[논문 리뷰] Towards predicting Pedestrian Evacuation Time and Density from Floorplans using a Vision Transformer

Patrick Berggold, Stavros Nousias외 2명|arXiv (Cornell University)|2023. 06. 27.

Evacuation and Crowd Dynamics인용 수 4

한 줄 요약

이 논문은 기존의 시뮬레이션 병목 현상에서 벗어나 바닥면도면에서 직접 보행자 대피 시간과 시공간 밀도 히트맵을 예측하는 뷰어션 트랜스포머 기반 딥러닝 모델을 제안한다. 기존의 시뮬레이터를 사용한 파arametric 파이프라인을 통해 생성된 합성 데이터셋을 활용하여, 빠르고 정확한 예측을 달성하였으며, 실시간 설계 피드백을 제공하기 위해 BIM 도구에 통합하였다.

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.

연구 동기 및 목표

• 건물 설계에서 기존의 보행자 시뮬레이터의 계산 비효율성과 복잡성을 해결하기 위해.
• 바닥면도면에서 직접 대피 시간과 밀도 히트맵을 예측하는 데이터 기반 접근법을 개발하기 위해.
• 실제 대피 데이터셋의 제한된 가용성을 극복하기 위해 파라메트릭 파이프라인을 활용해 대규모 합성 데이터셋을 생성하기 위해.
• 모델을 BIM 설계 도구에 통합하여 설계 과정 중 실시간 시뮬레이션 피드백을 제공하기 위해.
• 딥러닝 기반 모델이 기존 시뮬레이터의 정확도에 도달하거나 초월하면서도 뚜렷하게 감소된 추론 시간을 달성할 수 있는지 입증하기 위해.

제안 방법

• 뷰어션 트랜스포머 아키텍처를 사용하여 바닥면도면 이미지에서 시공간 밀도 히트맵과 총 대피 시간을 예측하도록 훈련한다.
• 파라메트릭 데이터 생성 파이프라인은 기존의 시뮬레이터를 사용해 보행자 대피 시뮬레이션을 수행하여 대규모 합성 데이터셋을 생성한다.
• 모델은 대응하는 대피 시간 및 밀도 지ap 애너테이션과 함께 바닥면도면 이미지에서 엔드 투 엔드로 훈련된다.
• 아키텍처는 바닥면도면을 입력 토큰으로 처리하며, 자기주의 주의 메커니즘을 활용해 레이아웃 전반의 공간적 종속성을 포착한다.
• 설계 워크플로우 중 즉각적인 예측 생성을 가능하게 하기 위해 BIM 환경 내에 모델을 구현한다.
• 손실 함수는 대피 시간 회귀와 픽셀 단위의 밀도 히트맵 예측에 최적화되어 있다.

실험 결과

연구 질문

• RQ1 전체 시뮬레이션을 실행하지 않고도 뷰어션 트랜스포머 모델이 바닥면도면에서 보행자 대피 시간을 정확하게 예측할 수 있는가?
• RQ2 딥러닝 모델이 바닥면도면 레이아웃으로부터 시공간 보행자 밀도 분포를 얼마나 잘 일반화하여 예측할 수 있는가?
• RQ3 기존의 시뮬레이터를 활용한 합성 데이터셋 생성 파이프라인이 일반화 가능한 대피 예측 모델을 훈련하는 데 얼마나 효과적인가?
• RQ4 모델이 BIM 도구에 원활하게 통합되어 설계 중 실시간 피드백을 제공할 수 있는가?
• RQ5 제안된 모델이 기존의 시뮬레이터에 비해 유사하거나 더 뛰어난 성능을 달성하면서도 뚜렷하게 감소된 추론 시간을 확보할 수 있는가?

주요 결과

• 다양한 바닥면도면 구성에서 예측된 대피 시간과 진짜 대피 시간 간에 높은 상관관계를 보였다.
• 예측된 밀도 히트맵은 시뮬레이션에서 관찰된 혼잡 패턴과 대피 역학을 정확히 반영하였다.
• 기존의 시뮬레이터에서 몇 분이 걸리던 추론 시간이 밀리초 수준으로 감소하여 설계 워크플로우에서 실시간 피드백이 가능해졌다.
• 합성 데이터셋 생성 파이프라인이 실제 대피 행동을 효과적으로 포착하여 예측 모델이 알려지지 않은 레이아웃으로도 일반화할 수 있도록 하였다.
• BIM 도구에 통합된 결과로 즉각적인 시뮬레이션 결과 제공이 가능해져 설계 반복 과정이 크게 가속화되었다.
• 뷰어션 트랜스포머는 대피 시간 예측 및 밀도 히트맵 생성 정확도 모두에서 베이스라인 모델을 능가하였다.