye yönlendirme davranışlarına ve daha yüksek seviye hedef durumlarına ve yol bulma stratejilerine bağımlı ve bağımlı olduğunu belirtir. Reynolds'un ileri düzey çalışmalarından yola çıkarak Musse ve Thalmann , bu kalabalıkların gerçek zamanlı simülasyonlarının modellenmesini ve insan davranışına uygulamalarını incelemeye başladılar. İnsan kalabalığının kontrolü, ajanlar arasında özerklik seviyelerine sahip hiyerarşik bir organizasyon olarak belirlendi. Bu, insansı ajanlar veya sanal insanlar üzerinde bireysel davranışı en temel biçiminde modellemenin başlangıcını işaret ediyor .

Matt Anderson, Eric McDaniel ve Stephen Chenney'nin insan davranışı modelleri ve grup davranışlarının simülasyonları ile ilgili yayınlarla aynı zamana denk gelen davranış üzerindeki kısıtlamalar önerisi popülerlik kazandı. Grup animasyonları üzerindeki kısıtlamaların konumlandırılması simülasyon içerisinde herhangi bir zamanda yapılabilecek şekilde sunulmuştur. Davranışsal modele kısıtlamalar uygulama süreci, ilk olarak kısıtlamalarla çakışan ilk hedef yörüngeleri kümesini belirleyerek ve daha sonra onları ihlal etmeyenleri seçmek için bu yollara davranış kuralları uygulayarak iki katlı bir şekilde yapılır.

Bratislava Ulicny ve Pablo de Heras Ciechomski ile birlikte çalışan Thalmann, Musse ile yaptığı çalışmada önerilen bulguları ilişkilendirerek ve geliştirerek, ajanların bir birey, bir grup ajan ve bir grup ajan düzeyinde etkileşimli yazılmasına izin veren yeni bir model önerdi. bütün bir kalabalığın. Kalabalık üyelerini anında geri bildirimle gerçek zamanlı olarak dağıtmak, modellemek ve kontrol etmek için bir fırça metaforu tanıtıldı.

Kalabalık dinamikleri

Kalabalık simülasyonundaki ana hedeflerden biri, kalabalıkları gerçekçi bir şekilde yönlendirmek ve insan dinamik davranışlarını yeniden yaratmaktır.

Kalabalık simülasyonu ve yapay zekaya yönelik, her biri kalabalık boyutuna ve zaman ölçeğine dayalı olarak avantaj ve dezavantajlar sağlayan birkaç kapsayıcı yaklaşım vardır. Zaman ölçeği, simülasyonun amacının simülasyonun uzunluğunu nasıl etkilediğini ifade eder. Örneğin, ideolojilerin bir nüfus arasında nasıl yayıldığı gibi sosyal soruları araştırmak, böyle bir olay aylar veya yıllar kadar sürebileceğinden çok daha uzun süren bir simülasyonla sonuçlanacaktır. Bu iki özelliği kullanarak, araştırmacılar mevcut kalabalık simülatörlerini daha iyi değerlendirmek ve düzenlemek için sınıflandırmalar uygulamaya çalıştılar.

Akış Tabanlı Yaklaşım
Akış tabanlı kalabalık simülasyonları, bileşenlerinden ziyade bir bütün olarak kalabalığa odaklanır. Bu tür bireylerin çevrelerinden gelen girdiler nedeniyle ortaya çıkan ayırt edici davranışları yoktur ve davranışsal faktörler büyük ölçüde azalır. Bu model esas olarak belirli bir çevrede büyük ve yoğun bir kalabalığın hareket akışını tahmin etmek için kullanılır. En iyi, büyük kalabalık, kısa süreli hedeflerin incelenmesinde kullanılır.
Varlık Bazlı Yaklaşım
Bir kalabalığın parçası olan bireylerde meydana gelen sosyal/psikolojik faktörleri simüle etmeyi amaçlayan bir dizi fiziksel, önceden tanımlanmış ve küresel yasayı uygulayan modeller bu kategoriye girer. Bu durumda varlıkların bir anlamda kendileri için düşünme kapasiteleri yoktur. Tüm hareketler, üzerlerinde uygulanan küresel yasalar tarafından belirlenir. Bu modeli kullanan simülasyonlar, genellikle sıkışma ve akın gibi kalabalık dinamiklerini araştırmak için bunu yapar. Kısa vadeli hedefleri olan küçük ve orta ölçekli kalabalıklar bu yaklaşıma en iyi şekilde uyar.
Aracı Tabanlı Yaklaşım
Özerk, etkileşimli bireyler tarafından karakterize edilir. Bu yaklaşımda bir kalabalığın her temsilcisine bir zeka derecesi verilir; bir dizi karar kuralına dayanarak her duruma kendi başlarına tepki verebilirler. Bir eyleme karar vermek için kullanılan bilgiler, aracının çevresinden yerel olarak elde edilir. Çoğu zaman, bu yaklaşım, araştırmacıya herhangi bir davranışı uygulama konusunda tam bir özgürlük verildiğinden, gerçekçi kalabalık davranışını simüle etmek için kullanılır.

parçacık sistemleri

Sanal kalabalıkları simüle etmenin bir yolu, bir parçacık sistemi kullanmaktır . Parçacık sistemleri ilk olarak 1983'te WT Reeves tarafından bilgisayar grafiklerinde tanıtıldı. Parçacık sistemi, bir dizi bireysel eleman veya parçacığın bir koleksiyonudur . Her parçacık özerk olarak hareket edebilir ve bir takım fiziksel niteliklere (renk, boyut ve hız gibi) atanır.

