[论文解读] Dynamic Path Planning and Movement Control in Pedestrian Simulation

Fatema Tuj Johora, Philipp Kraus+1 more|arXiv (Cornell University)|Sep 24, 2017

Evacuation and Crowd Dynamics参考文献 9被引用 5

一句话总结

本文提出了一种新型的动态路径规划与基于社会力的运动控制相结合的方法，用于行人模拟。结果表明，JPS-S相较于标准JPS在保持路径最优性的同时，计算效率最高可提升16%；并通过在复杂行人场景中的成功模拟基准验证了该架构的有效性。

ABSTRACT

Modeling and simulation of pedestrian behavior is used in applications such as planning large buildings, disaster management, or urban planning. Realistically simulating pedestrian behavior is challenging, due to the complexity of individual behavior as well as the complexity of interactions of pedestrians with each other and with the environment. This work-in-progress paper addresses the tactical (path planning) and the operational level (movement control) of pedestrian simulation from the perspective of multiagent-based modeling. We propose (1) an novel extension of the JPS routing algorithm for tactical planning, and (2) an architecture how path planning can be integrated with a social-force based movement control. The architecture is inspired by layered architectures for robot planning and control. We validate correctness and efficiency of our approach through simulation runs.

研究动机与目标

• 解决行人模拟中战术（路径规划）与操作（运动控制）层级之间整合不足的问题。
• 开发一种受机器人控制层级启发的可扩展、多智能体架构，用于行人行为建模。
• 优化JPS算法，以实现在有障碍物和移动智能体环境中的动态、实时路径规划。
• 通过模拟基准验证路径规划与运动控制集成的有效性。
• 为未来支持重规划和真实行为验证提供扩展基础。

提出的方法

• 提出JPS-S，即跳点搜索（JPS）算法的优化变体，可在保持路径最优性的同时提升性能。
• 引入分层控制架构，结合战术路径规划（JPS-S）与操作级运动控制（社会力模型）。
• 采用社会力模型模拟行人运动，包含朝向目标的吸引力和来自障碍物及其他行人的排斥力。
• 使用Java实现概念验证，将JPS-S与社会力模型集成于单一模拟框架中。
• 将JPS中的剪枝与跳跃规则应用于JPS-S，以在不牺牲最优性的情况下加速路径搜索。
• 通过三个基准场景验证系统：狭窄通道、狭窄通道通行以及包含50–100名行人的路径跟随场景。

实验结果

研究问题

• RQ1 如何在多智能体行人模拟中有效集成路径规划与运动控制？
• RQ2 优化后的JPS变体（JPS-S）是否能在保持路径最优性的同时，相比标准JPS提升计算效率？
• RQ3 当与动态路径规划结合时，社会力模型在多大程度上能支持逼真的行人运动？
• RQ4 在大规模行人模拟中，JPS-S相比JPS在计算时间方面能获得多大的性能提升？
• RQ5 JPS-S与社会力模型的集成在避碰与目标抵达场景中的表现如何？

主要发现

• 在10,000名行人的大规模模拟中，JPS-S相比标准JPS将平均计算时间减少了9%。
• 在最佳情况下，JPS-S在时间效率方面相比JPS提升超过16%。
• 社会力模型成功使行人能够在复杂环境（包括狭窄通道和门）中导航，且未发生碰撞。
• 路径跟随基准测试表明，行人能保持在预定路径上并避免碰撞，验证了规划与控制的集成效果。
• 该架构正确保持了路径最优性，并支持动态适应，如所有基准测试中表现一致所示。
• 当前实现存在静态障碍物邻近处理的局限性，且缺乏重规划能力，表明未来需进一步改进。