001.891.573 Моделирование эвакуации из помещений с учетом социальных групп и множественных выходов
Силинская А. А. (Саратовский национальный исследовательский государственный университет имени Н.Г. Чернышевского), Богомолов А. С. (Саратовский национальный исследовательский государственный университет имени Н.Г. Чернышевского), Кушников В. А. (Саратовский национальный исследовательский государственный университет имени Н.Г. Чернышевского)
МНОГОАГЕНТНАЯ МОДЕЛЬ, ЭВАКУАЦИЯ, ОБУЧЕНИЕ С ПОДКРЕПЛЕНИЕМ, MAPPO, СОЦИАЛЬНЫЕ ГРУППЫ, ПАНИКА, ГИБРИДНОЕ ПРОСТРАНСТВО ДЕЙСТВИЙ, ЛИДЕРПОСЛЕДОВАТЕЛЬ, ВОЗРАСТНЫЕ КАТЕГОРИИ, ДИНАМИЧЕСКАЯ СРЕДА
doi: 10.18698/2309-3684-2025-3-85102
Статья посвящена разработке многоагентной модели эвакуации, учитывающей физические характеристики агентов (возрастные категории, скорость, маневренность), уровень паники, социальные взаимодействия в группах типа «лидер–последователь» и наличие нескольких эвакуационных выходов, открывающихся c заданным интервалом (рассматривался интервал 6 секунд). Для обучения поведения агентов используется алгоритм Multi-Agent Proximal Policy Optimization (MAPPO). Используется гибридное пространство действий, сочетающее дискретный выбор выхода и непрерывное управление движением. Обучение проводится по принципу «curriculum learning» с постепенным наращиванием количества агентов. Это позволяет агентам адаптироваться к сложным сценариям с высокой скученностью и улучшить обобщающую способность модели для экспериментов с разным числом агентов. Среда представляет собой помещение заданных размеров (рассматривались помещения 15×20 м) с заданным количеством выходов определенной ширины (рассматривалось 3 выхода по 1,5 м). В модель заложена логика распространения информации о выходах. Индивидуальные агенты узнают информацию о новых открытых выходах в радиусе 5 м и передают сигнал соседям. Лидеры изначально знают обо всех доступных выходах вне зависимости от расстояния. Предусмотрен механизм распространения паники в зависимости от скученности агентов, расстояния до выхода и прошедшего времени с начала эвакуации. Введены специфические правила поведения для социальных групп: лидеры принимают стратегические решения, а пожилые последователи получают бонус к скорости при следовании за лидером. В текущей реализации выбор выхода для индивидуальных агентов основан на кратчайшем расстоянии агента до него. В социальных группах решение о выборе выхода принимается лидером на основе среднего расстояния всех агентов. Проведены вычислительные эксперименты для 40 агентов в различных сценариях: с разным числом лидеров (2–16) и без групп (индивидуальная эвакуация). Проведенные вычислительные эксперименты показали, что в рассматриваемых условиях сценарии с социальными группами приводят к более быстрой эвакуации (снижение общего времени составило около 38%). Также при групповой эвакуации наибольшее преимущество получают уязвимые агенты, в рассматриваемом случае – пожилые. Оптимальное число лидеров составляет 4–6: дальнейшее увеличение их количества не дает статистически значимых улучшений. По итогам экспериментов зафиксировано снижение количества столкновений и меньший уровень паники при таком числе лидеров. Полученные результаты демонстрируют практическую применимость подхода MAPPO к задачам анализа процессов эвакуации в реалистичных условиях.
[1] Коткова Е.А., Матвеев А.В., Нефедьев С.А. и др. Агентное моделирование процесса эвакуации людей при пожарах в зданиях: обзор подходов и исследований. Современные наукоемкие технологии, 2023, № 10, с. 55–62.
[2] Zia K., Ferscha A. An agent-based model of crowd evacuation: combining individual, social and technological aspects. Proceedings of the 2020 ACM SIGSIM conference on principles of advanced discrete simulation. New York, Association for Computing Machinery, 2020, pp. 129–140.
[3] Коткова Е.А. Перспективы применения искусственных нейронных сетей при моделировании процесса эвакуации. Пожарная и техносферная безопасность: проблемы и пути совершенствования, 2020, № 1(5), с. 359–361.
[4] Суханов В.О., Кузьмин А.И., Скороходов Д.В. Геоинформационная система поддержки принятия решений на эвакуацию населения. Пожарная безопасность: проблемы и перспективы, 2019, т. 1, № 10, с. 411–413.
[5] Сажин И.С., Головенко Е.Л., Чаниев Б.Ю. и др. Интеллектуальная система оповещения и управления эвакуацией людей на основе информационного моделирования чрезвычайных ситуаций в здании. Наука, техника и образование, 2021, № 4(79), с. 40–44.
[6] Коткова Е.А., Матвеев А.В. Методика интеллектуального прогнозирования эффективности управления эвакуацией людей из общественных зданий. Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России, 2021, № 4, с. 107–120.
[7] Цвиркун А.Д., Резчиков А.Ф., Самарцев А.А. и др. Интегрированная модель динамики распространения опасных факторов пожара в помещениях и эвакуации из них. Вестник компьютерных и информационных тех-нологий, 2019, т. 2, № 176, с. 47–54.
[8] Цвиркун А.Д., Резчиков А.Ф., Самарцев А.А. и др. Система интегрированного моделирования распространения опасных факторов пожара и эвакуации людей из помещений. Автоматика и телемеханика, 2022, № 5, с. 26–42.
[9] Samartsev A., Ivaschenko V., Rezchikov A., et al. Multiagent model of people evacuation from premises while emergency. Advances in Systems Science and Applications, 2019, vol. 19, no. 1, pp. 98–115.
