基于联邦学习的分布式人群疏散路径规划方法及系统

1.本公开属于人群疏散路径规划技术领域，具体涉及一种基于联邦学习的分布式人群疏散路径规划方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
3.随着社会经济的快速发展，人口基数越来越大，人们的出行也更加频繁，特别是在一些人口相对密集的场所，例如学校、火车站、商场等，人群内部的细微扰动都会对人群疏散效率造成很大的影响，安全隐患极大。尤其是在多区域的大范围场景中，各个区域之间互不交互，一旦发生紧急情况，更容易造成拥堵，降低人群疏散效率。如果不能对人群进行提前规划和有效控制，就会造成严重的损失。因此，近年来群体疏散和计算机仿真技术引起了工业界和学术界的广泛关注。
4.在研究过程中，发明人发现现有技术中存在以下技术问题：
5.传统的人群疏散仿真方法分为宏观方法和微观方法两种。在宏观方法中，最典型的为流体动力学模型和基于势能场的模型。在微观方法中，最典型的方法为基于社会力模型的方法。虽然这些模型可以有效的实现人群仿真，但条件均为假设，降低了人群仿真的真实性。为了提高人群疏散仿真的真实性，数据驱动的方法应运而生。融合数据驱动和机器学习方法的人群疏散仿真方法不仅可以显著提高人群疏散仿真的真实性，而且可以为疏散个体提供路径规划功能，提高人群疏散效率。总的来说，这些方法可以很好的模拟视频中存在的轨迹，提高人群疏散仿真真实性。但是这些都属于端到端的学习，对数据依赖性较高。大规模场所中部署的众多摄像头捕获的视频数据能够为紧急情况下的人群疏散提供帮助。然而，大多数监控视频是不允许分享的，以避免隐私泄露。


技术实现要素：

6.为了解决上述问题，本公开提出了一种基于联邦学习的分布式人群疏散路径规划方法及系统，基于整个场景的视频数据进行路径规划，在保证隐私保护的同时，为疏散人群提供全局路径规划，增强了路径规划的有效性。
7.根据一些实施例，本公开的第一方案提供了一种基于联邦学习的分布式人群疏散路径规划方法，采用如下技术方案：
8.一种基于联邦学习的分布式人群疏散路径规划方法，包括以下步骤：
9.获取子区域的视频信息数据，构建局部势能场；
10.基于所构建的局部势能场计算局部势能值，构建局部密度场；
11.依据所构建的局部势能场和局部密度场，确定个体的无碰撞运动速度；
12.将所构建的各个子区域的局部势能场进行聚合，构建全局势能场；
13.根据所构建的局部势能场和全局势能场，搭建人群疏散仿真平台，依据所得到的
个体的无碰撞运动速度，进行人群疏散的模拟仿真。
14.作为进一步的技术限定，所述视频信息数据至少包括场景信息和人群信息。
15.作为进一步的技术限定，所述构建局部势能场的过程为:
16.将子区域均匀分成若干个网格单元，对所得到的每个网格单元进行编号和标记位置坐标；
17.基于标记位置坐标的网格单元进行局部区域场景的构建，结合势能场进行局部势能场的构建。
18.作为进一步的技术限定，所述局部势能值至少包括场景不适值、受到所有出口影响后的最终势能值和受到所有个体影响后的总人群不适值。
19.作为进一步的技术限定，所述个体的无碰撞运动速度包括速度大小和速度方向；所述局部密度场影响所述速度大小，所述局部势能场决定所述速度方向。
20.作为进一步的技术限定，所述全局势能场构建的过程中，采用联邦学习的分布式框架，考虑各个子区域之间的相互监护，基于局部势能场进行应急疏散规划的建模，通过全局聚合得到全局势能场，为个体规划全局最优路径。
21.进一步的，通过全局聚合得到全局势能场的过程中，将各个子区域上传的物体位置信息拼接起来，将各子区域上传的位置信息进行全局坐标的转换，得到全局场景信息，构建全局势能场。
22.根据一些实施例，本公开的第二方案提供了一种基于联邦学习的分布式人群疏散路径规划系统，采用如下技术方案：
23.一种基于联邦学习的分布式人群疏散路径规划系统，包括：
24.局部势能场构建模块，其被配置为获取子区域的视频信息数据，构建局部势能场；
