군중 시뮬레이션

군중 시뮬레이션은 다수의 실체 또는 ^[1]캐릭터의 움직임(또는 역학)을 시뮬레이션하는 과정이다.영화나 비디오 게임과 같은 비주얼 미디어의 가상 장면을 만드는 데 일반적으로 사용되며 위기 훈련,^[2] 건축 및 도시 계획,^[3] 대피 ^[4]시뮬레이션에도 사용됩니다.

군중 시뮬레이션은 다른 애플리케이션을 대상으로 하는 측면에 초점을 맞출 수 있습니다.비주얼 미디어 또는 가상 촬영용 군중을 사실적이고 빠르게 렌더링하기 위해 3D 장면의 복잡성을 줄이고 이미지 기반 렌더링을 사용하는 ^[5]한편, 외관의 변화(변화)를 통해 실제 ^[6]^[7]모집단을 표현할 수 있습니다.

대피 시뮬레이션과 같이 실제 인간 군중의 움직임을 재현하기 위한 게임 및 애플리케이션에서는 시뮬레이션 에이전트가 목표를 향해 탐색하고 충돌을 피하며 기타 인간다운 행동을 보여야 할 수 있다.많은 군중 조종 알고리즘은 시뮬레이션된 군중을 그들의 목표에 현실적으로 이끌기 위해 개발되었다.다른 종류의 에이전트(자동차나 보행자 ^[8]등), 다른 수준의 추상화(개인이나 ^[9]연속체 등), 스마트한 ^[10]물체와 상호작용하는 에이전트, 더 복잡한 물리적 및 사회적 ^[11]역학을 지원할 수 있는 몇 가지 일반적인 시스템이 연구된다.

역사

군중들의 운동과 행동을 이해하고 통제하는데 항상 깊은 관심이 있었다.군중 시뮬레이션 영역에서 연구가 시작된 이래로 많은 주요 발전이 있었다.시뮬레이션의 확장성, 유연성, 적용 가능성 및 사실성을 향상시키는 많은 새로운 연구 결과가 지속적으로 발표되고 있습니다.

1987년, 행동 애니메이션은 크레이그 ^[12]레이놀즈에 의해 도입되고 개발되었다.그는 집단의 직관과 움직임을 연구하기 위해 물고기 떼와 함께 새떼를 시뮬레이션했다.이러한 시뮬레이션에 포함된 모든 에이전트는 주변 에이전트의 각각의 위치와 속도에 직접 접근할 수 있었습니다.레이놀즈가 제시한 이론화와 연구는 1994년 Xiaoyuan Tu, Demetri Terzopoulos, Radek Grzzzuk에 ^[13]의해 개선되고 구축되었다.시뮬레이션의 현실적인 품질은 개별 에이전트가 합성 비전과 그들이 거주하는 환경의 일반적인 뷰를 갖추어 동적 서식지에서 지각할 수 있도록 함에 따라 관련되었다.

군중 시뮬레이션 분야의 초기 연구는 1997년 다니엘 탈만의 소리아 라우프 뮈세의 박사 논문 감독으로 시작되었다.이 두 가지는 일반 ^[14]인구의 시뮬레이션을 만들기 위해 군중 행동의 새로운 모델을 제시한다.여기서 집단 내 개인의 자율적 행동과 이에 ^[15]기인하는 발생적 행동 사이에 관계가 그려진다.

1999년 개인주의 ^[16]내비게이션은 크레이그 레이놀즈의 지속적인 연구를 통해 군중 시뮬레이션의 영역에서 그 과정을 시작했다.스티어링 동작은 시뮬레이션 내에서 에이전트를 자동화하는 프로세스에서 큰 역할을 하는 것으로 입증되었습니다.레이놀즈는 낮은 수준의 이동 과정이 중간 수준의 조향 행동과 높은 수준의 목표 상태 및 경로 발견 전략에 따라 달라지고 의존한다고 명시한다.레이놀즈의 진보된 연구를 바탕으로, Musse와 Thalmann은 이러한 군중들의 실시간 시뮬레이션의 모델링과 인간 행동에 대한 그들의 적용에 대해 연구하기 시작했습니다.인간 군중의 통제는 에이전트 간의 자율성 수준을 가진 계층적 조직으로 지정되었다.이것은 휴머노이드 에이전트나 가상 ^[17]인간에 대한 가장 기본적인 형태의 개인의 행동을 모델링하는 시작을 나타냅니다.

Matt Anderson, Eric McDaniel, Stephen Chenney의 행동 제한 제안은 인간 행동 모델 및 집단 행동의 시뮬레이션에 관한^[18] 출판물과 동시에 인기를 얻었다.그룹 애니메이션에 대한 제약의 위치는 시뮬레이션 내에서 언제든지 수행될 수 있도록 제시되었습니다.행동 모델에 제약을 적용하는 이 과정은 우선 제약조건과 일치하는 목표 궤적의 초기 집합을 결정한 후, 그것들을 위반하지 않는 것을 선택하기 위해 이러한 경로에 행동 규칙을 적용함으로써 두 가지 방식으로 진행된다.

Bratislava Ulicny와 Pablo de Heras Ciechomski와 함께 작업한 Thalmann은 Musse와의 연구에서 제안된 발견을 상호 연관시키고 구축함으로써 개인, 에이전트 그룹 및 군중 전체의 수준에서 에이전트의 대화형 저작을 허용하는 새로운 모델을 제안했다.브러시 메타포는 즉각적인 ^[19]피드백과 함께 실시간으로 군중 구성원을 배포, 모델링 및 제어하기 위해 도입되었습니다.

