可穿戴设备下的恐慌人群仿真探究*

于力鹏，陆 涛，李木军

（宁波大学，浙江 宁波 315211）

可穿戴设备下的恐慌人群仿真探究*

于力鹏，陆 涛，李木军

（宁波大学，浙江 宁波 315211）

利用可穿戴设备解决恐慌人群仿真中数据采集的问题。首先，建立信息传递下的人群仿真模型，为可能的采集数据提供输入接口；其次利用动作捕捉设备处理个体行为仿真；最后进行了广场火灾事件下的恐慌人群仿真实验。结果证明，可穿戴设备的普及使得突发事件下恐慌人群的数据采集变得可行，在这些数据研究下的恐慌人群仿真可以为制定城市应急预案提供更精准的分析。

可穿戴设备 动作捕捉 恐慌 人群仿真

1 引言

2014年我国发生了震惊全国的“昆明火车站暴力恐怖袭击事件”，事件中共造成29人死亡、143人受伤。2014年12月31日上海外滩陈毅广场发生的踩踏事件造成36人死亡、49人受伤，使我国2015年的元旦笼罩在一片悲伤中。近年来，随着人们精神文化生活的日益丰富，各式各样的活动蜂拥般出现在人群中，随之引发的是社会公共管理能力不足与快速增长的公共活动需求之间的矛盾。国内外发生的一系列突发性人群事件，由于其巨大的破坏力得到了越来越多人的关注，大家迫切希望有某种手段能够提高社会的公共管理能力和突发事件的处理能力，把各类事故中的损失降到最低。

人群仿真是提高公共管理能力的有效辅助手段，其本质上是一个复杂的动态系统，它涉及心理学、社会学、管理学和计算机科学等多个学科。因此，关于人群仿真有来自于不同领域的大量研究，如心理行为及其影响因素研究[1-2]、建筑逃生演练研究[3]、危险气体的扩散研究[4]、疏散速度研究[5]和应急动态决策研究[6]等。通过这些研究可以发现，在突发事件人群仿真中有一个显著特征——人群的聚集，而且在突发事件中可以观察到人群行为与正常情况下的人群行为之间的巨大差异。这种人群的巨大差异使得突发事件中人群的各项数据采集变成了难题，从而导致危险情况下的恐慌人群仿真研究因数据缺乏而陷入瓶颈。

值得庆幸的是，随着谷歌智能眼镜、小米手环、苹果Apple Watch、耐克智能鞋等可穿戴设备的出现，人们也开始热衷于随时随地记录自己的运动和行为数据，可穿戴设备从未以如此高的频率在健康与运动领域中井喷式发展[7-8]。事实上，可穿戴设备使用便捷、设计人性化、可操作性强、智能高效等优势都在逐渐凸显，先进的电路系统、无线联网、越来越准确的传感器技术以及不断提高的蓄电能力[9]，都使得可穿戴设备在具备数据采集能力同时还具有极强的数据处理能力，可以在采集数据的同时实现智能终端同步。这为突发事件中恐慌人群的数据记录提供了可以发展的前提条件，突发事件中的恐慌人群研究将进入新的研究篇章。

2 恐慌人群的仿真

人群仿真算法可以分为宏观算法与微观算法[11-12]。人群行为的研究主要包含以下几个方面：个体行为、群体行为、群体之间的交互行为。恐慌人群与普通人群行为有巨大差异的主要原因是突发事件中的个体会产生恐慌情绪并相互感染，从而导致群体行为异常。通过剖析恐慌情况下人群中个体情绪的形成、发展和传递，发现情绪可以看成个体对自身接收信息的一种心理反应，情绪的产生原因可视为新信息的进入，情绪的作用结果是行为的选择，而情绪的感染过程等同于个体间信息的交互。因此恐慌人群仿真可以归纳为如下几个功能模块：虚拟人对环境的感知、根据获得的数据进行决策、生成动作数据以及执行动作，具体如图1所示：

图1 恐慌人群仿真功能模块示意图

2.1 信息获取

在虚拟人对环境的感知中，虚拟人跟正常人一样具有虚拟感受空间，每个虚拟人都有自己独立的信息空间。根据信息传递的3种途径（视觉、听觉、触觉），虚拟人信息空间的模型可以分为3个模块，即视觉信息空间、听觉信息空间、触觉信息空间。每个子模块的信息空间分别有自己可接收信息的种类、范围、程度等规则，虚拟人之间根据这些信息空间的规则进行彼此间的交互。

