新智元報道

編輯：LRST

【新智元導讀】天津大學聯合清華和卡迪夫大學推出RESCUE系統，把「大腦感知-決策-行動」循環搬進電腦，讓數百個虛擬人同時在線逃生：他們能實時看見地形、同伴和出口，自動繞開障礙，年輕人快跑、老人慢走、殘疾人蹣跚；系統還能把身體24個部位的碰撞力用顏色實時標出來，幫助設計師提前找出潛在風險區域，也能用來演練地鐵火災、演唱會疏散等公共安全場景。

人群疏散模擬對于提高公共安全至關重要，也是構建逼真虛擬動態環境所需要的技術，其發展面臨著復雜人類行為建模難的挑戰。

現有的疏散模擬方法常以2D點表示人群，關注人群位置和軌跡，但忽略了復雜人類行為，如碰撞、交互、摔倒等，以及三維環境、個體行為能力的影響，導致模擬結果不真實。

而現有的三維運動生成方法和角色控制方法也無法同時保證實時性、合理性、個性化、動態感知、以及適用于任意場景和地形，如表1所示。

針對以上問題，天津大學李坤教授團隊聯合英國卡迪夫大學、清華大學，在發表于ICCV2025的工作中，依據人類大腦的「感知-決策-控制」（SDM，Sensory-Decision-Motor）循環機制，提出了首個實時的三維人群疏散模擬框架RESCUE。該框架支持多個智能體并行移動，具有動態的人群感知能力，同時適用于各種場景。

論文鏈接：

https://cic.tju.edu.cn/faculty/likun/projects/RESCUE/imgs/LXL_RESCUE.pdf

項目主頁：http://cic.tju.edu.cn/faculty/likun/projects/RESCUE

代碼鏈接：https://github.com/xiaolin0314/RESCUE

在感知層，研究人員建立了多模態環境信息的分析機制，包括地形特征、障礙物分布及鄰近個體狀態；

在決策層，研究人員提出了三維自適應社會力模型，基于環境動態變化在線計算運動趨勢；

在運動控制層，研究人員設計了個性化步態生成器，結合物理引擎實現了具備物理合理性和個性化的動作輸出。

同時，研究人員設計了部位級接觸力感知與可視化模塊，可幫助疏散過程中關鍵風險的量化分析。

實驗表明，該框架支持在線路徑規劃，可兼容多樣場景和地形，生成的動作物理合理、具有個性化，疏散逃生成功率高、跌倒率低，部位級受力感知準確。

總的來說，該研究可以為公共安全領域的應急預案制定、人群疏散分析提供仿真和參考。同時，此框架具備通用性和擴展性，可以模擬一般的人群運動，如行人。

圖1 RESCUE實現個性化、物理合理、三維自適應的在線人群疏散模擬

RESCUE方法

研究人員的目標是構建一個自適應的多智能體三維疏散模擬框架。神經科學研究表明，人類在復雜環境中會通過分布式神經網絡整合環境信息([1])，運用「感知-決策-運動控制（SDM）」循環來評估并動態調整行為。

以此為啟發，研究人員提出了一個基于SDM循環機制的在線三維疏散模擬框架，將個性化決策與基于物理引擎的角色控制結合，使每個智能體能夠感知周圍動態環境并在線調整行為。

