近年来,突发公共事件或重大伤亡事故频发,尤其是在拥挤地区,一旦发生紧急情况,很容易造成人群拥挤和踩踏。因此,为了减少危险事件的发生,需要提前对人群进行疏散演练。日常的实战疏散演练耗资巨大,且不能真实反映人们在紧急情况下的运动行为。近些年,计算机仿真技术得到了越来越多的关注,利用计算机仿真技术能够构建场所模型并模拟人群在场所内的疏散过程,进而为紧急情况下的人群疏散提供指导。因此,利用计算机仿真技术研究群体疏散问题具有重要的社会意义。传统的人群疏散方法侧重于提高人群疏散效率,但由于许多假设的规则或模型降低了人群疏散的真实感。数据驱动方法是提高人群疏散真实感的有效途径,其主要目的是使仿真结果尽可能接近视频中人群的运动轨迹;如今机器学习逐渐成为热门领域,数据驱动和机器学习相结合的方法不断被提出并应用于人群疏散仿真中。这两种方法都是通过对视频数据进行学习,进而得到人群运动的速度或轨迹。然而,它们大多属于端到端的学习方法,因此对数据依赖性较强,灵活度不高。针对上述问题,本文提出了一个基于强化学习与深度残差网络学习的人群疏散仿真方法,通过综合利用人群运动特征、机器学习算法以及人群运动仿真计算方法得到了更加真实和灵活的仿真模型。该方法属于非端到端的学习,充分利用了仿真算法和视频中的人群运动特征,降低了对数据的依赖。本文所取得的创新性研究成果归纳如下:(1)针对现有的疏散研究大多缺乏对可变场景和动态运动考虑的问题,本文提出了一种基于强化学习的数据驱动人群疏散(RL-DCE)方法。该方法首先建立数据驱动的人群疏散(DCE)模型,基于视频中的人群运动特征(如位置和速度)量化群体内聚性,并在此基础上提出基于内聚性的K-means(C-K-means)算法对人群分组,获得合并的小组轨迹;其次提出分层路径规划机制,顶层利用获得的小组轨迹和强化学习中的Q-Learning算法规划小组路径,底层用于获取单个个体轨迹并利用相对速度障碍(RVO)方法避免个体碰撞;最后,本文对人群运动仿真结果进行真实感渲染。实验结果表明,该方法能较真实地模拟动态环境下的人群疏散过程。(2)针对当前疏散仿真研究缺乏对场景适应性考虑的问题,本文提出了一个基于深度残差网络的人群仿真方法。该方法首先建立数据驱动的人群属性量化(DCPQ)机制,利用视频中群体的物理属性(如位置和速度)对群体的社会属性(如局部内聚性和全局集群性)进行量化;其次建立用于人群行为属性学习的残差网络(ResNet-CBPL)运动预测模型,以人群属性为参数构造残差网络,利用真实数据学习人群的运动规律;最后,本文对人群运动仿真结果进行真实感渲染。实验结果表明,该方法能真实地模拟人群运动,灵活度较高,并可以应用于各种场景。(3)在实验室搭建的仿真平台基础上,构建了一个基于真实数据驱动的三维运动仿真平台。该平台基于Microsoft Visual Studio 2013和XNA 4.0,分别在济南泉城广场、山东师范大学校园和办公室等场景中进行了疏散仿真的研究与分析。实验结果表明,本文所提出的方法能够真实的模拟不同环境下的人群疏散过程,仿真结果与真实场景下的人群运动具有较高的一致性。