没有合适的资源?快使用搜索试试~ 我知道了~
现有的大多数技术都简化了模拟个人行为的假设,同时努力传达真实人群的复杂性。虽然这种方法可能会捕捉到广泛的,整体行为的人群,但是在不同人群显著地细节上他们往往会错失人群显示出来的微妙细节。在真实人群中可能观察到的个体行为范围通常过于复杂,无法使用简单的行为模型进行模拟。人们的人际距离和速度不同,在相似的情况下反应也不同。传达复杂行为的一种方法是使用从真实人群(像磁带录像)中提取的信息;也就是说,不是手动定义一个群体行为模型,而是从数据中学习它。来自真实人群的数据可用于(a)学习现有仿真系统的参数值(如速度或基于力的方法),以实现与真实世界相似的行为, (b)生成基于实例的系统,其中从数据中直接提取行为。
资源详情
资源评论
资源推荐
从现实世界中学习的异质人群的行为
目录
3.1 介绍
3.2 相关工作
3.3 基于 Agent 的人群仿真
3.4 数据驱动人群管线
3.5 数据驱动人群模拟
3.6 收集人群数据
3.7 提取态和行动
3.7.1 群体行为的视频
3.7.2 人群的例子
3.7.3 PAG 的人群
3.8 创造空战行为模型
3.8.1 数据库方法
3.8.2 一种基于图的高效数据驱动人群模拟方法
3.9 讨论和未来趋势
参考文献
3.1 介绍
群众是我们日常生活的重要组成部分。我们经常被人群包围,在街道、工
作场所、购物中心、足球场、音乐会等场所。人群的存在和动态极大地影响任
何特定场景的气氛。计算机生成的人群已经成为现代应用和虚拟世界模拟的一
个重要特征。比如电脑游戏、电影、培训和建筑可视化。随着这些应用程序继
续向着更高层次的真实感和场景复杂性努力。人们越来越需要更可信的人群模
拟。
现有的大多数技术都简化了模拟个人行为的假设,同时努力传达真实人群
的复杂性。虽然这种方法可能会捕捉到广泛的,整体行为的人群,但是在不同
人群显著地细节上他们往往会错失人群显示出来的微妙细节。在真实人群中可
能观察到的个体行为范围通常过于复杂,无法使用简单的行为模型进行模拟。
人们的人际距离和速度不同,在相似的情况下反应也不同。传达复杂行为的一
种方法是使用从真实人群(像磁带录像)中提取的信息;也就是说,不是手动
定义一个群体行为模型,而是从数据中学习它。来自真实人群的数据可用于
(a)学习现有仿真系统的参数值(如速度或基于力的方法),以实现与真实
世界相似的行为,
(b)生成基于实例的系统,其中从数据中直接提取行为。
本章的重点是后者:设计和构建新的数据驱动人群模拟系统。我们首先简
要介绍一些数据驱动技术(第 3.2 节),然后是代理的一般体系结构(第 3.3
节),接着是通用数据驱动的系统管道和每个组件的方法(第 3.4 至 3.8 节),
最后,我们对可能的未来方向进行了一些讨论(第 3.9 节)。
3.2 相关工作
最近,数据驱动的人群模拟方法已成为一个有吸引力的替代手动定义人群
模拟模型。这些方法的承诺是在没有定义明确的行为模型的努力时,代理商将
“学习”如何从真实世界的例子,保持自然人群的氛围与范围广泛的复杂的个人
行为。用于字符组的最早的数据驱动技术之一采用了运动图方法来综合群体行
为[ 1 ]。为了能够建立一个易于处理的运动图,该方法假定输入遵循一个定义
良好的行为模型,例如具有受限配置空间的群集系统。基于图的模拟也被
Kwon 等人[ 2 ]用于指导单个组成员一起导航。这些方法对人类中的一般步行
人群来说是不现实的,因为行为变异程度很高。
在最近的工作中,从人群录像中学习的轨迹被存储在数据库中,同时还有一些
影响他们的刺激物的代表性。在模拟过程中,代理将它们的刺激物与存储在数