군중 역학

군중 시뮬레이션의 주요 목표 중 하나는 군중을 현실적으로 조종하고 인간의 역동적인 행동을 재현하는 것이다.

군중 시뮬레이션과 AI에는 여러 가지 중요한 접근 방식이 있으며, 각각 군중 규모와 시간 척도에 따라 장점과 단점을 제공한다.시간 척도는 시뮬레이션의 목적이 시뮬레이션의 길이에 영향을 미치는 방식을 말합니다.예를 들어, 이데올로기가 인구 사이에 어떻게 퍼져 있는지와 같은 사회적 문제를 연구하면 그러한 사건은 몇 달 또는 몇 년까지 지속될 수 있기 때문에 시뮬레이션이 훨씬 더 오래 실행될 것입니다.이러한 두 가지 특성을 사용하여 연구자들은 기존의 군중 시뮬레이터를 ^[20]더 잘 평가하고 구성하기 위해 분류를 적용하려고 시도했다.

플로우 베이스 어프로치: 흐름 기반 군중 시뮬레이션은 구성 요소보다는 군중 전체에 초점을 맞춘다.이러한 개인은 주변으로부터의 입력에 의해 발생하는 뚜렷한 행동을 하지 않기 때문에 행동 요인이 크게 ^[21]감소한다.이 모델은 주로 주어진 환경에서 크고 밀집된 군중의 이동 흐름을 추정하는 데 사용된다.많은 인파, 단시간 목표를 연구하는 데 가장 적합합니다.

엔티티 베이스 어프로치: 군중의 일부인 개인에게 발생하는 사회적/심리적 요인을 시뮬레이션하기 위한 일련의 물리적, 사전 정의된 및 글로벌 법칙을 구현하는 모델은 이 범주에 속합니다.이 경우 기업은 어떤 의미에서는 스스로 생각할 능력이 없다.모든 운동은 그들에게 시행되는 국제법에 의해 결정된다.이 모델을 사용하는 시뮬레이션은 종종 방해나 군중 이동과 같은 군중 역학을 연구하기 위해 그렇게 한다.단기 목표를 가진 소규모에서 중간 규모의 군중이 이 접근법에 가장 적합합니다.

에이전트 기반 접근법: 자율적이고 상호작용하는 개인이 특징입니다.이 접근방식의 각 에이전트는 어느 정도의 인텔리전스를 부여받습니다.이러한 에이전트는 일련의 의사결정 규칙에 따라 각 상황에 스스로 대응할 수 있습니다.액션을 결정하는 데 사용되는 정보는 에이전트 환경에서 로컬로 가져옵니다.대부분의 경우, 이 접근법은 연구자에게 모든 행동을 구현할 수 있는 완전한 자유가 주어지기 때문에 현실적인 군중 행동을 시뮬레이션하는 데 사용된다.

입자계

가상 군중을 시뮬레이션하는 한 가지 방법은 입자 시스템을 사용하는 것입니다.입자 시스템은 1983년 ^[22]W. T. 리브스에 의해 컴퓨터 그래픽에 처음 도입되었다.입자 시스템은 다수의 개별 요소 또는 입자의 집합체입니다.각 입자는 자율적으로 동작할 수 있으며 일련의 물리적 속성(색, 크기, 속도 등)이 할당됩니다.

입자 시스템은 시간이 지남에 따라 입자의 움직임이 변화한다는 점에서 역동적이다.파티클 시스템의 움직임은 파티클 시스템을 매우 바람직하고 구현하기 쉽게 만듭니다.이러한 입자의 움직임을 계산하는 데는 시간이 거의 걸리지 않습니다.그것은 단순히 물리학을 포함한다: 입자에 작용하는 모든 힘의 합이 입자의 운동을 결정한다.중력, 마찰력, 충돌력 등의 힘과 사회적 힘은 목표의 매력력을 좋아한다.

일반적으로 각 입자는 속도 벡터와 위치 벡터를 가지며, 각각 입자의 현재 속도와 위치에 대한 정보를 포함합니다.다음 입자는 위치 벡터에 속도 벡터를 더하여 계산됩니다.매우 간단한 조작(입자 시스템이 바람직한 이유).그것의 속도 벡터는 입자에 작용하는 힘에 따라 시간이 지남에 따라 변한다.예를 들어, 다른 입자와 충돌하면 입자가 방향을 바꾸게 됩니다.

입자 시스템은 2000년 영화 '퍼펙트 스톰'에서는 폭발과 같은 효과로, 그리고 1994년 영화 '마스크'에서는 수분으로 널리 사용되어 왔다.

그러나 입자 시스템에는 몇 가지 단점이 있습니다.파티클 시스템을 사용하여 디렉터가 명령어로 이동하는 에이전트를 시뮬레이트하는 것은 좋지 않을 수 있습니다.어떤 파티클이 에이전트에 속하고 어떤 파티클이 그다지 어렵지 않은지 판단하기 때문입니다.

Patil과 Van Den Berg의 알고리즘

이 알고리즘은 비교적 단순한 군중용으로 설계되었으며, 군중 내의 각 에이전트는 ^[23]장애물을 피하면서 자신의 목표 목적지에 도달하기를 원합니다.이 알고리즘은 타임스퀘어의 군중을 시뮬레이션하기 위해 사용될 수 있다.

패틸스 알고리즘의 가장 중요하고 독특한 특징은 에이전트를 지시하기 위해 네비게이션 필드 개념을 활용한다는 것이다.이는 가이던스필드와는 다릅니다. 가이던스필드는 에이전트가 정보를 "확인"/검출할 수 있는 에이전트 주변의 영역입니다.유도 필드는 일반적으로 장애물, 특히 동적 장애물(이동 장애물)을 피하는 데 사용됩니다.에이전트마다 독자적인 가이던스 필드가 있습니다.한편 네비게이션 필드는 각 에이전트가 자신의 목표 위치에 도달하도록 각 에이전트의 최소 비용 경로를 계산하는 벡터 필드입니다.