Bir parçacık sistemi dinamiktir, çünkü parçacıkların hareketleri zamanla değişir. Bir parçacık sisteminin hareketi, onu bu kadar arzu edilir ve uygulanmasını kolaylaştıran şeydir. Bu parçacıkların hareketlerini hesaplamak çok az zaman alır. Basitçe fiziği içerir: bir parçacık üzerine etki eden tüm kuvvetlerin toplamı onun hareketini belirler. Bir çarpışmadan kaynaklanan yerçekimi, sürtünme ve kuvvet gibi kuvvetler ve bir hedefin çekici kuvveti gibi sosyal kuvvetler.

Genellikle her parçacığın sırasıyla parçacığın mevcut hızı ve konumu hakkında bilgi içeren bir hız vektörü ve bir konum vektörü vardır . Parçacıkların bir sonraki konumu, hız vektörünü konum vektörüne ekleyerek hesaplanır. Çok basit bir işlem (yine parçacık sistemleri neden bu kadar arzu edilir). Hız vektörü, parçacık üzerine etkiyen kuvvetlere yanıt olarak zamanla değişir. Örneğin, başka bir parçacıkla çarpışma yön değiştirmesine neden olur.

Parçacıklar sistemleri yaygın olarak 2000 film su efektleri için, bu tür patlamalar olarak etkiler için filmlerde kullanılmış olan Perfect Fırtına ve 1994 filmde gaz simüle Maske .

Ancak parçacık sistemlerinin bazı dezavantajları vardır. Hangi parçacıkların ajana ait olduğunu ve hangilerinin ajana ait olmadığını belirlemek çok zor olduğundan, yönetmenin komuta göre hareket edeceği bir kalabalıktaki ajanları simüle etmek için bir parçacık sistemi kullanmak kötü bir fikir olabilir.

Patil ve Van Den Berg'den Algoritma

Bu algoritma, kalabalığın içindeki her bir aracının yalnızca kendi hedefine ulaşmak istediği ve aynı zamanda engellerden kaçındığı nispeten basit kalabalıklar için tasarlanmıştır. Bu algoritma, Times Meydanı'ndaki bir kalabalığı simüle etmek için kullanılabilir.

Patils algoritmasının en önemli ve ayırt edici özelliği, yönlendirici ajanlar için navigasyon alanları kavramını kullanmasıdır . Bu bir rehberlik alanından farklıdır; bir yönlendirme alanı, aracının bilgileri "görebildiği"/alabildiği, aracının etrafındaki bir alandır. Yönlendirme alanları tipik olarak engellerden, özellikle de dinamik engellerden (hareket eden engellerden) kaçınmak için kullanılır. Her ajanın kendi rehberlik alanı vardır. Navigasyon alanı ise, her temsilcinin kendi hedef konumuna ulaşması için her temsilci için minimum maliyet yolunu hesaplayan bir vektör alanıdır.

Navigasyon alanı, yalnızca ortamdaki her serbest (engelsiz) konumdan hedef konumlarından birine bir yol mevcut olduğunda uygun şekilde kullanılabilir. Gezinme alanı, ortamdaki statik nesnelerin koordinatları, her aracı için hedef konumları ve her bir aracı için kılavuz alanı kullanılarak hesaplanır. Her aracının kendi hedefine ulaşmasını garanti altına almak için, navigasyon alanı, belirtilen hedeflerde lavaboların varlığı dışında, yerel minimumlardan arındırılmış olmalıdır.

Navigasyon alanını hesaplamanın çalışma süresi m × n ızgara boyutudur ( Dijkstra'nın algoritmasına benzer ). Bu nedenle, algoritma sadece şebeke çözünürlüğüne bağlıdır ve ortamdaki ajanların sayısına bağlı değildir. Ancak bu algoritmanın bellek maliyeti yüksektir.

Bireysel davranış modellemesi

AI tabanlı kalabalık simülasyonu için bir dizi teknik, bireysel temsilci motivasyonlarının ve karar vermenin gelişmiş simülasyonu ile kalabalık davranışını modellemektir. Genel olarak bu, her ajana stres, kişilik veya farklı hedefler gibi çeşitli özellikleri veya durumları ölçen bir dizi değişken atandığı anlamına gelir. Bu, daha basit tekniklerden daha fazla hesaplama açısından yoğun olsa da, daha gerçekçi kalabalık davranışı ile sonuçlanır.