虚拟人i的信息空间如图2所示，Rv、Rh、Rt、R0分别为视觉空间半径、听觉空间半径、触觉信息半径和虚拟人所占空间半径。不同子空间具有不同的约束条件，每个空间按照各自的条件或规则进行信息收集和处理，最终虚拟人体获取的是各子空间的全部信息的综合，即虚拟人得到的总信息等于各个子信息求并集，如式（1）所示：

图2 虚拟人的信息空间

2.2 信息传递

确定人群中信息传递的途径后，需要确定的是虚拟人间信息传递的种类。根据恐慌情况下能够影响人群疏散能力的几种因素，可以将危险情况下人群中的信息传递种类分为：事故信息（AI）、逃生知识与经验（KI）和舒适度（CI）这3类信息。事故信息AI的值设定在[-1，1]之间，并根据其程度、影响进行赋值，1表示事故信息带来最大的消极影响（如事故范围内的人离事故地点越近受到的伤害越大），而-1表示事故信息带来最大的积极影响（如事故范围外的人得到事故信息可以有所防范），0表示其无影响。舒适度指的是个体对周围环境信息的一个反应，它不仅与个体局部人群密度相关，还与个体间的距离有关系。逃生知识与经验属于积极信息，个体具备逃生知识与经验会在危险中产生积极的情绪，使其由恐慌转向理智，有助于个体做出明智的判断。最终虚拟人可以通过自己的3种信息数据以及环境感知到的信息数据，得到自身在突发事件中的恐慌情绪值Panic，计算方法如式（2）所示：

式（2）中λ、α、β、γ为相关系数，这个系数在获得真实数据以后可以通过训练实验场景中的输入输出数据得到准确的值。

2.3 虚拟人行为计算

如图1恐慌人群仿真功能模块示意图所示，在前面解决了人群中虚拟人的恐慌情绪计算问题，通过式（2）可以得到虚拟人的情绪值，使虚拟人进入决策机制开始进行行为选择。然后把虚拟人的运动分为4个运动片段：开始（起步）、行走、停留、摔倒，每个运动片段都被表示为一个节点。如图3所示，运动图表示状态转换间的路径，每种状态对应各自的触发条件和表现形式。

每个个体初始化状态为开始，开始状态下个体的速度大小为个体i的初速度大小vi(0)，每次经过其它状态转换到的开始状态也采用该速度。开始状态完成后，在人群密度和个体恐慌情绪的条件下，个体转换到行走状态，平移速度vi(t)由个体的局部人群密度ρi和当前恐慌程度Panic(t)通过式（3）计算并进行步态控制，在行走过程中如果人群密度超过4.2人/m2或个体寻径陷入困难或碰到无法躲避的障碍物，个体运动状态则会转入停留状态，直至困境解除重新进入开始状态或困境达到极限引发跌倒。

图3 虚拟人运动状态转换图

vi(0)是智能体i的初速度大小；vimaχ是智能体i最大的理想速度，现在这2个速度的设定可以根据真实情况下用户已有的可穿戴设备中的日常数据进行真实的设定。Panic(t)为t时刻虚拟人的恐慌程度大小，当人群密度足够小时，影响虚拟人速度的主要是虚拟人自身的恐慌情绪，即越恐慌越想逃离，速度会随情绪上升而加快。当人群密度足够影响虚拟人速度时，虚拟人速度由恐慌情绪和人群密度共同决定。随着恐慌情绪上升、人群密度变大，虚拟人的速度反倒会下降，即“越快越慢”效应。当人群密度达到极限时，虚拟人的速度将为0，此时无论虚拟人情绪如何，客观的现实环境都限制了虚拟人的移动，使其无法摆脱。

目前在实验中所采用的虚拟人获取信息都是通过定性分析赋值的。比如说视觉信息中虚拟人看到的路径信息其实是在程序中人为定义的，事实上如果这些信息能够通过当前的可穿戴设备获得，则可以实现更为智能和真实的人群仿真。而现在的主要工作就是在数据采集设备技术发展到成熟和普及之前，确定恐慌人群的仿真模型，并为数据采集预留出接口。比如事故信息的判断，火灾中完全可以通过可穿戴设备采集到的定位数据、温度数据计算得到。同样，舒适度信息考虑的是人群中的局部人群密度和个体间的最小距离，这2组数据也可以借助可穿戴设备中的定位信息采集得到。