네비게이션 필드는 환경 내의 모든 자유(장애물이 없는) 위치에서 목표 위치 중 하나로 경로가 존재하는 경우에만 올바르게 사용할 수 있습니다.네비게이션 필드는 환경 내 정적 객체의 좌표, 각 에이전트의 목표 위치 및 각 에이전트의 지침 필드를 사용하여 계산됩니다.모든 에이전트가 자신의 목표에 도달하도록 하기 위해 네비게이션필드에 로컬 최소값이 없어야 합니다.단, 지정된 목표에 싱크대가 있는 경우는 제외합니다.

네비게이션 필드의 계산 실행 시간은 $O(m*n*log(mn))$ ( m $O(m*n*log(mn))$ n $O(m*n*log(mn))$ $O(m*n*log(mn))$ g ( $O(m*n*log(mn))$ n $){$ $display style$ O ( $m$ * $n$ * $log$ ( $mn )$ } $O(m*n*log(mn))$ 。여기서 m × n은 그리드 치수(Dijkstra 알고리즘과 유사)입니다.따라서 알고리즘은 그리드 분해능에만 의존하며 환경 내 에이전트 수에 의존하지 않습니다.단, 이 알고리즘은 메모리 비용이 높습니다.

개별 행동 모델링

AI 기반 군중 시뮬레이션의 한 가지 기법은 개별 에이전트 동기와 의사결정의 고급 시뮬레이션을 통해 군중 행동을 모델링하는 것이다.일반적으로 이것은 각 에이전트에게 스트레스, 성격 또는 다른 목표와 같은 다양한 특성 또는 상태를 측정하는 변수 세트가 할당됨을 의미합니다.이것은 단순한 기법보다 계산적으로 더 집약적일 수 있지만 더 현실적인 군중 행동을 야기한다.

퍼스낼리티 기반 모델

크라우드 에이전트의 개인주의적인 행동을 만드는 한 가지 방법은 성격 ^[24]특성을 사용하는 것입니다.각 에이전트는 공격성이나 충동성 등의 측면을 에이전트의 동작을 좌우하는 변수와 연관짓는 공식에 따라 성격의 특정 측면을 조정할 수 있습니다.이 연관성을 찾을 수 있는 한 가지 방법은 주관적인 연구를 통해 에이전트에게 이러한 변수에 대한 값을 무작위로 할당하고 참가자들에게 각 에이전트를 이러한 성격 특성으로 설명하도록 요청하는 것입니다.그런 다음 이러한 특성과 에이전트 변수 간의 상관 관계를 결정하기 위해 회귀 분석을 수행할 수 있습니다.그런 다음 성격 특성을 조정하여 에이전트의 동작에 적절한 영향을 줄 수 있습니다.

OCEAN 성격 모델은 성격 특성과 군중 시뮬레이션 매개변수 사이의 매핑을 정의하기 위해 사용되어 왔다.개인 특성에 맞게 군중 매개 변수 조정을 자동화하면 이기종 ^[25]군중과의 시나리오를 쉽게 작성할 수 있습니다.

스트레스 기반 모델

스트레스를 많이 받는 상황에서 군중의 행동은 일반 적응 증후군 이론을 사용하여 모델링할 수 있습니다.l^[26] 에이전트 행동은 4가지 프로토타입으로 분류된 환경의 다양한 스트레스 요인에 의해 영향을 받습니다.시간 압력, 영역 압력, 위치 스트레스 요인 및 대인 스트레스 요인은 각각 관련된 수학적 모델을 가집니다.

시간 압박은 특정 목표에 도달하는 시간 제한과 관련된 스트레스 요인을 말합니다.예를 들어, 시간 표시 보행 신호가 있는 도로 건널목이나 문이 닫히기 전에 열차에 탑승하는 것 등이 있습니다.이 프로토타입은 다음 공식에 따라 모델링됩니다.

$({displaystyle I_{t}=max(t_{e}-t_{a},0)}$

${\textstyle I_{t}}$ 서 I ${\textstyle I_{t}}$ { $textstyle$ I _ { $t$ } where ${\textstyle I_{t}}$ ${\textstyle t_{e}}$ 、 ${\textstyle t_{e}}$ 까지의 예상시간({ $textstyle t_{$ e ${\textstyle t_{e}}$ })과 $t_{a}$ ({ $display$ style $t_{a$ 의 함수로서 시간압력의 강도를 나타냅니다.

면적 압력은 환경 조건의 결과로 인한 스트레스 요인을 말합니다.예를 들면, 지역의 노이즈나 열이 있습니다.이 스트레스 인자의 강도는 특정 영역에 걸쳐 일정하며 다음 공식에 따라 모델링됩니다.

$\displaystyle I_{a}=c&{\text{if}}p_{a}\in A\0&{\text{if}}p_{a}\not A\end{case}$

${\textstyle I_{a}}$ 서 I $(\$ I_ ${a$ })는 ${\textstyle I_{a}}$ 영역 압력의 강도, $(\$ 는 ${\textstyle p_{a}}$ $영역$ A의 $에이전트 위치$ , $c$ $(\$ $displaystyle$ c $)$ 는 $c$ 상수입니다.

위치 스트레스 요인은 국소 스트레스원과 관련된 스트레스 요인을 말합니다.이 스트레스 인자의 강도는 인자가 스트레스의 근원에 접근함에 따라 증가합니다.화재나 공격자와 같은 동적인 물체가 그 예입니다.다음 공식으로 모델링할 수 있습니다.

$I_{p}=\lVert p_{a}-p_{s}\rVert$

$I_{p}$ 서 I p $(\$ 는 $I_p$ 위치 스트레스 인자의 강도, $(\$ 는 $p_a$ 에이전트 위치 $,$ $p_{s}$ (\ $displaystyle p_{$ s $p_{s}$ })는 스트레스 인자의 위치입니다.또는 (화재 등) 넓은 영역에 걸쳐 높은 응력을 발생시키는 스트레스 요인을 표준편차 ${\$ { $displaystyle \sigma$ $\sigma$ 의 가우스 분포를 사용하여 모델링할 수 있습니다.

$({displaystyle I_{p}=mathcal {N}}(p_{a}-p_{s},\sigma)})$

대인관계 스트레스 요인은 주변 요원들이 몰려드는 결과로 인한 스트레스 요인이다.다음 공식으로 모델링할 수 있습니다.

$({displaystyle I_{i}=max(n_{c}-n_{p},0)}$

$I_{i}$ 서 I $(\$ i $I_{i}$ })는 대인 스트레스 인자의 강도 $,$ $nc$ (\ $displaystyle n_{$ c $n_{c}$ })는 유닛 공간 내의 현재 네이버 $n_{p}$ , $n_{p}$ (\ $displaystyle n_{$ p $n_{p}$ })는 특정 에이전트의 유닛 공간 내의 우선 네이버 수입니다.

인지된 스트레스는 스티븐의 법칙을 따르며 다음 공식으로 모델링됩니다.

$\displaystyle \psi(I)=kI^{n}$

$\psi (I)$ 서 $I)$ { $displaystyle$ $\psi(I$ $I$ 는 $\psi (I)$ 스트레스 $I$ 에 대한 인식된 $k$ 이고 k $(k$ )는 $k$ 스케일 $n$ 이며 n ${displaystyle$ n $}$ 은 $n$ 스트레스 팩터 유형에 따른 지수입니다.

에이전트의 스트레스 응답은 다음 공식으로 확인할 수 있습니다.

$({displaystyle {dS \over dt}=cases}\alpha &{\text{if}}\psi >S\(-\alpha \psi \over dt}\leq \alpha )&{\text{if}}}\psi =S\alpha & {\text{\text}}}\psi\psi {cases})$

$S$ 서 S $(\displaystyle$ S $)$ 는 $S$ $β(\displaystyle$ \beta $)$ 의 $\alpha$ 스트레스 응답이고 $\alpha$ α(\ $displaystyle \alpha)$ 는 $\alpha$ 에이전트의 스트레스 응답이 변경될 수 있는 최대 속도입니다.

주목할 만한 군중 AI 시뮬레이션의 예는 뉴 라인 시네마의 반지의 제왕 영화에서 볼 수 있는데, 이 영화에서는 수천 명의 캐릭터로 구성된 AI 군대들이 서로 전투를 벌인다.이 군중 시뮬레이션은 Weta Digital의 Massive 소프트웨어를 사용하여 수행되었습니다.

사회학

군중 시뮬레이션은 종종 공공 안전 계획에서 집단 역학 및 군중 심리에 기초한 시뮬레이션을 참조할 수도 있다.이 경우, 초점은 단지 군중의 행동일 뿐 시뮬레이션의 시각적 사실성이 아닙니다.군중은 19세기 말부터 과학적인 관심사로 연구되어 왔다.많은 연구가 사교 모임, 집회, 시위, 반란, 콘서트, 스포츠 행사, 종교 의식에서 사람들의 집단적인 사회적 행동에 초점을 맞추고 있다.다양한 종류의 스트레스 상황에서 자연스러운 인간의 행동에 대한 통찰력을 얻는 것은 군중 통제 전략을 개발하는 데 사용될 수 있는 더 나은 모델을 만들 수 있게 해줄 것이다.

경찰, 주방위군, 군 그리고 자원봉사자들과 같은 비상 대응팀은 군중 통제 훈련을 받아야 한다.군중 속에서 연구된 인간 행동 원리를 사용하면 재해 훈련 설계자가 현실적인 모의 재난을 만들기 위해 통합할 수 있는 더 많은 요소를 제공할 수 있습니다.군중들의 행동은 공황상태와 패닉상태에서 관찰될 수 있다.9/11이나 허리케인 카트리나처럼 자연스럽고 부자연스러운 사건들이 사회적 이상을 뒤틀린 혼란스러운 결박으로 몰아넣을 때, 인류의 사회적 능력은 진정으로 시험대에 오른다.군사 프로그램은 학습이 실제 세계로 ^{[citation needed]}얼마나 효과적으로 전달될 수 있는지 뿐만 아니라 비용 효율적인 기술 때문에 비상 대응을 포함한 모의 훈련에 더 관심을 기울이고 있다.제어된 상태로 시작될 수 있는 많은 이벤트에는 심각한 상황으로 변질되는 왜곡된 이벤트가 발생할 수 있으며, 이 경우 즉석에서 결정을 내려야 합니다.군중들의 역동적인 이해는 무정부 상태의 가능성을 줄이는데 중요한 역할을 할 수 있는 이러한 상황들이다.