為應對擁堵，研究人員設計了適用于三維環境的自適應社會力模型，用其進行決策與避障。

為了實現行為多樣性，研究人員提出了個性化步態控制器和優化的三維社會力模型，通過年齡、身體狀況等屬性，為每個智能體生成差異化的逃生行為。

此外，研究人員還設計了部位級的受力感知與可視化幫助進行疏散分析。

RESCUE框架總覽

RESCUE旨在生成具有多樣化個體特征的真實感三維疏散仿真，給定場景網格、出口位置和初始位置，在線生成個性化的群體疏散動畫。

框架將在線決策與基于物理的運動生成相結合，如圖2所示，核心包括以下部分：

(1)提出了在線的聯合SDM三維疏散模擬框架：結合在線決策與基于物理的運動生成，該框架支持群體間的相互感知，可適應任意新場景，支持百人級多智能體仿真。

(2)設計了三維自適應的社會力模型，包括繞行力和改進的驅動力、排斥力，及對應的個性化系數，增強了三維環境下的決策制定和動態障礙物避讓能力。

(3)提出了個性化步態控制器，使智能體能夠根據年齡與身體狀況等屬性生成個性化運動。該方法也提供部位級受力感知與可視化，以供疏散分析。

圖2 RESCUE框架總覽

三維自適應的社會力模型決策機制

在三維仿真中，由于使用物理引擎，交互動力學與基于二維點的模型有顯著差異，在擁堵情況下智能體可能絆倒或跌倒，而非僅僅減速，因此高效的尋路需要采取繞行而非等待或碰撞。

研究人員提出了為三維仿真設計的自適應社會力模型。首先，研究人員在經典社會力模型([1])的基礎上增強了驅動力和排斥力，保證智能體正確前往終點并避開障礙物。

為應對因擁堵導致的等待或跌倒的狀況，研究人員提出了繞行力，在智能體前方扇形感知區域內有障礙物時，沿期望行進方向的垂直向量作用，幫助智能體繞行障礙物。

針對青年、中年、老年、病患和殘疾人五大類個體，研究人員在物理引擎中進行了直線路徑測試，通過優化輸入引擎的設定速度，使仿真速度精確匹配文獻中真實逃生速度（精度 0.005 m/s），實現了 SFM 系數的個性化。

三種力合成，保證了在復雜三維環境中既平滑無碰撞，又個性化的疏散運動。

個性化步態控制器

研究人員提出了一種個性化步態控制器，生成符合智能體屬性的逃生步態。

首先，使用Pacer基于策略
根據期望速度在二維平面上采樣軌跡，在給定狀態S（包括位置、姿態狀態、環境狀態）時輸出動作

針對不同屬性的人群，研究人員將其典型步態映射至100 style數據集（[4]）中的個性化標簽，并采用擴散式生成模型，將步態標簽、無個性化動作幀和隨機高斯噪聲為輸入，輸出與標簽對應的個性化動作幀。

為實現精確匹配，研究人員受（[5]）啟發將一個步態周期劃分為初次著地、支撐中期、對側著地和雙腳并攏四個關鍵事件，分別賦予步態值0、0.3、0.5 和 0.75，其他幀通過線性插值填充，再將具有相同步態值的無個性化幀與個性化幀配對。

轉換網絡將CAMDM（[6]）網絡作為backbone，實現從無個性化動作幀到個性化動作幀的轉換，結構如圖3所示。

在每次去噪步驟中，接受帶噪動作樣本、擴散步數t及個性化步態標簽c，學習預測原始無噪聲幀，表示為
以幀級均方誤差損失與三維關節位置損失進行優化，權重由和控制。

完整的損失函數是：

在物理引擎仿真中，將無個性化動作幀的上肢動作
替換為對應的個性化上肢動作，并將仿真產生的整幀動作反饋給感知模塊，用于下一時刻的決策與運動控制循環。

圖3 個性化步態轉換器

部位級受力感知與可視化

研究人員為每個智能體的24個身體部位配備力傳感器，實時記錄與環境或其他智能體接觸時產生的力，并通過顏色深淺漸變直觀展示部位級別的受力強度，部分結果如圖4所示。

這為分析疏散過程中的關鍵受力、預判擁擠環境潛在風險提供了支持。

圖4 多種碰撞情況的力可視化

實驗結果

由于目前尚無個性化的三維疏散仿真方法，研究人員將所提方法與三種相關方法進行了對比：社會力模型([3])、運動生成方法OmniControl([7])和角色控制方法MaskedMimic([8])。

為保證公平比較，研究人員對對比方法進行了適配，先劃分場景中的可行區域，通過A*算法規劃每個初始位置到終點的軌跡，依次將每段軌跡作為輸入引導對比方法的動作生成與控制，使其能夠完成群體疏散任務。