Kişiliğe dayalı modeller

Kalabalık ajanlar için bireysel davranış yaratmanın bir yöntemi, kişilik özelliklerinin kullanılmasıdır. Her ajan, saldırganlık veya dürtüsellik gibi yönleri ajanların davranışını yöneten değişkenlerle ilişkilendiren bir formüle dayalı olarak ayarlanmış kişiliğinin belirli yönlerine sahip olabilir. Bu ilişkinin bulunabilmesinin bir yolu, ajanlara bu değişkenler için rastgele değerler atandığı ve katılımcılardan her ajanı bu kişilik özellikleri açısından tanımlamalarının istendiği öznel bir çalışmadır. Daha sonra bu özellikler ve ajan değişkenleri arasındaki bir korelasyonu belirlemek için bir regresyon yapılabilir. Kişilik özellikleri daha sonra ayarlanabilir ve temsilci davranışı üzerinde uygun bir etkiye sahip olabilir.

OKYANUS kişilik modeli kişilik özellikleri ve kalabalık simülasyon parametreleri arasında bir eşleme tanımlamak için kullanılmıştır. Kişilik özellikleriyle kalabalık parametre ayarını otomatikleştirmek, heterojen kalabalıklarla senaryoların kolayca yazılmasını sağlar.

Strese dayalı model

Kalabalığın yüksek stresli durumlardaki davranışı, Genel Uyum Sendromu teorisi kullanılarak modellenebilir.l Ajan davranışı, çevrelerinden dört prototipte sınıflandırılan çeşitli stres faktörlerinden etkilenir: zaman baskısı, alan baskısı, konumsal stresörler ve her biri ilişkili olan kişilerarası stresörler. Matematiksel modeller.

Zaman baskısı , belirli bir hedefe ulaşmada bir zaman sınırıyla ilgili stresörleri ifade eder. Bir örnek, zamanlanmış bir yürüyüş sinyali ile bir caddeyi geçmek veya kapılar kapanmadan önce bir trene binmek olabilir. Bu prototip aşağıdaki formülle modellenmiştir:

amaca ulaşmak için tahmini sürenin ve bir zaman kısıtlamasının bir fonksiyonu olarak zaman baskısının yoğunluğu nerede .

Alan basıncı , çevresel bir durumun bir sonucu olarak stres faktörlerini ifade eder. Örnekler, bir alandaki gürültü veya ısı olabilir. Bu stres etkeninin yoğunluğu belirli bir alan üzerinde sabittir ve aşağıdaki formülle modellenmiştir:

alan basıncının yoğunluğu nerede , maddenin bir alandaki konumudur ve bir sabittir.

Konumsal stresörler , yerel bir stres kaynağıyla ilişkili stresörleri ifade eder. Bir ajan stresin kaynağına yaklaştıkça bu stres etkeninin yoğunluğu artar. Bir örnek, bir yangın veya saldırgan gibi dinamik bir nesne olabilir. Aşağıdaki formülle modellenebilir:

nerede konumsal stres etkeninin yoğunluğu , etkenin konumu ve stres etkeninin konumudur. Alternatif olarak, geniş bir alanda (yangın gibi) yüksek gerilim oluşturan stresörler, standart sapmalı bir Gauss dağılımı kullanılarak modellenebilir :

Kişilerarası stresörler , yakındaki ajanlar tarafından kalabalıklaşmanın bir sonucu olarak stresörlerdir. Aşağıdaki formülle modellenebilir:

burada kişilerarası stres etkeninin yoğunluğu, bir birim uzay içindeki mevcut komşu sayısıdır ve o belirli ajan için bir birim uzay içindeki tercih edilen komşu sayısıdır.

Algılanan stres aşağıdaki Steven'ın Kanunu ve formülle modellenmiştir:

nerede bir stres düzeyi için algılanan stres , bir ölçek faktörü olduğunu ve stres türüne bağlı bir üs olduğunu.

Bir ajanın stres yanıtı aşağıdaki formülle bulunabilir:

Burada stres tepkisi maksimum değerde sınırlandırılır ve bir ajanın stres tepkisinin değişebileceği maksimum hızdır.

Dikkate değer kalabalık AI simülasyon örnekleri görülebilir New Line Cinema 's Halkalar Efendisi karakterleri binlerce AI orduları birbiriyle savaş filmleri. Bu kalabalık simülasyonu kullanılarak yapıldı Weta Digital 'in Massive yazılım .

sosyoloji

Kalabalık simülasyonu , genellikle kamu güvenliği planlamasında, grup dinamiklerine ve kalabalık psikolojisine dayalı simülasyonlara da atıfta bulunabilir . Bu durumda odak, simülasyonun görsel gerçekçiliği değil, yalnızca kalabalığın davranışıdır. Kalabalıklar, 19. yüzyılın sonundan beri bilimsel bir ilgi alanı olarak incelenmiştir. Birçok araştırma, insanların sosyal toplantılarda, meclislerde, protestolarda, isyanlarda, konserlerde, spor etkinliklerinde ve dini törenlerde toplu sosyal davranışlarına odaklanmıştır. Çeşitli stresli durumlar altında doğal insan davranışına ilişkin içgörü kazanmak, kalabalık kontrol stratejileri geliştirmek için kullanılabilecek daha iyi modellerin oluşturulmasına olanak sağlayacaktır.

