Understanding complex crowd dynamics with generative neural simulators

要約

歩行者の群衆の動態を理解することは、効率的な都市インフラを設計し、安全な群衆管理を確保する上で極めて重要な課題である。この目的のために、小規模な実験室での測定と大規模な実世界での測定の両方が用いられてきた。しかし、これらのアプローチは、それぞれ統計的分解能とパラメトリック制御性に欠けており、どちらも群衆の複雑な確率的ダイナミクスの根底にある物理的関係を発見するのに不可欠である。ここでは、大規模な実世界データセットの統計的解像度を確保しつつ、実験室のような制御性を提供する調査パラダイムを確立する。大規模データで訓練し、群衆ダイナミクスの主要な統計的特徴に対して検証したデータ駆動型ニューラル群衆シミュレータ（NeCS）を用いて、特定のシナリオで訓練することなく、効果的な代理群衆ダイナミクス実験を行うことができることを示す。その結果、ペア回避に関する既知の実験結果を再現するだけでなく、N体相互作用の視覚誘導性と位相幾何学的性質も明らかにした。これらの知見は、神経シミュレーションに基づく仮想実験が、いかにデータ駆動型の科学的発見を可能にするかを示している。

要約(オリジナル)

Understanding the dynamics of pedestrian crowds is an outstanding challenge crucial for designing efficient urban infrastructure and ensuring safe crowd management. To this end, both small-scale laboratory and large-scale real-world measurements have been used. However, these approaches respectively lack statistical resolution and parametric controllability, both essential to discovering physical relationships underlying the complex stochastic dynamics of crowds. Here, we establish an investigation paradigm that offers laboratory-like controllability, while ensuring the statistical resolution of large-scale real-world datasets. Using our data-driven Neural Crowd Simulator (NeCS), which we train on large-scale data and validate against key statistical features of crowd dynamics, we show that we can perform effective surrogate crowd dynamics experiments without training on specific scenarios. We not only reproduce known experimental results on pairwise avoidance, but also uncover the vision-guided and topological nature of N-body interactions. These findings show how virtual experiments based on neural simulation enable data-driven scientific discovery.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL