[论文阅读]Guiding flows for controlling crowds

[论文阅读]Guiding flows for controlling crowds

论文地址

原文
The Visual Computer: International Journal of Computer Graphics Volume 26 Issue 11 November 2010

论文总结

使用动态势函数（harmonic functions）模拟大规模人群流动，通过基于密度的权重混合方式将人群对control particle的路径跟随与人群原有路径规划结合。提供GUI操纵control particle的轨迹，人群路径跟随此轨迹。

1. Introduction

主流人群仿真方法：agent-based method的难点在于如何为人群确定一个恰当的行为规则。

对于大规模人群仿真而言 ，用于建模的主流agent-based方法和用于控制仿真的传统key-framing方法由于计算开销过大，性能不佳。

本文注意到动态势场可以高效生成流畅的人群流形运动，难点在于如何控制、甚至让用户交互式控制动态势场。为了解决这个难点，本文采用了control particle。Control particle是agent-based模型中常用于创造局部吸引/排斥力的方法。本文基于control particle的轨迹生成全局控制场，通过基于密度的权重混合方式将全局控制场与人群原有路径混合。这样，控制动态势场的问题就变成了典型的求边界值问题。

2. Related Work

1. agent-based方法：

   难点在于如何为人群确定一个恰当的行为规则，曾经有尝试从视频图像中学习规则。大多数工作集中在local behavior，而不是overall shape。计算开销过大。

2. 直接生成全局人群流体：使用动态势场和差分方程

   难点在于在每个grid中计算，环境大小被限制

   结合agent-based和动态势函数：交互式控制精确、性能好，但对于大规模人群计算开销太大、路径被环境的spatial sampling限制、或目标函数/优化需要精心设计过于复杂，不适合大规模人群

详细对比我们的方法和JIN的另一个方法，给出区别：

1. JIN使用radial basis函数，我们的harmonic function生成的人群路径更自然
2. JIN使用固定锚点，我们使用control particle允许动态交互
3. 我们在控制向量场时耦合进了障碍物

contribution：

1. 采用业界熟悉的概念——control particle，用于控制轨迹
2. 我们不直接生成外部力影响人群仿真，而是直接计算梯度场更新人群位置，然后混合两者，解耦了控制和原有仿真过程
3. 我们的方法是基于在每个grid上计算harmonic function，而不是计算每个个体，因此可以仿真大规模人群

3. Overview（方法）

分两步：

1. control particle确定轨迹，反算出control particle经过的所有cell中每个cell对应的速度矢量。但大多数cell是没有被经过的，因此采用harmonic function确定未被经过的cell的速度矢量。
2. 耦合control field和原有仿真。对于agent-based方法来说，可以把第一步算出的速度矢量看作方向偏差offset；对于使用动态势函数的方法来说，可以根据人群分布等因子混合两个场，比如根据control particle和相邻particle的距离计算权重，基于权重混合。

4. Control fields

• 对于control particle经过的cell：

通过control particle的位置变化算出第n个粒子在t时刻所在的cell i,j的速度矢量；

其中n代表control particle经过此cell的time step次数，算出每个cell的平均速度矢量；

• 对于未经过的cell： harmonic function

u_start=1,u_goal=0,u_keyframe用(2)式算，u_obstacle用启发式方法算：

如果障碍cell和goal之间连线没有其他障碍cell阻挡，用line of sight direction vector；如果有，用边界切线方向；大小是control particle最大速度大小的一半左右。

• 为了对不同类别的人群指定不同的control particle轨迹，对人群particle标flag指定其类别，创造多层control field

5. Applying control fields

• 对于agent-based方法来说，可以把第一步算出的速度矢量看作方向偏差offset
• 对于使用动态势函数的方法来说，采取基于权重的混合方式：

g是密度，d是目前cell和最近的被control particle经过的cell之间的距离。

6. Experiments

run on 2.66GHZ 双核CPU，8GB内存