3 动作捕获设备的应用

3.1 动作捕获

上一节描述了恐慌人群中的恐慌情绪计算方法和虚拟人的行为选择，这些最终还需要通过动画才能体现出来。因此，人群仿真中每个虚拟人的行为动画变得尤为重要，想要获得更为真实的虚拟人行为动画，就要通过获得真实行人的行为数据来进行虚拟人动画的制作，因此动作捕获设备应运而生。目前主要有基于光学、基于惯性的动捕设备，本文主要采用IGS-150设备来完成动作的捕获工作。IGS-150采用15个标准惯性传感器（陀螺仪），采用Animazoo操作系统，可以对人体骨骼框架部位的运动进行实时扫描呈现，系统可以测算出人体关键点（传感器所在）的位置，并将数据加载到相应的虚拟人骨骼之上[12]。

实验人员穿上安装好传感器的捕捉服，如图4所示，可以在实际情况中进行所需动作的设计。例如基本的直立行走、奔跑等基础动作。动作完成后，可以在电脑中查看已经录制好的骨骼动作BIP文件，将此文件加载到虚拟人后，就可以在第三方软件中看到带有动作的虚拟人了。

图4 I GS-150动作捕获示意图

3.2 虚拟人动作处理

首先通过动捕设备得到动作的BIP文件，然后对于虚拟角色的人物复杂动作进行设置，需要在3ds Max中完善，包括动作融合和动作划分等，然后导出FBX格式，最后再导入渲染引擎中进行控制与应用。

（1）动作融合

BIP文件添加成功后需要对所需动作进行融合，这样才能使虚拟角色的复杂动作具有连贯性。在视图中创建空白页，然后依次加载3个BIP动作文件，并将它们联系在一起，这样动作融合就初步完成了。动作融合完成后，需要把人物动作导出为FBX动态模型格式文本。FBX文件导出成功后，即可导入UNITY或者OSG中，在project视图中点击右键建立一个New Folder并重新命名为character，然后点击右键选择show in Explorer显示文件夹，把导出人物FBX文件与人物贴图拷贝到character文件里面，即虚拟角色运动模型导入成功。

（2）动作划分

人物模型导入成功之后，有时需要对动作进行划分，一是为了防止动作的混淆，二是可以方便对人物动作的调用。在工程视图中选中刚导入的人物模型，在Split Animations进行动作划分。此处，划分出了这3种动作，并且分别命名为stand、walk、run。然后点击apply，实现了动作的分割。注意，这里的划分并不是完全意义上的分隔开，只是时间上的一种区分罢了。

当动作分割好之后需要把动作赋给场景中对应的角色。这里提供一种简单的实现方式。先把project中的虚拟角色通过拖拉的方式，拖到hierarchy视图中，然后在inspector视图中调整虚拟角色的位置，使其处在场景中一个适当的位置。为了在脚本中能合理地利用虚拟角色之间的动作，需要把虚拟角色用到的动作添加到虚拟角色中去。首先，在size中输入3，即表示是3种动作，然后在下面的Element中分别选择3种动作，同时勾选play automatically表示当场景开始的时候即可进行动作播放。加载动作后的结果如图5所示。

图5 加载 动作后的虚拟角色动作——stand、walk、run

4 实验结果及结论

基于真实的动作采集，对火灾情况下的恐慌人群进行了仿真，仿真结果如图6所示。通过图片可以看到每个虚拟人都可以通过自己的信息空间获取和感知周围的环境信息，并在信息基础上做出决策得到行为选择。

图6 广场火灾人群逃生仿真

这种方法主要有2点优势：

（1）先进动作捕捉设备的引进。与传统方法相比，动作捕捉设备使得在恐慌人群仿真中可以更真实、快速地加入虚拟人行为动画，减少了每个虚拟人动作的制作时间，降低了虚拟人动作的实现成本，达到了高效、逼真的实验效果。原始方式主要采取最基础的手动方法来完成，在建模软件中需要对人物的基本动作进行单帧的制作，一帧一帧地去匹配完成人物的骨骼。