Polisler, Ulusal Muhafızlar, ordu ve hatta gönüllüler gibi acil müdahale ekipleri bir tür kalabalık kontrol eğitiminden geçmelidir. Kalabalıklarda insan davranışının araştırılmış ilkelerini kullanmak, afet eğitimi tasarımcılarına gerçekçi benzetilmiş afetler oluşturmak için dahil edecekleri daha fazla öğe verebilir. Panik ve panik dışı durumlarda kalabalık davranışı gözlemlenebilir. 11 Eylül olayları ve Katrina kasırgası gibi doğal ve doğal olmayan olaylar, sosyal idealleri karmaşık bir karmaşaya soktuğunda, insanlığın sosyal yetenekleri gerçekten teste tabi tutulur. Askeri programlar, maliyet etkin teknolojilerinin yanı sıra öğrenmenin gerçek dünyaya ne kadar etkili aktarılabileceğinden dolayı, acil durum müdahalelerini içeren simülasyonlu eğitime daha fazla bakıyor. Kontrollü olarak başlayabilen birçok olay, onları kararların yerinde alınması gereken felaket durumlarına dönüştüren bir bükülme olayına sahip olabilir. Kalabalık dinamik anlayışının, anarşi potansiyelini azaltmada hayati bir rol oynayacağı bu durumlardır.

Kitlelerin modelleme teknikleri, bütüncül veya ağ yaklaşımlarından, her bir aracının bireysel veya davranışsal yönlerini anlamaya kadar çeşitlilik gösterir. Örneğin, Sosyal Güç Modeli, bireylerin sosyal etkileşim ile fiziksel etkileşim arasında bir denge bulma ihtiyacını tanımlar. Her iki yönü de içeren ve duruma bağlı olarak uyum sağlayabilen bir yaklaşım, her zaman bir miktar öngörülemezlik içeren doğal insan davranışını daha iyi tanımlar. Çok etmenli modellerin kullanılmasıyla bu karmaşık davranışları anlamak çok daha anlaşılır bir iş haline geldi. Bu tür yazılımların kullanılmasıyla, sistemler artık aşırı koşullar altında test edilebilir ve saniyeler içinde uzun süreler boyunca koşulları simüle edebilir.

Bazı durumlarda, insan olmayan hayvan sürülerinin davranışı, kalabalık davranışının deneysel bir modeli olarak kullanılabilir. Sınırlı çıkış yolları olan kapalı bir alanda kovucu bir kimyasala maruz kalan karıncaların panik davranışlarının, eşdeğer insan davranışıyla hem benzerliklere hem de farklılıklara sahip olduğu bulunmuştur.

Bireysel davranışları modelleme

Hacohen, Shoval ve Shvalb, sıkışık çatışma noktalarında sürücü-yaya dinamiklerini formüle etti. Bu tür senaryolarda, sürücüler ve/veya yayalar trafik yasalarını yakından takip etmemektedir. Model Olasılık dayanmaktadır Navigation_function aslen robotik hareket planlama için geliştirilmiştir (PNF). Algoritma, tüm geçiş alanındaki her noktada çarpışma olasılığına göre bir yörünge oluşturur. Yaya daha sonra çarpışma için algılanan olasılıklarını yerel olarak en aza indiren bir yörünge izler.

Helbing, panik durumunda insan kalabalığının davranışını tanımlamak için bir parçacık sistemi ve sosyo-psikolojik güçleri kullanan fiziğe dayalı bir model önerdi, buna şimdi Helbing Modeli deniyor. Çalışmaları, ortalama bir insanın belirli bir durumda nasıl tepki vereceğine dayanıyor. Bu iyi bir model olmasına rağmen, kalabalığın içinde her zaman farklı insan türleri vardır ve her birinin kendi bireysel özellikleri ve bir grup yapısında nasıl davrandıkları vardır. Örneğin, bir kişi panik durumuna tepki göstermeyebilirken, diğeri yürümeyi bırakıp bir bütün olarak kalabalığın dinamiklerine müdahale edebilir. Ayrıca, grup yapısına bağlı olarak, ajan bir grubun parçası olduğu için bireysel eylem değişebilir, örneğin o grubun bir üyesini kurtarmak için tehlikeli bir yere geri dönmek. Helbing'in modeli, Braun, Musse, Oliveira ve Bodmann tarafından önerildiği gibi, bireyciliği içeren genelleştirilebilir.

