[論文レビュー] Towards predicting Pedestrian Evacuation Time and Density from Floorplans using a Vision Transformer

Patrick Berggold, Stavros Nousias+2 more|arXiv (Cornell University)|Jun 27, 2023

Evacuation and Crowd Dynamics被引用数 4

ひとこと要約

本論文は、従来のシミュレーションのボトル neck を回避するため、床図から直接、避難時間と時空間的密度ヒートマップを予測する Vision Transformer を用いた深層学習モデルを提案する。パラメトリックパイプラインを用いた従来のシミュレータを用いた合成データセットを活用することで、高速かつ高精度な予測が可能となり、BIMツールに統合され、設計段階でのリアルタイムフィードバックが可能となる。

ABSTRACT

Conventional pedestrian simulators are inevitable tools in the design process of a building, as they enable project engineers to prevent overcrowding situations and plan escape routes for evacuation. However, simulation runtime and the multiple cumbersome steps in generating simulation results are potential bottlenecks during the building design process. Data-driven approaches have demonstrated their capability to outperform conventional methods in speed while delivering similar or even better results across many disciplines. In this work, we present a deep learning-based approach based on a Vision Transformer to predict density heatmaps over time and total evacuation time from a given floorplan. Specifically, due to limited availability of public datasets, we implement a parametric data generation pipeline including a conventional simulator. This enables us to build a large synthetic dataset that we use to train our architecture. Furthermore, we seamlessly integrate our model into a BIM-authoring tool to generate simulation results instantly and automatically.

研究の動機と目的

• 建物設計における従来の避難シミュレータの計算効率の低さと複雑さに対処すること。
• 床図から直接避難時間と密度ヒートマップを予測するデータ駆動型アプローチを開発すること。
• 実世界の避難データセットの限られた可用性を補うために、パラメトリックパイプラインを用いて大規模な合成データセットを生成すること。
• 設計段階でのリアルタイムシミュレーションフィードバックを可能にするために、モデルを BIM 設計ツールに統合すること。
• 深層学習が、著しく短縮された実行時間で、従来のシミュレータと同等またはそれ以上の精度を達成できることを示すこと。

提案手法

• Vision Transformer アーキテクチャを用い、床図画像から時空間的密度ヒートマップと総避難時間を予測するように学習する。
• パラメトリックなデータ生成パイプラインが、従来のシミュレータを用いて避難シミュレーションを実行し、大規模な合成データセットを生成する。
• モデルは、床図画像とそれに該当する避難時間および密度マップのアノテーションを用いて、エンドツーエンドで学習される。
• アーキテクチャは、床図を入力トークンとして処理し、自己注意メカニズムを活用してレイアウト全体の空間的依存関係を捉える。
• 設計ワークフロー中に即時予測生成が可能になるように、BIM環境内にモデルをデプロイする。
• 避難時間の回帰とピクセル単位の密度ヒートマップ予測の両方を最適化する損失関数が使用される。

実験結果

リサーチクエスチョン

• RQ1 完全なシミュレーションを実行せずに、Vision Transformer モデルが床図から避難時間を正確に予測できるか？
• RQ2 深層学習モデルが、床図レイアウトから時空間的避難者密度分布をどの程度一般化して予測できるか？
• RQ3 従来のシミュレータを用いたパイプラインによって生成された合成データセットは、汎用的な避難予測モデルの学習にどの程度有効か？
• RQ4 モデルは BIM ツールにシームレスに統合可能で、設計段階でのリアルタイムフィードバックを可能にするか？
• RQ5 提案されたモデルは、著しく短縮された推論時間で、従来のシミュレータと同等またはそれ以上の性能を達成できるか？

主な発見

• 多様な床図構成において、予測された避難時間と真値の間で高い相関が得られた。
• 予測された密度ヒートマップは、シミュレーションで観察された混雑パターンと避難ダイナミクスを正確に反映していた。
• 従来のシミュレータが数分を要するのに対し、推論時間をミリ秒単位に短縮し、設計ワークフローにおけるリアルタイムフィードバックを可能にした。
• 合成データセット生成パイプラインは、現実的な避難行動を効果的に捉えており、未学習のレイアウトへの一般化を可能にした。
• BIM ツールへの統合により、即時のシミュレーション結果が得られ、設計の反復プロセスが著しく加速された。
• Vision Transformer は、避難時間予測および密度ヒートマップ生成の両面で、ベースラインモデルを上回る性能を示した。