군중 모델링 기법은 전체론적 접근법 또는 네트워크 접근법에서 각 에이전트의 개인주의적 또는 행동적 측면을 이해하는 방법까지 다양합니다.예를 들어, 사회력 모델은 개인이 사회적 상호작용과 물리적 상호작용 사이에서 균형을 찾을 필요성을 설명한다.두 가지 측면을 모두 통합하고 상황에 따라 적응할 수 있는 접근방식은 인간의 자연스러운 행동을 더 잘 묘사할 수 있으며, 항상 예측 불가능한 척도를 포함할 수 있다.멀티에이전트 모델을 사용함으로써 이러한 복잡한 동작을 이해하는 것이 훨씬 더 이해하기 쉬운 작업이 되었습니다.이러한 유형의 소프트웨어를 사용하면 극한 조건에서 시스템을 테스트할 수 있으며, 몇 초 만에 오랜 시간 동안 상태를 시뮬레이션할 수 있습니다.

어떤 상황에서는, 인간이 아닌 동물 무리들의 행동은 군중 행동의 실험 모델로 사용될 수 있다.출구가 제한된 좁은 공간에서 개미가 기피성 화학물질에 노출되었을 때 나타나는 패닉 행동은 동등한 인간의 ^[27]^[28]행동과 유사성과 차이점을 모두 가지고 있는 것으로 밝혀졌다.

개별 행동 모델링

Hakohen, Shoval 및 Shvalb는 혼잡한 충돌 지점의 운전자-보행자 역학을 공식화했다.이러한 시나리오에서 운전자 및/또는 보행자는 교통 법규를 준수하지 않습니다.이 모델은 원래 로봇 운동 계획을 위해 개발된 확률론적 탐색 기능(PNF)에 기초한다.알고리즘은 전체 교차 영역의 각 지점에서 충돌 확률에 따라 궤적을 구성합니다.그런 다음 보행자는 국소적으로 인식된 충돌 확률을 최소화하는 궤적을 따라갑니다.

헬빙은 패닉 상황에서 인간의 군중 행동을 묘사하기 위해 입자 시스템과 사회심리적인 힘을 이용한 물리학에 기초한 모델을 제안했는데, 이것은 현재 헬빙 모델이라고 불린다.그의 작업은 특정 상황에서 보통 사람들이 어떻게 반응할지에 기초하고 있다.비록 이것이 좋은 모델이지만, 군중 속에는 항상 다른 유형의 사람들이 있고, 그들은 그룹 구조에서 그들이 어떻게 행동하는지뿐만 아니라 그들 각자의 특성을 가지고 있다.예를 들어, 어떤 사람은 패닉 상황에 반응하지 않을 수도 있고, 다른 사람은 걸음을 멈추고 군중 역학 전반에 간섭할 수도 있다.또, 그룹 구조에 따라서는, 예를 들면 에이전트가 그룹의 일부이기 때문에, 그 그룹의 멤버를 구조하기 위해서 위험한 장소에 복귀하기 때문에, 개개의 동작이 변경되는 일이 있습니다.헬빙의 모델은 브라운, 무세, 올리베이라,^[30] 보드만이 제안한 것처럼 개인주의를 통합하면서 일반화 될 수 있다.

이 문제를 해결하려면 각 에이전트에 개성을 할당하여 다양한 유형의 동작을 처리할 수 있도록 해야 합니다.이 문제를 해결하기 위한 또 다른 측면은 사람들을 집단화할 수 있는 가능성이다. 이러한 그룹을 형성하면 사람들은 집단 구조의 일부로서 그들의 행동을 변화시킨다.각 에이전트(개별)는 다음 파라미터에 따라 정의할 수 있습니다.

[Id] : 에이전트 ID
Id Family : 패밀리의 ID.패밀리는 서로 아는 에이전트에 의해 형성되는 미리 정의된 그룹입니다.
DE – 도움의 필요성을 모방한 에이전트의 의존도 수준.값 [0,1]
AL – 다른 에이전트를 돕는 경향을 나타내는 이타주의 수준.값 [0,1]
v_i – 에이전트 속도

개별 에이전트를 사용하여 의존성 매개 변수의 효과를 모형화하기 위해 방정식은 다음과 같이 정의됩니다.

v_{i}=(1-DE)v_{max

에이전트의 속도를 평가할 때 의존 계수 DE의 값이 1일 경우 그 사람은 완전히 비활성화되어 움직일 수 없게 됩니다.의존도가 0일 경우 최대 속도로 달릴 수 있습니다.

그룹 형성은 같은 패밀리의 일부인 두 개 이상의 에이전트 간의 상호작용 힘으로 실행되는 이타주의 힘과 관련이 있습니다.수학적으로는 다음과 같이 설명됩니다.

F{\overline {a}_{i}=K\sum \left(AL_{i})DE_{j}\times \left d_{ij}-d_{ip}\right \times e_{ij}\right

여기서:

d

는_ij 에이전트의 위치에 원점을 둔 두 에이전트 간의 거리를 나타냅니다.

d

는_ip 에이전트로부터 시뮬레이션 환경의 도어

위치

p까지의 거리 벡터 지점이다.

K

는 상수이다.

e

는_ij 원점이 위치 i에 있는 유니터리 벡터입니다.

따라서 $에이전트$ i의 $파라미터 i$ AL이 클수록 $에이전트$ j를 가리키고 DE가 $높은 j$ $Fa$ 가_i 커진다.두 에이전트가 서로 충분히 근접한 경우 DE가 $높은$ 에이전트(이 예에서는 $에이전트$ j)는 $에이전트$ i( $DE_{j}=DE_{i}$ E $DE_{j}=DE_{i}$ $=$ $DE_{j}=DE_{i}$ $DE_{j}=DE_{i}$ i $\$ }=)의 값을 사용합니다. $DE_{i}}}$ 입니다. $즉$ , 에이전트i의 대피 기능이 $에이전트j$ 와 공유되어 양쪽이 함께 이동하기 시작합니다.

정규 분포 모집단을 사용한 모형 테스트에서 이러한 방정식을 적용함으로써 결과는 헬빙 모델과 상당히 유사합니다.