研究人員在四個實驗場景下分別計算50人在1000幀內的平均疏散成功率和平均跌倒次數，每個場景各運行10 次。

由于OmniControl不具備物理真實感，不會產生跌倒現象，其跌倒次數不予計算。結果如表2所示，論文提出的方法在所有場景中均為最優。

表2 定量對比結果

論文還展示了在經典疏散和大規模建筑兩個場景中，三種對比方法與論文方法的疏散過程及運動效果（見圖5）。

社會力模型僅為二維方法，無法表現三維人體運動。

OmniControl無法正確生成受長距離軌跡約束的動作，導致運動畸變、軌跡混亂和過早停止；MaskedMimic缺乏碰撞規避機制，易發生碰撞造成擁堵，也難以體現個體差異。

相比之下，論文方法能夠產生更合理的疏散過程，并針對不同屬性個體模擬個性化的疏散動作。具體可以詳見該工作的demo視頻。

圖5 定性對比結果

研究人員進行了消融實驗（見圖6）和不同類別人群的速度分布統計（見圖7）。

結果證明，設計的三維自適應的社會力決策機制和個性化步態控制器，能夠正確實現相互避讓的動態路徑調整，生成的動作步態具有個性化，使不同類別的群體可以表現出對應的速度和行為模式。

圖6 消融實驗結果

圖7 不同類別人群速度分布箱線圖

研究人員還進行了詳細的說明性實驗，驗證框架是否能夠在多種場景中，還原真實的疏散過程，對疏散分析提供幫助。圖8和圖9展示了不同疏散密度和通道寬度下，瓶頸區域踩踏發生的模擬結果。圖10展示了模型對于不同地形條件的疏散模擬能力。

圖8 疏散密度相同但走廊寬度不同的疏散模擬結果

圖9 走廊寬度相同但疏散密度不同的疏散模擬結果

圖10 各種地形中的疏散模擬結果

總結

論文提出了一種新的人群疏散模擬框架，能夠實現在線決策、交互合理、動態感知、行為個性化的人群運動模擬。

此外，研究人員還設計了部位級的力感知和可視化，增強了疏散分析。實驗證明，該方法可以實時模擬疏散過程中，具有不同屬性個體的個性化準確和物理合理的疏散動態，產生的逃生動作和交互優于現有方法。

通過此框架可以測試疏散場景中觀察到的多種現象，為人群疏散和公共安全提供新的技術手段。同時，該框架也具備通用性和擴展性，可以模擬一般的人群運動，如行人。

參考資料：

[1]Andrei Khilkevich, Michael Lohse, Ryan Low, Ivana Orsolic, Tadej Bozic, Paige Windmill, and Thomas D Mrsic Flogel. Brain-wide dynamics linking sensation to action during decision-making. Nature, pages 1–11, 2024. 1

[2]Davis Rempe, Zhengyi Luo, Xue Bin Peng, Ye Yuan, Kris Kitani, Karsten Kreis, Sanja Fidler, and Or Litany. Trace and Pace: Controllable pedestrian animation via guided trajectory diffusion. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pages 13756-13766, 2023. 1, 2, 3, 4, 7

[3]Dirk Helbing and Peter Molnar. Social force model for pedestrian dynamics. Physical review E, 51(5):4282, 1995. 2, 3, 4

[4]Ian Mason, Sebastian Starke, and Taku Komura. Real-time style modelling of human locomotion via feature-wise trans formations and local motion phases. Proceedings of the ACM on Computer Graphics and Interactive Techniques, 5(1):1–18, 2022. 4, 5

[5]Donald A. Neumann. Kinesiology of the musculoskeletal system: foundations for physical rehabilitation. 2002. 4

[6]Rui Chen, Mingyi Shi, Shaoli Huang, Ping Tan, Taku Komura, and Xuelin Chen. Taming diffusion probabilistic models for character control. In ACM SIGGRAPH 2024 Conference Papers, pages 1–10, 2024. 3, 5

[7]Yiming Xie, Varun Jampani, Lei Zhong, Deqing Sun, and Huaizu Jiang. Omnicontrol: Control any joint at any time for human motion generation. arXiv preprint arXiv:2310.08580, 2023. 1, 2, 3, 5

[8]Chen Tessler, Yunrong Guo, Ofir Nabati, Gal Chechik, and Xue Bin Peng. Maskedmimic: Unified physics-based character control through masked motion inpainting. ACM Transactions on Graphics (TOG), 43(6):1–21, 2024. 1, 2, 5