Bu problemin üstesinden gelmek için, her bir etmene bireysellik atanmalı ve farklı davranış türleriyle uğraşmaya izin verilmelidir. Bu sorunu çözmenin bir başka yönü de insanları gruplandırma olasılığıdır, bu grupları oluşturmak insanların grup yapısının bir parçası olarak davranışlarını değiştirmelerine neden olur. Her aracı (bireysel) aşağıdaki parametrelere göre tanımlanabilir:

  1. Kimlik – Aracı tanımlayıcısı
  2. IdFamily – Ailenin tanımlayıcısı. Aile, birbirini tanıyan ajanların oluşturduğu önceden tanımlanmış bir gruptur.
  3. DE - Yardım ihtiyacını taklit eden aracının bağımlılık düzeyi. Değerler [0,1]
  4. AL – Diğer ajanlara yardım etme eğilimini temsil eden fedakarlık seviyesi. Değerler [0,1]
  5. v i – Aracının hızı

Bireysel ajanlarla bağımlılık parametresinin etkisini modellemek için denklem şu şekilde tanımlanır:

Etkenin hızını değerlendirirken, bağımlılık faktörünün değeri DE'nin değeri bire eşitse, kişi tamamen devre dışı bırakılarak hareket edemez hale geleceği açıktır. Bağımlılık faktörü sıfıra eşitse, kişi maksimum hızında koşabilir.

Grup oluşumu, aynı ailenin parçası olan iki veya daha fazla etmen arasında bir etkileşim gücü olarak uygulanan Fedakarlık gücü ile ilgilidir. Matematiksel olarak, aşağıdaki gibi tanımlanır:

nerede:

d ij , ajanın konumunda orijine sahip iki ajan arasındaki mesafeyi temsil eder;
d ip , aracılardan kapınınsimülasyon ortamındaki p konumuna olan uzaklık vektör noktasıdır;
K bir sabittir;
e ij , orijini i konumunda olan üniter vektördür.

Sonuç olarak, ajan i'nin AL i parametresi ne kadar büyük olursa , j ajanına işaret eden ve yüksek DE j seviyesine sahip olan i o kadar büyük olacaktır . Her iki ajan da birbirine yeterince yakın olduğunda, yüksek DE'ye sahip olan ( bu örnekte ajan j ), ajan i ( ) değerini benimser . Bu, ajan i'nin tahliye kabiliyetinin ajan j ile paylaşıldığı ve her ikisinin birlikte hareket etmeye başladığı anlamına gelir .

Bu denklemleri normal dağılımlı bir popülasyon kullanarak model testinde uygulayarak, sonuçlar Helbing Modeline oldukça benzer.

Bunun yardımcı olacağı yerler bir tahliye senaryosunda olacaktır. Örneğin, bir yangın durumunda bir binanın tahliyesini ele alalım. Bireysel temsilcilerin özelliklerini ve grup performanslarını göz önünde bulundurarak, kalabalığın binadan nasıl çıkacağının sonucunun belirlenmesi, bina düzeninin oluşturulmasında kritik öneme sahiptir.

Tahliye simülasyonları sırasında lider davranışı

Daha önce açıklandığı gibi, Helbing Modeli kalabalık davranışı için temel olarak kullanılır. Bu aynı tip davranış modeli tahliye simülasyonları için kullanılır.

Genel olarak, varsayılması gereken ilk şey, herkesin çevre veya tehlikelerin olduğu ve olmadığı yerler hakkında bilgisinin olmadığıdır. Bu varsayımdan üç tür ajan oluşturabiliriz. İlk tip eğitimli bir liderdir, bu ajan çevre hakkında bilgi sahibidir ve bir ortamdan nasıl çıkacaklarını bilmeleri için bilgiyi diğer ajanlara yayabilir. Bir sonraki ajan türü eğitimsiz bir liderdir, bu ajan çevre hakkında bilgi sahibi değildir, ancak ajan çevreyi araştırdığı ve diğer lider türlerinden bilgi aldığı için ajan çevre hakkındaki bilgileri yayabilmektedir. Son ajan tipi takipçidir, bu tip ajan sadece diğer liderlerden bilgi alabilir ve bilgileri diğer ajanlarla paylaşamaz.

Bu tür ajanların uygulanması oldukça basittir. Ortamdaki liderler, niteliklerinden biri olarak kaydedilmiş bir çevre haritasına sahiptir. Eğitimsiz bir lider ve takipçiler, nitelikleri olarak boş bir harita ile başlayacak. Eğitimsiz liderler ve takipçiler, bir çevreyi kendi başlarına keşfetmeye başlayacak ve yürünebilir ve yürünemez konumların bir haritasını oluşturacaktır. Liderler ve eğitimsiz liderler (bilgiye sahip olduklarında), yakınlıklarına bağlı olarak bilgileri diğer temsilcilerle paylaşacaktır. Grid üzerinde hangi noktaların engellendiği, yerel alt grafikler ve bölgedeki tehlikeler hakkında bilgi paylaşacaklar.

Bu uygulama için denenmiş iki tür arama algoritması vardı. Rastgele arama ve ilk derinlik araması vardı. Rastgele bir arama, ajanların her birinin çevrede herhangi bir yöne gittiği ve bir çıkış yolu bulmaya çalıştığı yerdir. Önce derinlik araması, ajanların gidebildiği kadar bir yolu takip ettiği, ardından geri döndüğü ve geçtikleri yol bir çıkış içermiyorsa başka bir yolu denediği yerdir. Bu derinlik bulunursa, ilk arama rastgele bir aramaya göre 15 kat hız verdi.