이것이 도움이 되는 장소는 대피 시나리오가 될 것입니다.예를 들어, 화재가 발생했을 때 건물에서 대피하는 것을 들 수 있습니다.개별 에이전트의 특성과 그들의 그룹 성과를 고려하여, 관중이 건물을 나가는 방법의 결과를 결정하는 것은 ^[30]건물의 레이아웃을 만드는 데 매우 중요하다.

대피 시뮬레이션 중 리더의 행동

앞에서 설명한 바와 같이 헬빙 모델은 군중의 행동을 위한 기본으로 사용됩니다.이와 같은 유형의 행동 모델이 대피 시뮬레이션에 사용됩니다.

일반적으로 가장 먼저 가정해야 할 것은 모든 사람이 환경이나 위험이 있는 곳과 없는 곳에 대한 지식을 가지고 있는 것은 아니라는 것입니다.이 가정으로부터 3종류의 에이전트를 작성할 수 있습니다.첫 번째 유형은 훈련을 받은 리더로, 이 에이전트는 환경에 대해 잘 알고 있으며 다른 에이전트에게 지식을 전파하여 환경을 종료하는 방법을 알 수 있습니다.다음 유형의 에이전트는 훈련되지 않은 리더입니다. 이 에이전트는 환경에 대해 알지 못합니다. 그러나 에이전트가 환경을 탐색하고 다른 유형의 리더로부터 정보를 얻으므로 에이전트는 환경에 대한 지식을 전파할 수 있습니다.마지막 유형의 에이전트는 팔로어입니다.이 유형의 에이전트는 다른 리더의 정보만 얻을 수 있으며 다른 에이전트와 정보를 공유할 수 없습니다.

이러한 유형의 에이전트 구현은 매우 간단합니다.환경 리더는 환경 맵을 속성 중 하나로 저장합니다.훈련을 받지 않은 리더와 팔로워는 빈 맵을 속성으로 사용하여 시작합니다.훈련을 받지 않은 리더와 추종자들은 스스로 환경을 탐색하기 시작하고 걷거나 말하지 않는 장소의 지도를 만들 것이다.리더 및 훈련받지 않은 리더(지식을 습득한 후)는 근접성에 따라 다른 에이전트와 정보를 공유합니다.이들은 그리드 상의 어떤 지점이 차단되었는지, 지역 하위 그래프 및 해당 지역의 위험에 대한 정보를 공유합니다.

이 실장에서는, 2 종류의 검색 알고리즘이 시험되고 있습니다.무작위 검색과 깊이 우선 검색이 있었다.랜덤 검색은 각 에이전트가 환경을 통해 임의의 방향으로 이동하여 나가는 경로를 찾는 것입니다.깊이 우선 검색은 에이전트가 한 경로를 가능한 한 끝까지 따라 이동한 후 통과 경로에 출구가 없는 경우 돌아가서 다른 경로를 시도합니다.깊이 우선 검색이 무작위 ^[31]검색보다 최대 15배 빠른 속도를 제공한다는 것이 밝혀졌습니다.

확장 가능한 시뮬레이션

군중 ^[32]시뮬레이션에는 다양한 상황들이 있습니다.최근 군중 시뮬레이션은 교육, 교육 및 엔터테인먼트와 같은 많은 가상 환경 애플리케이션에 필수적입니다.많은 상황은 시뮬레이션 환경 또는 로컬 에이전트 그룹의 동작을 기반으로 합니다.가상현실 애플리케이션에서는 모든 에이전트가 환경 내의 다른 많은 에이전트와 상호 작용하여 복잡한 실시간 상호 작용을 요구합니다.에이전트 동작은 복잡한 상호 작용을 허용하므로 에이전트는 환경을 지속적으로 변경해야 합니다.확장성이 뛰어난 아키텍처는 동작과 인터랙티브 레이트를 통해 대규모 군중을 관리할 수 있습니다.이러한 상황은 여러 가지 다른 상황이 적용되는 동안 여러 복잡한 시나리오에서 군중이 어떻게 행동할 것인지를 나타낼 것이다.상황은 전형적인 로컬 동작을 가진 모든 상황입니다.우리는 모든 상황을 두 가지 다른 종류로 분류할 수 있다.

공간 상황은 환경이 로컬 에이전트에 영향을 미치는 지역을 가진 상황입니다.예를 들어, 매표소에서 줄을 서서 기다리는 사람들은 공간적인 상황을 보여줄 것이다.다른 예로는 버스 정류장이나 캐릭터가 환경에 따라 행동하는 ATM 등이 있습니다.따라서 에이전트의 동작이 버스에 승하차할 경우 '버스정류장'을 상황으로 간주합니다.

비공간적 상황은 군중들의 행동만을 수반하기 때문에 환경에 영역이 없습니다.로컬 에이전트의 관계는 동작을 결정할 때 고려해야 할 중요한 요소입니다.예를 들어, 함께 걷는 친구 그룹이 있을 것이다.친구 사이인 캐릭터들의 전형적인 행동은 모두 함께 움직인다.이것은 '우정'이 함께 걷는 전형적인 행동 중 하나일 것이라는 것을 의미한다.