25.局部密度场构建模块，其被配置为基于所构建的局部势能场计算局部势能值，构建局部密度场；
26.确定个体速度模块，其被配置为依据所构建的局部势能场和局部密度场，确定个体的无碰撞运动速度；
27.全局势能场构建模块，其被配置将所构建的各个子区域的局部势能场进行聚合，构建全局势能场；
28.人群疏散仿真模块，其被配置为根据所构建的局部势能场和全局势能场，搭建人群疏散仿真平台，依据所得到的个体的无碰撞运动速度，进行人群疏散的模拟仿真。
29.根据一些实施例，本公开的第三方案提供了一种计算机可读存储介质，采用如下技术方案：
30.一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的基于联邦学习的分布式人群疏散路径规划方法中的步骤。
31.根据一些实施例，本公开的第四方案提供了一种电子设备，采用如下技术方案：
32.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的基于联邦学习的分布式人群疏散路径规划方法中的步骤。
33.与现有技术相比，本公开的有益效果为：
34.(1)本公开构建了局部势能场模型用于为人群规划局部疏散路径。首先构建了场
景信息模型，然后加入人群运动结合场景信息获得势能场信息对子区域进行建模。
35.(2)本公开构建了全局势能场模型用于为人群规划全局最优疏散路径。该模型利用联邦学习中全局聚合步骤整合来自各个子区域的势能场信息，构建全局势能场指导人群疏散。
36.(3)本公开提出了一种基于联邦学习的人群疏散路径规划方法，并将势能场模型引入联邦学习框架，通过上传各局部区域的势能场信息代替视频信息，从而实现隐私保护。
37.(4)本公开构建了一个仿真和可视化平台模拟基于联邦学习的人群运动过程，更加真实地展现了模拟效果。
附图说明
38.构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
39.图1是本公开实施例一中的基于联邦学习的分布式人群疏散路径规划方法的流程图；
40.图2(a)是本公开实施例一中的局部势能场网络结果示意图；
41.图2(b)是本公开实施例一中的局部势能场阈值示意图；
42.图3是本公开实施例一中的人群密度网格示意图；
43.图4是本公开实施例一中的密度-速度关系图；
44.图5(a)是本公开实施例一中的真实场景示意图；
45.图5(b)是本公开实施例一中的静态势能场势能值演示图；
46.图6(a)是本公开实施例一中的t＝0的局部动态势能场势能值演示图；
47.图6(b)是本公开实施例一中的t＝10的局部动态势能场势能值演示图；
48.图6(c)是本公开实施例一中的t＝20的局部动态势能场势能值演示图；
49.图6(d)是本公开实施例一中的t＝30的局部动态势能场势能值演示图；
50.图7(a)是本公开实施例一中的t＝0的全局势能场势能值演示图；
51.图7(b)是本公开实施例一中的t＝10的全局势能场势能值演示图；
52.图7(c)是本公开实施例一中的t＝20的全局势能场势能值演示图；
53.图7(d)是本公开实施例一中的t＝30的全局势能场势能值演示图；
54.图8(a)是本公开实施例一中的t＝0的多区域情况下全局势能场势能值演示图；
55.图8(b)是本公开实施例一中的t＝10的多区域情况下全局势能场势能值演示图；
56.图8(c)是本公开实施例一中的t＝20的多区域情况下全局势能场势能值演示图；
57.图8(d)是本公开实施例一中的t＝30的多区域情况下全局势能场势能值演示图；
58.图9是本公开实施例一中的基于联邦学习的分布式人群疏散路径规划系统的结构框图。
具体实施方式
59.下面结合附图与实施例对本公开作进一步说明。
60.应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常
理解的相同含义。