Ölçeklenebilir simülasyonlar

Kalabalık simülasyonlarında devreye giren birçok farklı durum durumu vardır. Son zamanlarda eğitim, öğretim ve eğlence gibi birçok sanal ortam uygulaması için kalabalık simülasyonu vazgeçilmez hale gelmiştir. Birçok durum, simülasyon ortamına veya yerel ajanlar grubunun davranışına dayanmaktadır. Sanal gerçeklik uygulamalarında, her etmen ortamdaki diğer birçok etmen ile etkileşime girerek karmaşık gerçek zamanlı etkileşimler gerektirir. Ajan davranışları karmaşık etkileşimlere izin verdiğinden, ajanların çevrede sürekli değişiklikleri olması gerekir. Ölçeklenebilir mimari, davranış ve etkileşimli oranlar aracılığıyla büyük kalabalıkları yönetebilir. Bu durumlar, birkaç farklı durum uygulanırken kalabalıkların birden fazla karmaşık senaryoda nasıl hareket edeceğini gösterecektir. Bir durum, tipik yerel davranışlara sahip herhangi bir durum olabilir. Tüm durumları iki farklı türe ayırabiliriz.

Mekânsal durum , çevrenin yerel ajanları etkilediği bir bölgeye sahip olan bir durumdur. Örneğin, bir bilet gişesi için sırada bekleyen bir kalabalık mekansal bir durum sergiliyor olacaktır. Diğer örnekler, karakterlerin çevrelerine göre hareket ettiği bir otobüs durağı veya bir ATM olabilir. Bu nedenle, acentelerin davranışlarının bir otobüse binmesi veya inmesi durumunda 'otobüs durağını' durum olarak kabul edeceğiz.

Mekânsal olmayan durumun çevrede hiçbir bölgesi yoktur çünkü bu sadece kalabalığın davranışını içerir. Yerel ajanların ilişkisi, davranışı belirlerken dikkate alınması gereken önemli bir faktördür. Bir örnek, birlikte yürüyen bir grup arkadaş olabilir. Arkadaş olan karakterlerin tipik davranışları birbirleriyle birlikte hareket ederdi. Bu, 'arkadaşlığın' birlikte yürümenin tipik davranışları arasında yer alacağı anlamına gelir.

Herhangi bir durumun yapısı dört bileşen üzerine kuruludur: Davranış fonksiyonları, Sensörler, Durumlar ve Olay Kuralları. Davranış işlevleri, karakterlerin davranışlarının duruma özel ne olduğunu temsil eder. Sensörler, ajanların olayları görmesi ve bunlara yanıt vermesi için algılama yeteneğidir. Durumlar, yalnızca yerel davranışlar için kullanılan farklı hareketler ve durum geçişleridir. Olay kuralı, farklı olayları belirli davranışlarına bağlamanın yoludur. Bir karakter bir duruma getirilirken bu dört bileşen aynı anda düşünülür. Mekânsal durumlar için, birey karakteri etkileyen çevreye ilk girdiğinde bileşenler eklenir. Mekânsal olmayan durumlarda, karakter yalnızca kullanıcı durumu karaktere atadığında etkilenir. Dört bileşen, etmen durum bölgesinden uzaklaştırıldığında veya durumun kendisi kaldırıldığında kaldırılır. Durumların dinamik olarak eklenmesi ve çıkarılması, ölçeklenebilir ajanlar elde etmemizi sağlar.

İnsan benzeri davranışlar ve kalabalık yapay zeka

Londra'daki Covent Garden meydanının kalabalık simülasyonu, bir sokak sanatçısına tepki gösteren bir yaya ajanı kalabalığını gösteriyor

Kalabalıktaki insan faaliyetlerinin daha fazla yönünü simüle etmek için yol ve hareket planlamasından daha fazlasına ihtiyaç vardır. Karmaşık sosyal etkileşimler, akıllı nesne manipülasyonu ve hibrit modeller bu alandaki zorluklardır. Simüle edilmiş kalabalık davranışı, gerçek dünyadaki kalabalıkların akışından ilham alır. Davranış kalıpları, hareket hızları ve yoğunlukları ve anormallikler birçok ortam ve bina türünde analiz edilir . Algoritmaların türetilebilmesi ve kalabalık simülasyonlarına uygulanabilmesi için bireyler izlenir ve hareketleri belgelenir.

Kalabalıktaki bireysel varlıklara aracılar da denir . Bir kalabalığın gerçekçi davranması için her bir etmen özerk olarak hareket etmelidir (diğer etkenlerden bağımsız olarak hareket edebilme yeteneğine sahip olmalıdır). Bu fikir, etmen tabanlı bir model olarak adlandırılır . Ayrıca, genellikle ajanların bir dereceye kadar zeka ile hareket etmeleri istenir (yani ajanlar kendilerine zarar vermelerine neden olacak eylemlerde bulunmamalıdır). Ajanların akıllı ve gerçekçi kararlar alabilmeleri için çevrelerine göre hareket etmeleri, değişimlerine tepki vermeleri ve diğer etmenlere tepki vermeleri gerekir.