모든 상황의 구조는 동작 기능, 센서, 상태 및 이벤트 규칙의 4가지 구성 요소로 구성됩니다.행동 함수는 캐릭터의 행동이 상황에 고유한 것을 나타냅니다.센서는 에이전트가 이벤트를 보고 응답할 수 있는 감지 기능입니다.상태는 로컬 동작에만 사용되는 다양한 동작 및 상태 전환입니다.이벤트 규칙은 다양한 이벤트를 특정 동작에 연결하는 방법입니다.캐릭터가 상황에 놓이는 동안 이 네 가지 컴포넌트가 동시에 고려됩니다.공간적 상황의 경우 개인이 캐릭터에 영향을 미치는 환경에 처음 진입할 때 구성요소가 추가됩니다.공백이 아닌 상황에서는 사용자가 해당 상황을 캐릭터에 할당한 경우에만 캐릭터에 영향을 줍니다.에이전트가 상황 영역에서 제거되거나 상황 자체가 제거되면 4개의 컴포넌트가 제거됩니다.상황의 동적 추가 및 삭제를 통해 확장 가능한 에이전트를 실현할 수 있습니다.

인간다운 행동과 군중 AI

런던 코벤트 가든 광장의 군중 시뮬레이션에서 거리 공연자에게 반응하는 보행 요원의 군중을 보여줍니다.

군중 속에서 인간 활동의 더 많은 측면을 시뮬레이션하려면 경로와 모션 계획보다 더 많은 것이 필요합니다.복잡한 사회적 상호작용, 스마트 객체 조작 및 하이브리드 모델은 이 영역의 과제입니다.시뮬레이션된 군중 행동은 실제 군중들의 흐름에서 영감을 얻습니다.동작 패턴, 이동 속도와 밀도, 이상 징후는 다양한 환경과 건물 유형에 걸쳐 분석됩니다.알고리즘이 도출되고 군중 시뮬레이션에 구현될 수 있도록 개인을 추적하고 그들의 움직임을 기록한다.

군중 내의 개별 실체를 에이전트라고도 합니다.군중들이 현실적으로 동작하기 위해서는 각 에이전트가 자율적으로 동작해야 합니다(다른 에이전트와 독립적으로 동작할 수 있어야 합니다).이 아이디어를 에이전트 기반 모델이라고 합니다.게다가 통상, 에이전트는 어느 정도의 지능을 가지고 행동하는 것이 바람직하다(즉, 에이전트는 자신을 해치는 행동을 해서는 안 된다).에이전트가 인텔리전트하고 현실적인 결정을 내리려면 주변 환경에 따라 행동하고 환경에 대한 변경에 대응하며 다른 에이전트에 대응해야 합니다.

규칙 기반 AI

매슬로우의 니즈 계층

규칙 기반 AI에서는 가상 에이전트는 "이러한 경우 해당 작업을 수행하십시오."라는 스크립트를 따릅니다.이는 주인공이나 여러 배경 캐릭터 등 서로 다른 역할을 가진 에이전트가 필요한 경우에 적합한 접근법입니다.이러한 유형의 AI는 보통 매슬로우의 요구 계층과 같은 계층으로 구현됩니다. 계층에 요구가 낮을수록 더 강력해집니다.

예를 들어, 폭발을 만나 도망친 학생이 수업에 걸어간다고 가정해 보자.이것의 이면에 있는 이론은 처음에 그의 욕구의 처음 4가지 레벨이 충족되고, 학생은 그의 자아실현 욕구에 따라 행동한다.폭발이 일어나면 그의 안전이 위협받게 되는데, 이는 훨씬 더 강력한 요구이며, 그로 하여금 그 요구에 따라 행동하게 된다.

이 접근법은 확장 가능하며 다수의 에이전트가 있는 군중에게 적용할 수 있습니다.그러나 규칙 기반 AI에는 몇 가지 단점이 있습니다.특히 에이전트의 동작이 매우 예측 가능하게 되어 군중들이 비현실적으로 행동할 수 있습니다.

학습 AI

인공지능을 배우면서 가상 캐릭터들은 목표를 달성하도록 돕기 위해 테스트된 방식으로 행동한다.에이전트는 자신의 환경 또는 실제 환경과 유사한 샘플 환경을 실험합니다.

에이전트는 다양한 액션을 수행하고 실수를 통해 학습합니다.각 에이전트는 환경으로부터 받는 보상과 처벌에 따라 동작을 변경합니다.시간이 지남에 따라 각 에이전트는 높은 보상을 받을 가능성이 높은 행동을 하게 됩니다.

이 접근방식을 사용하면 다수의 가능한 동작과 복잡한 환경 에이전트가 현실적이고 예측 불가능한 방식으로 행동하게 됩니다.

알고리즘

군중 시뮬레이션에 적용할 수 있는 다양한 기계 학습 알고리즘이 있다.

Q-Learning은 강화 학습으로 알려진 기계 학습의 하위 영역에 상주하는 알고리즘입니다.알고리즘의 기본적인 개요는 각 액션에 Q 값이 할당되어 있으며 각 에이전트에는 항상 가장 높은Q 값을 사용하여 액션을 수행하도록 지시하는 것입니다.이 경우 학습은 전적으로 보상을 기반으로 하는 Q 값이 할당되는 방식에 적용됩니다.에이전트가 상태, s 및 액션 a와 접촉하면 알고리즘은 에이전트가 해당 상태 액션쌍을 실행했을 때 받는 총 보상값을 추정합니다.이 데이터를 계산한 후 에이전트의 지식으로 저장되고 에이전트는 여기서부터 작업을 계속합니다.

에이전트는 사용 가능한 최적의Q 값에 따라 동작을 계속 변경합니다.그리고 점점 더 많은 환경을 탐색함에 따라 결국 거의 모든 상황에서 수행하기에 가장 적합한 상태 작업 쌍을 학습하게 됩니다.

다음 함수는 알고리즘의 대부분을 정리한 것입니다.

Q(s, a) ←- r + maxaQ(s', a')

상태 s와 작용 a, r, s가 주어지면 수행 후의 보상과 상태이며, a'는 모든 ^[33]작용에 걸친 범위이다.