61.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
62.在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
63.实施例一
64.本公开实施例一介绍了一种基于联邦学习的分布式人群疏散路径规划方法。
65.如图1所示的一种基于联邦学习的分布式人群疏散路径规划方法，包括以下步骤：
66.步骤s01：获取子区域的视频信息数据，构建局部势能场；
67.步骤s02：基于所构建的局部势能场计算局部势能值，构建局部密度场；
68.步骤s03：依据所构建的局部势能场和局部密度场，确定个体的无碰撞运动速度；
69.步骤s04：将所构建的各个子区域的局部势能场进行聚合，构建全局势能场；
70.步骤s05：根据所构建的局部势能场和全局势能场，搭建人群疏散仿真平台，依据所得到的个体的无碰撞运动速度，进行人群疏散的模拟仿真。
71.作为一种或多种实施方式，在步骤s01中，构建局部势能场的具体过程为：
72.步骤s101：将各个子区域根据势能场建模，根据不同子区域的大小将其均匀的分成若干个网格单元；
73.步骤s102：其中每个网格单元都有对应的编号(i，j)(例如第一行第一个网格单元编号为(1,1))，也有对应的位置坐标(x，y)，其中网格单元的位置坐标通常选取网格单元的中心位置坐标，如图2(a)所示。
74.步骤s103：如图2(b)所示，构建的局部区域场景中包括个体、障碍物、危险源和出口。因为出口会对区域内所有个体产生吸引势能，所以区域中所有个体都趋向于出口处移动。但危险源、障碍物和个体的影响范围是有限的，所以我们分别用γ、η和μ来表示危险源、障碍物和个体的影响距离阈值。只有个体与其之间的距离小于等于其对应的阈值时，才会对个体产生影响。反之，则不会产生影响。
75.作为一种或多种实施方式，在步骤s02中，首先计算局部势能值。
76.(1)场景不适场
77.在个体前往出口的过程中，需要尽可能的避开危险源和障碍物，我们通过建立场景不适场g来表示这个过程。
78.1)危险源产生的不适值：
79.假设该子区域中有p个危险源d(d1,
…
,da,
…
,d
p
)，危险源对每个网格单元产生的不适值的影响与其之间的距离成反比，不适值函数如下：
[0080][0081]
其中，m为危险源的不适系数，l((i,j),da)为网格单元(i,j)中心位置与危险源da的欧式距离，γ为危险源影响距离阈值。
[0082]
每个网格单元的不适值受多个危险源的影响，区域内所有危险源对每个网格单元产生的总不适值可以表示为：
[0083][0084]
其中，g
dangerous
(i,j)表示网格单元(i,j)受到所有危险源影响后的总不适值。
[0085]
2)障碍物产生的不适值：
[0086]
假设该子区域中有q个障碍物o(o1,
…
,ob,
…
,oq)，障碍物对每个网格单元产生的不适值的影响与其距离成反比，不适值函数如下：
[0087][0088]
其中，n为障碍物的不适系数，l((i,j),ob)为网格单元(i,j)中心位置与障碍物ob的欧式距离，η为障碍物影响距离阈值。
[0089]
每个网格单元的不适值受多个障碍物的影响，区域内所有障碍物对每个网格单元产生的总不适值可以表示为：
[0090][0091]
其中，g
obstacle
(i,j)表示网格单元(i,j)受到所有障碍物影响后的总不适值。
[0092]
3)总不适值：
[0093]
障碍物和危险源都会对个体产生不适值。但危险源与障碍物相比，在与个体距离相同的情况下危险源比障碍物产生的不适值更高，每个网格单元的总不适值可以表示为：
[0094]gtotal
(i,j)＝α
·gdangerous
(i,j) β
·gobstacle
(i,j)
[0095]
其中，α和β分别为危险源和障碍物对个体产生不适值的权重，且α》β。
[0096]
(2)距离场
[0097]