Kural tabanlı yapay zeka

Maslow'un İhtiyaçlar Hiyerarşisi
Maslow'un İhtiyaçlar Hiyerarşisi

Kural tabanlı yapay zekada, sanal aracılar komut dosyalarını takip eder: "Bu olursa, bunu yapın". Bu, bir ana karakter ve birkaç arka plan karakteri gibi farklı rollere sahip aracıların gerekli olması durumunda alınması gereken iyi bir yaklaşımdır. Bu tür AI genellikle bir hiyerarşi ile uygulanır, örneğin Maslow'un ihtiyaçlar hiyerarşisinde olduğu gibi, ihtiyaç hiyerarşide ne kadar düşükse, o kadar güçlüdür.

Örneğin, bir patlamayla karşılaşan ve kaçan sınıfa yürüyen bir öğrenciyi düşünün. Bunun arkasındaki teori, başlangıçta ihtiyaçlarının ilk dört seviyesinin karşılandığı ve öğrencinin kendini gerçekleştirme ihtiyacına göre hareket ettiğidir. Patlama meydana geldiğinde çok daha güçlü bir ihtiyaç olan güvenliği tehlikeye girer ve bu ihtiyaca göre hareket etmesine neden olur.

Bu yaklaşım ölçeklenebilir ve çok sayıda aracıya sahip kalabalıklara uygulanabilir. Ancak kural tabanlı yapay zekanın bazı dezavantajları vardır. En önemlisi, ajanların davranışları çok öngörülebilir hale gelebilir ve bu da bir kalabalığın gerçekçi olmayan bir şekilde davranmasına neden olabilir.

AI öğrenme

Yapay zekayı öğrenirken sanal karakterler, hedeflerine ulaşmalarına yardımcı olmak için test edilmiş şekillerde davranır. Ajanlar, kendi ortamlarıyla veya gerçek ortamlarına benzeyen örnek bir ortamla deney yaparlar.

Temsilciler çeşitli eylemler gerçekleştirir ve hatalarından ders alır. Her etmen, çevreden aldığı ödül ve cezalara tepki olarak davranışını değiştirir. Zamanla, her bir temsilci, sürekli olarak yüksek ödüller kazanma olasılığı daha yüksek olan davranışlar geliştirecektir.

Bu yaklaşım kullanılırsa, çok sayıda olası davranış ve karmaşık bir ortam ile birlikte ajanlar gerçekçi ve öngörülemeyen bir şekilde hareket edecektir.

algoritmalar

Kalabalık simülasyonlarına uygulanabilecek çok çeşitli makine öğrenimi algoritmaları vardır.

Q-Learning, makine öğreniminin pekiştirmeli öğrenme olarak bilinen alt alanı altında yer alan bir algoritmadır. Algoritmaya temel bir genel bakış, her eyleme bir Q değeri atanması ve her aracıya her zaman en yüksek Q değeriyle eylemi gerçekleştirme yönergesi verilmesidir. Bu durumda öğrenme, tamamen ödüle dayalı olan Q değerlerinin atanma şekline uygulanır. Bir etmen bir durum, s ve eylem, a ile temasa geçtiğinde, algoritma daha sonra bir aracının bu durum eylem çiftini gerçekleştirmek için alacağı toplam ödül değerini tahmin eder. Bu veriler hesaplandıktan sonra acentenin bilgisine kaydedilir ve acente oradan hareket etmeye başlar.

Ajan, mevcut en iyi Q değerine bağlı olarak davranışını sürekli olarak değiştirecektir. Ve çevreyi gittikçe daha fazla araştırdıkça, hemen hemen her durumda gerçekleştirmek için en uygun durum eylem çiftlerini sonunda öğrenecektir.

Aşağıdaki işlev, algoritmanın büyük kısmını özetler:

Q(s, a) ←− r + maxaQ(s', a')

Bir s durumu ve a eylemi verildiğinde, r ve s, (s,a) gerçekleştirildikten sonraki ödül ve durumdur ve a' tüm eylemler üzerindeki aralıktır.

Kalabalık oluşturma ve animasyon

Çok sayıda aracıyı, özellikle gerçek zamanlı olarak gerçekçi bir şekilde oluşturmak ve canlandırmak zordur. Büyük ölçekli kalabalıkların 3B işlemesinin karmaşıklığını azaltmak için, toplama (önemsiz nesnelerin atılması), sahtekarlar (görüntü tabanlı işleme) ve azalan ayrıntı seviyeleri gibi teknikler kullanıldı. Görünüm, vücut şekli ve boyutu, aksesuarlar ve davranıştaki (sosyal veya kültürel) farklılıklar gerçek kalabalıklarda bulunur ve çeşitlilik eksikliği görsel simülasyonların gerçekçiliğini etkiler. Mevcut sistemler, değişen doku, renk, boyut, şekil ve animasyona sahip sanal kalabalıklar oluşturabilir.