군중 렌더링 및 애니메이션

특히 실시간으로 많은 에이전트를 렌더링하고 애니메이션화하는 것은 어려운 일입니다.대규모 군중들의 3D 렌더링의 복잡성을 줄이기 위해 도태(중요하지 않은 객체 폐기), 위조(이미지 기반 렌더링), 세부 수준 감소 등의 기술이 사용되었습니다.^[34]외모, 체형 및 크기, 액세서리 및 행동(사회적 또는 문화적)의 변화는 실제 군중 속에 존재하며, 다양성의 부족은 시각적 시뮬레이션의 사실성에 영향을 미친다.기존 시스템에서는 다양한 텍스처,^[7] 색상,^[35] 크기, 모양 및 ^[6]애니메이션을 사용하여 가상 군중을 생성할 수 있습니다.

실제 응용 프로그램

버추얼 시네마토그래피

군중 시뮬레이션은 배우를 고용하고 그렇지 않으면 비현실적일 수 있는 장면을 캡처하는 것으로부터 비용 효율적이고 현실적인 대안으로 영화 전반에 걸쳐 널리 사용되어 왔습니다.이것의 사용의 중요한 예는 반지의 제왕 (영화 시리즈)에 있다.소설의 작가인 J. R. R. 톨킨이 그들이 적어도 5만 명의 참가자를 가지고 있을 것으로 예상했기 때문에, 초기 단계에서 제작진에게 가장 큰 문제 중 하나는 대규모 전투였다.실제 배우만 고용하기로 했다면 이런 수치는 비현실적이었다.대신 CG를 사용하여 가상 환경에서 다중 에이전트 시뮬레이션 시스템(일명 MASSIVE)을 사용하여 이러한 장면을 시뮬레이션하기로 결정했습니다.군중 시뮬레이션을 위한 Human Logic Engine 기반의 Maya 플러그인인 Miarmy가 이러한 시퀀스의 개발에 사용되었습니다.이 소프트웨어를 통해 영화 제작자는 각 캐릭터 모델에게 에이전트 A를 제공할 수 있었습니다.I. 350개의 애니메이션 라이브러리를 활용할 수 있습니다.시뮬레이션에서 생성된 시각, 청각 및 터치 파라미터에 따라 담당자는 각 상황에 고유하게 반응합니다.따라서 그 장면의 각 시뮬레이션은 예측할 수 없었다.최종 제품은 군중 시뮬레이션 소프트웨어 사용의 장점을 명확히 보여주었다.^[36]

도시 계획.

군중 시뮬레이션 소프트웨어의 개발은 도시 환경을 설계하는 데 있어 현대적이고 유용한 도구가 되었다.전통적인 도시계획 방법은 지도와 추상 스케치에 의존하는 반면, 디지털 시뮬레이션은 설계 형태와 의도를 건축가로부터 보행자에게 전달할 수 있다.예를 들어, 도로 표지판과 신호등은 보행자들이 이에 따라 움직이고 행동하도록 영향을 미치는 국지적인 시각적 신호이다.이 논리에 따라 사람은 A지점에서 B지점으로 효율적으로 이동할 수 있고 그 결과 집단 집단이 더 효과적으로 작동할 수 있다.넓은 의미에서, 버스 시스템과 도로변 레스토랑은 인간의 이동 ^[37]패턴을 이해함으로써 그 위치에 공간적인 목적을 제공한다.SimCity 비디오 게임 시리즈는 보다 단순한 방식으로 이 개념을 예시합니다.이 시리즈에서 플레이어는 건전한 예산을 유지하면서 지정된 구역에 도시 개발을 배정합니다.빈 땅에서 번화한 도시로 가는 과정은 플레이어의 선택에 의해 완전히 통제되며 디지털 시민들은 도시의 디자인과 행사에 따라 행동합니다.

피난 및 폭동 대처

모의 현실 군중은 폭동 처리, 건축, 안전 과학(대피 계획) 훈련에 사용될 수 있다.

군사의

군중 시뮬레이션이 혼란스러운 상황에 관한 공공 계획과 일반 질서에 매우 널리 사용되기 때문에, 많은 응용 프로그램을 정부 및 군사 시뮬레이션에 적용할 수 있다.군중 모형은 군인과 장교가 대규모 집회에 대처할 수 있도록 훈련하기 위해 경찰과 군 시뮬레이션에서 필수적이다.공격적인 전투원들은 이 사람들이 다루기가 어렵다는 것이 입증될 뿐만 아니라, 전투원이 아닌 군중들은 이러한 공격적인 상황을 더욱 통제 불능으로 만드는 데 중요한 역할을 한다.게임 기술은 군인과 기술자들이 기술을 ^[38]연습할 수 있도록 이러한 상황을 시뮬레이션하기 위해 사용됩니다.

사회학

모델링된 군중의 행동은 분석적인 문제에서 중요한 역할을 한다.이러한 역학은 모델 자체의 시각적 현실보다는 군중 내 개별 에이전트의 물리적 행동에 의존합니다.이러한 구성 내에서 사람들의 사회적 행동은 수년간 관심사였고, 이러한 상호작용을 뒷받침하는 사회학적 개념은 끊임없이 연구되었다.다양한 상황에 있는 군중들의 시뮬레이션은 다양한 배치와 장소에서의 실제 모임의 사회학적 연구를 가능하게 한다.스트레스 수준에서 다양한 상황에서 인간 행동의 변화는 일반화하기보다는 상황에 더 구체적으로 적용될 수 있는 군중 통제 전략의 개발과 생성을 가능하게 한다.

「」를 참조해 주세요.