出口会对个体产生吸引势场，吸引个体朝着出口移动，我们通过建立距离场d来表示这个过程。
[0098]
假设该子区域中有r个出口e(e1,
…
,ec,
…
,er)，出口对每个网格单元产生的势能值的影响与其之间的距离成正比，势能值函数如下：
[0099][0100]
其中，k为吸引系数，l((i,j),ec)为网格单元(i,j)中心位置与出口ec的欧氏距离。
[0101]
但一般情况下，个体总会选择距离自身最近的出口进行疏散。我们可以选择取最小的势能值来定义区域内所有出口对每个网格单元产生的最终势能值：
[0102][0103]
其中，d
total
(i,j)表示网格单元(i,j)受到所有出口影响后的最终势能值。
[0104]
(3)人群不适场
[0105]
个体在运动过程中会通过感知人群不适场来改变运动轨迹，从而避开不适度较高的区域，向不适度较低的区域运动。我们通过建立人群不适场c来表示这个过程。
[0106]
我们规定了一个影响阈值μ，目标个体只会对在以其位置为圆心，以μ为半径的圆内的人群不适值产生贡献。
[0107]
假设在该网格单元内有s个个体i(i1,
…
,id,
…
,is)，任意个体对网格单元产生的人群不适值与其和网格单元中心坐标之间的距离成反比，个体id对网格单元(i，j)的人群不适值的贡献可以表示为：
[0108][0109]
其中，u为人群不适系数，l((i,j),id)为网格单元(i,j)中心位置与个体id的欧氏距离，μ为个体影响距离阈值。
[0110]
受阈值范围内全部个体影响的网格单元的总人群不适值可以表示为：
[0111][0112]
其中，c
total
(i,j)表示网格单元(i,j)受到所有个体影响后的总人群不适值，s为该网格单元中个体总数。
[0113]
因此，势能值可表示为：
[0114]
p(i,j)＝g
total
(i,j) d
total
(i,j) c
total
(i,j)
[0115]
其中，g
total
(i,j)为场景不适值，d
total
(i,j)受到所有出口影响后的最终势能值，c
total
(i,j)表示受到所有个体影响后的总人群不适值。
[0116]
作为一种或多种实施方式，在步骤s02中，还需要构建局部密度场。
[0117]
把每个个体(包括障碍物和危险源)都转换成一个单独的密度场，这个密度场在个体所在处达到峰值，然后径向下降，这个函数的具体形式并不重要，只要保证它在半径为r的边界圆盘内不少于在边界圆盘外不大于即可。建立密度场时，将区域中人群粒子“平铺”到密度网格上，可计算出任意位置个体对所在网格单元的密度贡献值，如图3所示。
[0118]
如图3所示，c网格单元中该个体的密度贡献值按照下式添加到其他相邻网格中：
[0119]
ρa＝min(1-δx,1-δy)
λ
ρb＝min(δx,1-δy)
λ
[0120]
ρc＝min(δx,δy)
λ
ρd＝min(1-δx,δy)
λ
[0121]
其中，λ是密度指数，决定了密度衰减的速度。
[0122]
由此可以构建每个个体产生的密度场，计算出任意个体对于自身所在网格单元及其相邻网格的密度贡献值。
[0123]
而每个网格单元的人群密度ρ为该网格单元及其相邻网格单元中所有个体贡献的密度值的总和，公式表示如下：
[0124][0125]
其中，该网格单元及其相邻网格单元中共有m个个体(其中包括危险源和障碍物)。
[0126]
作为一种或多种实施方式，在步骤s03中，确定个体的无碰撞运动速度。
[0127]
(1)个体运动速度方向
[0128]
势能场决定速度方向。势能场构建完成即可计算出任意网格单元的势能值：
[0129][0130]
其中，为(x，y)处势能值梯度，为(x，y)处势能值梯度大小。
[0131]
综上所述，根据二次线性插值得到网格单元任意位置的势能值，从而确定个体在任意位置的运动方向。
[0132]
(2)个体运动速度大小
[0133]