Gerçek dünya uygulamaları

Sanal sinematografi

Kalabalık simülasyonları, aktörleri işe almaktan ve aksi takdirde gerçekçi olmayacak çekimleri yakalamaktan uygun maliyetli ve gerçekçi bir alternatif olarak filmlerde yaygın olarak kullanılmıştır. Kullanımının önemli bir örneği Yüzüklerin Efendisi'nde (film dizisi) yatmaktadır . İlk aşamalarda yapım ekibi için en göze çarpan sorunlardan biri, romanların yazarı JRR Tolkien'in en az 50.000 katılımcıya sahip olmasını öngördüğü için büyük ölçekli savaşlardı. Böyle bir sayı, yalnızca gerçek oyuncuları ve aktrisleri işe almaya karar vermiş olsalardı gerçekçi değildi. Bunun yerine, MASSIVE olarak da bilinen Sanal Ortamda Çoklu Ajan Simülasyon Sistemini kullanarak bu sahneleri simüle etmek için CG kullanmaya karar verdiler. Kalabalık simülasyonu için İnsan Mantık Motoru tabanlı Maya eklentisi Miarmy , bu dizilerin geliştirilmesi için kullanıldı. Yazılım, film yapımcılarının her karakter modeline 350 animasyondan oluşan bir kitaplığı kullanabilen aracı tabanlı bir yapay zeka sağlamasına izin verdi. Simülasyondan oluşturulan görme, işitme ve dokunma parametrelerine dayalı olarak, aracılar her duruma benzersiz şekilde tepki verir. Böylece sahnenin her simülasyonu tahmin edilemezdi. Nihai ürün, kalabalık simülasyon yazılımı kullanmanın avantajlarını açıkça gösterdi.

Şehir ve Bölge Planlama

Kalabalık simülasyon yazılımının geliştirilmesi, kentsel ortamların tasarlanmasında modern ve kullanışlı bir araç haline geldi. Geleneksel kentsel planlama yöntemi haritalara ve soyut eskizlere dayanırken, dijital bir simülasyon tasarımın hem biçimini hem de amacını mimardan yayaya aktarma konusunda daha yeteneklidir. Örneğin, sokak işaretleri ve trafik ışıkları, yayaların buna göre hareket etmesini ve davranmasını etkileyen yerelleştirilmiş görsel ipuçlarıdır. Bu mantığı takip ederek, bir kişi A noktasından B noktasına verimli bir şekilde hareket edebilir ve bunun sonucunda kolektif bir grup insan daha etkili çalışabilir. Daha geniş anlamda, otobüs sistemleri ve yol kenarındaki restoranlar, insan hareket kalıplarının anlaşılması yoluyla konumlarında mekansal bir amaca hizmet eder. SimCity video oyunu serisi daha basit bir şekilde bu kavramı örneğidir. Bu seride, oyuncu, sağlıklı bir bütçeyi korurken, belirlenen bölgelerde şehir gelişimini atar. Boş araziden hareketli bir şehre geçiş tamamen oyuncunun seçimleriyle kontrol ediliyor ve dijital vatandaşlar şehrin tasarımına ve olaylarına göre hareket ediyor.

Tahliye ve isyan yönetimi

Simüle edilmiş gerçekçi kalabalıklar, isyanların ele alınması, mimari, güvenlik bilimi (tahliye planlaması) eğitimlerinde kullanılabilir.

Askeri

Kalabalık simülasyonları, kaotik durumlarla ilgili olarak kamu planlaması ve genel düzen için kullanımda çok yaygın olduğundan, hükümet ve askeri simülasyonlar için birçok uygulama çizilebilir. Kalabalık modelleme, polis ve askeri simülasyonda, memurları ve askerleri kitlesel insan topluluklarıyla başa çıkmak için eğitmek için çok önemlidir. Saldırgan savaşçıların bu bireyler için üstesinden gelmeleri zor olmakla kalmaz, aynı zamanda savaşçı olmayan kalabalıklar da bu saldırgan durumları daha fazla kontrolden çıkarmada önemli roller oynar. Askerlerin ve teknisyenlerin becerilerini uygulamaları için bu durumları simüle etmek için oyun teknolojisi kullanılır.

sosyoloji

Modellenmiş bir kalabalığın davranışı, analitik konularda önemli bir rol oynar. Bu dinamikler, modelin kendisinin görsel gerçekliğinden ziyade, bir kalabalık içindeki bireysel ajanların fiziksel davranışlarına dayanır. İnsanların bu yapılar içindeki sosyal davranışları uzun yıllardır ilgi görmektedir ve bu etkileşimlerin temelini oluşturan sosyolojik kavramlar sürekli olarak araştırılmaktadır. Kalabalıkların farklı durumlarda simülasyonu, çeşitli düzenlemeler ve mekanlardaki gerçek yaşam toplantılarının sosyolojik olarak incelenmesine olanak tanır. Stres seviyelerinde değişen durumlarda insan davranışındaki farklılıklar, genelleştirilmiş olmaktan ziyade durumlara daha spesifik olarak uygulanabilen kalabalık kontrol stratejilerinin daha da geliştirilmesine ve yaratılmasına izin verir.

Ayrıca bakınız

Kalabalık simülasyon yazılımı

Referanslar

Dış bağlantılar