据库中的变量相匹配,并相应地导航。跟随这些,Lerner 等人使用数据库方法
将次要动作添加到模拟字符中,例如交谈或查看手表。Charalambous 和
Chrysanthou [ 6 ]介绍了时空代理状态和基于图形的方法来提高数据驱动的
人群仿真的性能表征。Ju 等人[7]采取不同的方法;把代表不同风格人群的输入
数据混合在一起产生新的人群动画。metoyer 和 Hodgins [ 8 ]允许用户定义
例子的确切行为,而 Musse 等人[ 9 ]从特定环境从视频中提取路径。
作为使用示例场景数据库的替代方法,一些技术使用观察真实人群来提取
模拟参数。若干工作[ 10 - 12 ]估计通过检测运动捕获数据避免碰撞和预测参
数,在受控环境下,提出了基于预测的人群导向方法。Moussaïd 等人用从真
实人群录像中获得的数据修改 Helbing 的社会力模型[ 14 ],用一个更现实的
方式处理组地层。在 Courty 和 corpetti [ 15 ]的工作中,宏观的方法是其次;
人群被看作是连续的流动,捕获的数据被用来定义引导向量场。再远一点,生
物学研究人员建议使用来自椋鸟的立体视频的输入来估计它们庞大而复杂的群
集行为的统计模型[ 16 ]。在所有这些技术中,示例用于细化底层行为模型,
因此,它们仍然受底层模型的局限性约束。
3.3 基于 agent 的人群仿真
典型的人群模拟系统由两个主要部分组成:模拟发生的环境和特征。如果
仿真的目标之一是多样性,则将字符表示为自治代理,而不是作为整体进行模
拟(微观与宏观)。图 3.1 中可以看到基于代理的人群模拟的典型体系结构。
代理根据从环境中的传感器及其内部状态接收的信息来决定要执行的操作;应
用这些操作(例如“左转”、“加速”等)可能会影响代理状态和环境。代理的行为
通常分为多个层次(组件);在每个更新步骤中,不是所有行为的都需要实现,
也不是所有的行为都是连续执行的,(通常,较低层比高层执行更多)。从顶
部到底部,我们有以下行为层:
•行动选择:在这里,代理选择和优先考虑高层次的目标,如从家里步行到公
共汽车站,上车,买票,下车,走向办公室等,这通常是在一个动作完成或事
件提出(例如火灾报警)后执行。
•路径发现:它是虚拟环境中两个位置之间的路径。一条路径通常由一组控制
点组成,这些点定义线或曲线(例如,人行道)。路径规划通常是在上层或环
境变化时执行的(例如,示范阻止先前设置的路径)。
•导航/转向:它是在与其他移动角色或障碍物相互作用时,沿着一条路径(或
朝一个目标移动)的过程。这是一个连续的过程,负责避免碰撞而不违反代理
的物理约束;例如,一个字符的最大允许速度和加速度。运动/次要的行为:在
导航过程中(即使在静止),一些动画要发挥示范作用的高水平层的含义;例
如,适当的步行周期、跑步、聊天,和电话交谈。此外,一些动画可以添加到
代理行为中,比如与另一个移动的角色交谈。由于底层在交互应用程序中执行
得更频繁,可能每秒多次,效率是一个重要因素。
图 3.1 人群模拟环境中典型的 agent 体系结构。
3.4 数据驱动人群管线
在本节中,我们提出了将一般管道用于基于数据驱动的人群仿真方法:基
于代理的方法允许利用现实生活中的人群的数据更精细的控制个性仿真,我们
希望捕捉那种难以在手动定义的基于规则的系统捕获的动态。使用适当的数据,
代理适应和不同的行为可以显现出来。
图 3.2。
剩余20页未读,继续阅读
nulinihao
- 粉丝: 0
- 资源: 1
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
评论0