A Data-driven Crowd Simulation Framework Integrating Physics-informed Machine Learning with Navigation Potential Fields

要約

従来のルールベースの物理モデルは、単一の物理式とパラメータに依存するため限界があり、群衆シミュレーションに関連する複雑なタスクに効果的に取り組むことが困難になっていました。
最近の研究では、これらの問題に取り組むために深層学習手法が導入されていますが、現在のアプローチのほとんどは主に歩行者の軌跡を生成することに焦点を当てており、多くの場合解釈可能性が欠けており、リアルタイムの動的シミュレーションを提供できません。前述の問題に対処するために、私たちは新しいデータ駆動型群集を提案します。
Physics-informed Machine Learning (PIML) とナビゲーション ポテンシャル フィールドを統合するシミュレーション フレームワーク。
私たちのアプローチは、物理モデルと PIML の両方の長所を活用しています。
具体的には、群衆の時空間データに基づいて歩行者の移動傾向を予測するためのデータ駆動型モジュールとして、革新的な物理情報に基づいた時空間グラフ畳み込みネットワーク (PI-STGCN) を設計します。
さらに、流れ場理論に基づいて歩行者の動きをガイドするナビゲーションポテンシャルフィールドの物理モデルを構築し、それによってシミュレーション中の物理的制約を強化します。
私たちのフレームワークでは、ナビゲーションの潜在的なフィールドは、PI-STGCN によって予測された移動傾向に基づいて動的に計算および更新されますが、これらのフィールドによって導かれた更新された群集ダイナミクスは、その後 PI-STGCN にフィードバックされます。
5 つのシーンにわたる 2 つの公的に利用可能な大規模な実世界データセットの比較実験により、私たちが提案したフレームワークが精度と忠実度において既存のルールベースの手法よりも優れていることが実証されました。
シミュレートされた歩行者の軌跡と実際の歩行者の軌跡の類似性は 10.8% 増加し、平均誤差は 4% 減少しました。
さらに、私たちのフレームワークは、軌道生成のために深層学習のみに依存する方法と比較して、より優れた適応性とより優れた解釈可能性を示します。

要約(オリジナル)

Traditional rule-based physical models are limited by their reliance on singular physical formulas and parameters, making it difficult to effectively tackle the intricate tasks associated with crowd simulation. Recent research has introduced deep learning methods to tackle these issues, but most current approaches focus primarily on generating pedestrian trajectories, often lacking interpretability and failing to provide real-time dynamic simulations.To address the aforementioned issues, we propose a novel data-driven crowd simulation framework that integrates Physics-informed Machine Learning (PIML) with navigation potential fields. Our approach leverages the strengths of both physical models and PIML. Specifically, we design an innovative Physics-informed Spatio-temporal Graph Convolutional Network (PI-STGCN) as a data-driven module to predict pedestrian movement trends based on crowd spatio-temporal data. Additionally, we construct a physical model of navigation potential fields based on flow field theory to guide pedestrian movements, thereby reinforcing physical constraints during the simulation. In our framework, navigation potential fields are dynamically computed and updated based on the movement trends predicted by the PI-STGCN, while the updated crowd dynamics, guided by these fields, subsequently feed back into the PI-STGCN. Comparative experiments on two publicly available large-scale real-world datasets across five scenes demonstrate that our proposed framework outperforms existing rule-based methods in accuracy and fidelity. The similarity between simulated and actual pedestrian trajectories increases by 10.8%, while the average error is reduced by 4%. Moreover, our framework exhibits greater adaptability and better interpretability compared to methods that rely solely on deep learning for trajectory generation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google