密度场影响速度大小。armin seyfried等人已经在先前工作的基础上进一步的研究了fundamental diagram of pedestrian，并给出了所需要的密度-速度对应关系图，如图4所示。
[0134]
据图4分析，当密度ρ《0.7时，个体可以按照期望速度移动；当密度ρ》5.1时，人们几乎停滞难以行走。当人群密度在0.46/m2到5.1/m2之间时，个体疏散速度满足公式：
[0135]
v＝k-akρ
[0136]
其中，v为个体疏散速度，k为参数且k为[-1,1]之间的随机数，ρ为人群密度，a为系数且a＝0.189。
[0137]
以上步骤解决了局部区域中每个个体的疏散路径规划问题，根据真实视频数据中提取到的人群、障碍物和危险源的位置构建局部势能场，从而为每个个体确定一条局部最优疏散路径。
[0138]
作为一种或多种实施方式，在步骤s04中，基于动态势场的全局最优路径规划。
[0139]
(1)全局聚合模型更新方法
[0140]
局部势能场信息由局部场景信息和人群信息组成，中央服务器通过全局聚合步骤搜集来自各个局部的势能场信息，构建全局势能场，从而为人群规划全局最优疏散路径。
[0141]
因摄像头覆盖范围的局限性，各个子区域中的摄像头只能采集到自身区域中的视频信息。在发生紧急情况时，如果只考虑自身区域的情况而忽略了其它子区域的拥堵状况，就极有可能造成更大程度的拥堵，从而影响人群疏散效率；所以参考联邦学习的分布式框架，考虑各个子区域之间交互，采用势能场方法对大规模应急疏散规划方案进行建模，通过进行全局聚合步骤来为个体规划全局最优路径。
[0142]
通过各个子区域中摄像头拍摄到的真实视频数据，可得该区域中的场景信息和人群信息。根据场景信息，分别提取出该区域中的障碍物、危险源和出口的位置坐标。因为区域中不同的物体对势能值的影响是不同的，所以对不同类型的物体的坐标进行标记。
[0143]
例如，子区域1中障碍物、危险源和出口的位置坐标分别记为例如，子区域1中障碍物、危险源和出口的位置坐标分别记为根据人群信息，提取出各个区域中每个个体的位置坐标。例如，子区域1中个体i的位置坐标记为p
i1
。
[0144]
(2)全局坐标转换方法
[0145]
在进行全局聚合步骤时，上传的参数为各个子区域中障碍物、危险源和出口的位置坐标。通过全局聚合，将各子区域上传的物体位置信息拼接起来，但各子区域上传的位置
信息只是其相对位置坐标，需要进行全局坐标转换，得到全局场景信息，从而构建全局势能场。
[0146]
已知整个场景区域的大小、并将整个场景均匀的分成n个矩形子区域，每个子区域的长和宽均为a、b，且以整个场景的左下角为原点。由此可确定任意区域中任何一个个体在全局场景中的位置坐标。
[0147]
获得全局场景信息之后，构建出全局势能场。将构建好的全局势能场下发给各子区域进行下一轮的迭代，各子区域会根据更新的全局势能场情况，重新为个体规划疏散路径。
[0148]
因为人群运动是动态变化的，所以全局势能场中每个网格单元的势能值也是不断变化的。通过各子区域实时地将人群和障碍物的位置坐标上传到中央服务器，然后中央服务器进行全局聚合，从而构建出动态的全局势能场来保证每一时刻个体的疏散路径都是最优的。同时基于势能场建模，使得个体自动的朝着势能值低的位置移动，从而实现避碰功能。
[0149]
首先通过给定的场景信息构建其对应的静态势能场，然后加入人群运动，演示了人群运动过程中势能场的变化，验证了在我们改进的势能场中，是否可以实现避碰功能并驱使人群到达目的地。再通过拼接的全局场景信息构建全局势能场，来指导人群疏散，验证了在全局势能场的影响下个体是否可以找到最优疏散路径。
[0150]
作为一种或多种实施方式，在步骤s05中，进行人群疏散的模拟仿真。
[0151]
(1)局部势能场人群运动演示
[0152]
1.1)局部静态势能场
[0153]
为了验证本实施例所提的基于联邦学习的分布式人群疏散路径规划方法能够使人群实现避碰功能，并驱使人群向目标点疏散。首先从真实视频数据中提取障碍物、危险源和出口的位置，构建静态势能场。实验结果如图5所示，图5(a)为静态势能场真实场景示意图，图5(b)为静态势能场示意图。