[10] Гамаюнова В.О., Богомолов А.С., Кушников В.А. и др. Мультиагентное моделирование эвакуации из помещений с учетом столкновений агентов. Известия Саратовского университета. Новая серия. Серия: Математика. Механика. Информатика, 2025, т. 25, № 1, с. 106–115.
[11] Rosa A.C., Falqueiro M.C., Bonacin R., et al. EvacuAI: An Analysis of Escape Routes in Indoor Environments with the Aid of Reinforcement Learning. Sensors, 2023, vol. 23, no. 21, art. no. 8892.
[12] Ünal A.E., Gezer C., Pak B.K., et al. Generating emergency evacuation route directions based on crowd simulations with reinforcement learning. 2022 Innovations in Intelligent Systems and Applications Conference ASYU. Antalya: IEEE, 2022, pp. 1–6.
[13] Xu D., Huang X., Mango J., et al. Simulating multi-exit evacuation using deep reinforcement learning. Transactions in GIS, 2021, vol. 25, no. 3, pp. 1542–1564.
[14] Malebary S.J., Basori A.H., Soliman alkayal E. Reinforcement learning for Pedestrian evacuation Simulation and Optimization during Pandemic and Panic situation. Journal of Physics: Conference Series, 2021, vol. 1817, no. 1, art. no. 012008.
[15] Komatsu H. Multi-agent reinforcement learning using echo-state network and its application to pedestrian dynamics. arXiv preprint arXiv:2312.11834, 2023.
[16] Sinpan N., Sasithong P., Chaudhary S., et al. Simulative Investigations of Crowd Evacuation by Incorporating Reinforcement Learning Scheme. ICACS '22: Proceedings of the 6th International Conference on Algorithms, Computing and Systems. New York: Association for Computing Machinery, 2022, pp. 1–5.
[17] Hassanpour S., Rassafi A.A., González V.A., et al. A hierarchical agent-based approach to simulate a dynamic decision-making process of evacuees using reinforcement learning. Journal of choice modelling, 2021, vol. 39, art. no. 100288.
[18] Schulman J., Wolski F., Dhariwal P., et al. Proximal policy optimization algorithms. arXiv preprint arXiv:1707.06347, 2017.
[19] Yu C., Velu A., Vinitsky E., et al. The Surprising Effectiveness of PPO in Co-operative Multi-Agent Games. arXiv preprint arXiv:2103.01955, 2022.
[20] Liu Z., Yao C., Na W., et al. MAPPO-Based Optimal Reciprocal Collision Avoidance for Autonomous Mobile Robots in Crowds. 2023 IEEE International Conference on Systems, Man, and Cybernetics SMC. Honolulu: IEEE, 2023, pp. 3907–3912.
[21] Guo Y., Liu J., Yu R., et al. MAPPO-PIS: A Multi-agent Proximal Policy Optimization Method with Prior Intent Sharing for CAVs Cooperative Deci-sion-Making. Computer Vision – ECCV 2024 Workshops. Cham: Springer Nature Switzerland, 2025, pp. 244–263.
[22] Shixin Z., Feng P., Anni J., et al. The unmanned vehicle on-ramp merging model based on AM-MAPPO algorithm. Scientific Reports, 2024, vol. 14, no. 1, art. no. 19416.
[23] Lowe R., Wu Y., Tamar A., et al. Multi-agent actor-critic for mixed cooperative-competitive environments. Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook: Curran Associates Inc, 2017, pp. 6382–6393.
[24] Xiong J., Wang Q., Yang Z., et al. Parametrized Deep Q-Networks Learning: Reinforcement Learning with Discrete-Continuous Hybrid Action Space. arXiv preprint arXiv:1810.06394, 2018.
[25] Srivastava N., Hinton G., Krizhevsky A., et al. Dropout: a simple way to prevent neural networks from overfitting. Journal of Machine Learning Re-search, 2014, vol. 15, no. 56, pp. 1929–1958.
[26] Gal Y., Ghahramani Z. Dropout as a Bayesian Approximation: Representing Model Uncertainty in Deep Learning. Proceedings of The 33rd International Conference on Machine Learning. New York: PMLR, 2016, pp. 1050–1059.
[27] Narvekar S., Peng B., Leonetti M., et al. Curriculum Learning for Rein-forcement Learning Domains: A Framework and Survey. Journal of Machine Learning Research, 2020, vol. 21, no. 181, pp. 1–50.
[28] Sutton R.S., Barto A. Reinforcement learning: an introduction. Second edition. Cambridge, The MIT Press, 2018, 552 p.
[29] Lillicrap T.P., Hunt J.J., Pritzel A., et al. Continuous control with deep reinforcement learning. arXiv preprint arXiv:1509.02971, 2015.
[30] Об утверждении свода правил СП 1.13130 «Системы противопожарной защиты. Эвакуационные пути и выходы»: Приказ МЧС России от 19 марта 2020 г. N 194. Москва. 2020.
[31] Trivedi A., Rao S. Agent-Based Modeling of Emergency Evacuations Considering Human Panic Behavior. IEEE Transactions on Computational Social Systems, 2018, vol. 5, no. 1, pp. 277–288.
[32] Ding N., Sun C. Experimental study of leader-and-follower behaviours during emergency evacuation. Fire Safety Journal, 2020, vol. 117, art. no. 103189.
[33] Wang L., Zheng J., Zhang X., et al. Pedestrians behavior in emergency evacuation: Modeling and simulation. Chinese Physics B, 2016, vol. 25, no. 11, art. no. 118901.
Силинская А.А., Богомолов А.С., Кушников В.А. Моделирование эвакуации из помещений с учетом социальных групп и множественных выходов. Математическое моделирование и численные методы, 2025, № 3, с. 85–102.
Скачать статью
Количество скачиваний: 4