（2）建立了虚拟人的信息空间，定义了信息获取的方法和对虚拟人情绪影响的实时计算方法。这个模型的建立为以后在恐慌人群中引入日常类可穿戴设备进行信息采集提供了基础，模型中每个虚拟人都有各自的数据输入接口，每次的输入都会直接映射到虚拟人的行为中去。虽然现阶段只能用已有的一些数据进行模型验证，而不能实时地输入数据，但是随着可穿戴设备的普及和广泛应用，恐慌人群仿真必定能够实现事件中的个人信息实时传输，从而使我们的模型更加具有意义。

可穿戴设备本身价值并不大，关键在于其获得的数据与提供的服务，越垂直越深度往往价值越大。用户要的不只是数据，大部分用户对一些数据本身是没有概念的，经过分析得出的结果和解决方案才是最重要的。而我们所建立的信息模型正是将可穿戴设备获得的数据应用在恐慌人群仿真中，计算生成虚拟人的情绪，引导虚拟人的行为，得到更真实的计算机仿真结果，为各类应急预案提供更准确的分析。

[1] Margre the Kobes, Ira Helsloot, Bauke de Vries, et al. Building safety and human behaviour in fire: A literature review[J]. Fire Safety Journal, 2010,45(1): 1-11.

[2] 李逊,洪玲, 徐瑞华. 轨道交通车站应急疏散乘客心理行为影响因素分析[J]. 城市轨道交通研究, 2012,15(4): 54-57.

[3] 姜传胜. 办公楼疏散演练综合评估方法研究[J]. 中国安全科学学报, 2012,22(5): 170-170.

[4] He G, Ou W, Ma M, et al. Virtual emergency rehearse system for dangerous gas diffusion in chemical industry park[C]. Proceedings of the 10th International Conference on Virtual Reality Continuum and Its Applications in Industry, ACM, 2011: 455-458.

[5] Blair, Alyson Janna. The effect of stair width on occupant speed and flow of high rise buildings[D]. University of Maryland, 2010.

[6] 李俊岭,刘庆 顺,闰建超. 应急动态决策的行为过程与模式研究[J]. 河北学刊, 2008,28(5): 146-150.

[7] 毛彤,周开宇. 可穿戴设备综合分析及建议[J]. 电信科学, 2014,30(10): 134-142.

[8] 赵斌. 可穿戴设备设计趋势及策略研究[J]. 包装工程, 2015,36(2): 18-25.

[9] 封顺天. 可穿戴设备发展现状及趋势[J]. 信息通信技术, 2014,40(3): 52-57.

[10] Qiu Fasheng, Hu Xiaolin. Modeling group structures in pedestrian crowd simulation[J]. Simulation Modelling Practice and Theory, 2010,18(2): 190-205.

[11] Zhou Suiping, Dan Chen. Crowd modeling and simulation technologies[J]. ACM Transactions on Modeling and Computer Simulation(TOMACS), 2010,20(4): 20-20.

[12] 孙浩鹏,李杨. 道格拉斯-普客算法在动作捕捉数据优化中的应用[J]. 科技创新与应用, 2013(36): 24-24.★

Panic Crowd Simulation Based on Wearable Device

YU Li-peng, LU Tao, LI Mu-jun
(Ningbo University, Ningbo 315211, China)

Data collection in panic crowd simulation can be solved by means of wearable device. Firstly, crowd simulation model with information transfer was built to provide input interface to data collection. Secondly, individual behavior was processed using motion capture device. Finally, panic crowd simulation experiment under square fi re event was conducted. Results show that the popularity of wearable device makes data acquisition in an emergency feasible. Panic crowd simulation with such research data is useful to provide precise analysis to city emergency plan.

wearable device motion capture panic crowd simulation

10.3969/j.issn.1006-1010.2015.14.018

TP391.9

A

1006-1010(2015)14-0088-05

于力鹏,陆涛,李木军. 可穿戴设备下的恐慌人群仿真探究[J]. 移动通信, 2015,39(14): 88-92.

国家自然科学基金项目（61373068）

2015-06-26

责任编辑：刘妙 liumiao@mbcom.cn