[0154]
1.2)局部动态势能场
[0155]
静态势能场构建完成后，根据真实视频数据采集到的人群信息，加入人群运动。为了验证人群运动过程中个体是否可以按照预期避开障碍物并向出口位置疏散，我们的实验模拟了30个人的运动情况。实验结果分别如图6(a)、图6(b)、图6(c)和图6(d)所示。
[0156]
(2)全局势能场人群运动演示
[0157]
2.1)全局势能场与局部势能场对比实验
[0158]
各子区域上传各自场景信息和人群信息至中央服务器，中央服务器对信息进行整合，完成一次全局聚合步骤，构建全局势能场指导人群疏散。为了验证是否可以通过全局聚合步骤找到最优疏散路径。首先做了一个对比实验。如果子区域中的个体考虑了全局势能场情况是否会改变其疏散路径。实验结果如图7(a)、图7(b)、图7(c)和图7(d)所示，实验结果证明，在全局势能场的影响下，人群会重新选择当前最优的路径进行疏散。
[0159]
(3)多区域情况下全局势能场人群运动演示
[0160]
考虑到疏散区域中如果有多个总出口的情况，人群是否会根据全局势能场的情况自动的选择最优的疏散路径。为了验证我们的框架可以适用于不同的情况，我们模拟了一个三区域的场景，设置好总出口位置实验结果如图8(a)、图8(b)、图8(c)和图8(d)所示，我
们提出的基于联邦学习的分布式数据驱动人群疏散框架能够灵活地适应场景的动态变化。
[0161]
本实施例为了在保证摄像头用户隐私的前提下，为疏散个体寻找全局最优路径，指导人群疏散。将势能场模型引入联邦学习框架，通过上传各局部区域势能场信息至中央服务器，而不是上传视频信息，来解决各摄像头用户在交互过程中隐私保护的问题；中央服务器通过全局聚合步骤整合各局部区域的势能场信息，从而构建全局势能场，为每个疏散用户找到全局最优疏散路径。
[0162]
实施例二
[0163]
本公开实施例二介绍了一种基于联邦学习的分布式人群疏散路径规划系统。
[0164]
如图9所示的一种基于联邦学习的分布式人群疏散路径规划系统，包括：
[0165]
局部势能场构建模块，其被配置为获取子区域的视频信息数据，构建局部势能场；
[0166]
局部密度场构建模块，其被配置为基于所构建的局部势能场计算局部势能值，构建局部密度场；
[0167]
确定个体速度模块，其被配置为依据所构建的局部势能场和局部密度场，确定个体的无碰撞运动速度；
[0168]
全局势能场构建模块，其被配置将所构建的各个子区域的局部势能场进行聚合，构建全局势能场；
[0169]
人群疏散仿真模块，其被配置为根据所构建的局部势能场和全局势能场，搭建人群疏散仿真平台，依据所得到的个体的无碰撞运动速度，进行人群疏散的模拟仿真。
[0170]
详细步骤与实施例一提供的基于联邦学习的分布式人群疏散路径规划方法相同，在此不再赘述。
[0171]
实施例三
[0172]
本公开实施例三提供了一种计算机可读存储介质。
[0173]
一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例一所述的基于联邦学习的分布式人群疏散路径规划方法中的步骤。
[0174]
详细步骤与实施例一提供的基于联邦学习的分布式人群疏散路径规划方法相同，在此不再赘述。
[0175]
实施例四
[0176]
本公开实施例四提供了一种电子设备。
[0177]
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例一所述的基于联邦学习的分布式人群疏散路径规划方法中的步骤。
[0178]
详细步骤与实施例一提供的基于联邦学习的分布式人群疏散路径规划方法相同，在此不再赘述。
[0179]
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。