[论文解读] Sub-Goal Social Force Model for Collective Pedestrian Motion Under Vehicle Influence

Dongfang Yang, Fatema Tuj Johora+3 more|arXiv (Cornell University)|Jan 10, 2021

Evacuation and Crowd Dynamics参考文献 41被引用 5

一句话总结

本文提出子目标社交力模型（SG-SFM），一种广义的行人运动模型，通过引入子目标将车辆影响整合进社交力框架，以平衡行人的反应性与前瞻性行为。该模型在三种数据集上通过定量校准，并在基础交互类型上进行定性仿真，有效模拟了多样化人车交互场景下的真实集体行人运动。

ABSTRACT

In mixed traffic scenarios, a certain number of pedestrians might coexist in a small area while interacting with vehicles. In this situation, every pedestrian must simultaneously react to the surrounding pedestrians and vehicles. Analytical modeling of such collective pedestrian motion can benefit intelligent transportation practices like shared space design and urban autonomous driving. This work proposed the sub-goal social force model (SG-SFM) to describe the collective pedestrian motion under vehicle influence. The proposed model introduced a new design of vehicle influence on pedestrian motion, which was smoothly combined with the influence of surrounding pedestrians using the sub-goal concept. This model aims to describe generalized pedestrian motion, i.e., it is applicable to various vehicle-pedestrian interaction patterns. The generalization was verified by both quantitative and qualitative evaluation. The quantitative evaluation was conducted to reproduce pedestrian motion in three different datasets, HBS, CITR, and DUT. It also compared two different ways of calibrating the model parameters. The qualitative evaluation examined the simulation of collective pedestrian motion in a series of fundamental vehicle-pedestrian interaction scenarios. The above evaluation results demonstrated the effectiveness of the proposed model.

研究动机与目标

• 解决现有广义行人运动模型在混合交通场景中无法同时考虑行人与行人、车辆与行人交互的不足。
• 克服现有模型在多样化交互模式下过于具体或评估不足的局限性。
• 构建统一的建模框架，实现在各种车辆影响场景下对集体行人行为的真实模拟。
• 通过提供可扩展、理论基础扎实的行人模型，支持共享空间设计与自动驾驶车辆测试的实际应用。

提出的方法

• 通过引入子目标概念，扩展经典社交力模型（SFM），在行人与行人排斥力和主动导航至最终目的地之间建立平衡。
• 将车辆影响建模为额外的虚拟力分量，通过子目标计算动态整合进行人排斥力。
• 采用两阶段力分解：(1) 来自附近行人和车辆的排斥力，(2) 朝向动态调整的子目标的导向力。
• 利用遗传算法校准模型参数，以最小化模拟路径与真实轨迹之间的轨迹误差，覆盖三个数据集：HBS、CITR和DUT。
• 结合人工调参与自动校准，确保模型在不同场景下的鲁棒性与泛化能力。
• 通过12种基础人车交互场景的仿真评估验证模型，包括正前方/后方、45度角及侧向车辆接近等情形。

实验结果

研究问题

• RQ1 广义行人运动模型能否在行人同时与他人及车辆交互时，有效模拟集体行为？
• RQ2 子目标概念在物理上合理且行为上真实的情境下，能否有效整合车辆影响与行人之间的相互作用？
• RQ3 SG-SFM在多样化数据集与交互模式（包括复杂车辆操作）下的泛化能力如何？
• RQ4 该模型在模拟真实行人行为（如让行、寻找空隙、形成车道）方面表现如何，尤其是在车辆影响下？
• RQ5 不同校准策略（人工 vs. 遗传算法）对模型精度与泛化能力有何影响？

主要发现

• SG-SFM在三个不同数据集（HBS、CITR和DUT）上成功复现了行人轨迹，校准后展现出强大的定量泛化能力。
• 当两股行人流发生碰撞时，模型能准确模拟出车道形成现象，这是原始SFM中观察到的真实人群行为的典型特征。
• 在正前方/后方车辆交互场景中，行人持续为车辆预留空间，表现出协调避让且未发生碰撞。
• 在45度角接近场景中，模型捕捉到真实的行为多样性：部分行人加速通过以清空路径，另一些则通过平行移动让行。
• 在侧向交互场景中，行人表现出或在车辆间穿行，或等待第二辆车通过的行为，真实反映了现实中的空隙寻找行为。
• 在全部12个仿真场景中，行人与车辆之间均未发生碰撞，证实了模型的安全性与行为合理性。