Hispanopedia Wiki
Articulo de referencia

Simulación de multitudes

La simulación de multitudes es el proceso de simular el movimiento (o dinámica ) de un gran número de entidades o personajes. [ 1 ] Se utiliza comúnmente para crear escenas virt...

Hispanopedia WikiContenido en espanolLectura gratuita

La simulación de multitudes es el proceso de simular el movimiento (odinámica ) de un gran número de entidades o personajes. [ 1 ] Se utiliza comúnmente para crearescenas virtualespara medios visuales como películas yvideojuegos, y también se utiliza en entrenamiento de crisis, [ 2 ] arquitectura y planificación urbana, [ 3 ] y simulación de evacuación. [ 4 ]

La simulación de multitudes puede centrarse en aspectos que apuntan a diferentes aplicaciones. Para la representación realista y rápida de una multitud para medios visuales o cinematografía virtual , se utiliza la reducción de la complejidad de la escena 3D y la representación basada en imágenes , [ 5 ] mientras que las variaciones (cambios) en la apariencia ayudan a presentar una población realista. [ 6 ] [ 7 ]

En juegos y aplicaciones diseñados para replicar el movimiento de multitudes humanas de la vida real , como en simulaciones de evacuación, los agentes simulados pueden necesitar navegar hacia un objetivo, evitar colisiones y exhibir otros comportamientos similares a los humanos. Se han desarrollado muchos algoritmos de dirección de multitudes para guiar a las multitudes simuladas hacia sus objetivos de manera realista. Se están investigando algunos sistemas más generales que pueden soportar diferentes tipos de agentes (como automóviles y peatones), [ 8 ] diferentes niveles de abstracción (como individual y continuo), [ 9 ] agentes que interactúan con objetos inteligentes, [ 10 ] y dinámicas físicas y sociales más complejas . [ 11 ]

Historia

Siempre ha existido un profundo interés en comprender y controlar el movimiento y el comportamiento de las multitudes. Se han producido importantes avances desde los inicios de la investigación en el campo de la simulación de multitudes. Evidentemente, se siguen realizando y publicando nuevos hallazgos que mejoran la escalabilidad, la flexibilidad, la aplicabilidad y el realismo de las simulaciones.

En 1987, Craig Reynolds introdujo y desarrolló la animación conductual . [ 12 ] Simuló bandadas de aves junto con bancos de peces con el propósito de estudiar la intuición y el movimiento grupal. Todos los agentes dentro de estas simulaciones tenían acceso directo a las posiciones y velocidades respectivas de los agentes que los rodeaban. La teoría y el estudio establecidos por Reynolds fueron mejorados y ampliados en 1994 por Xiaoyuan Tu , Demetri Terzopoulos y Radek Grzeszczuk. [ 13 ] Se abordó la calidad realista de la simulación ya que los agentes individuales estaban equipados con visión sintética y una vista general del entorno en el que residían, lo que permitía una conciencia perceptiva dentro de sus hábitats dinámicos.

La investigación inicial en el campo de la simulación de multitudes comenzó en 1997 con la supervisión de Daniel Thalmann de la tesis doctoral de Soraia Raupp Musse. Presentan un nuevo modelo de comportamiento de multitudes para crear una simulación de poblaciones genéricas. [ 14 ] Aquí se establece una relación entre el comportamiento autónomo del individuo dentro de la multitud y el comportamiento emergente que se origina a partir de este. [ 15 ]

En 1999, la navegación individualista comenzó su andadura en el ámbito de la simulación de multitudes gracias a la investigación continua de Craig Reynolds. [ 16 ] Se ha demostrado que los comportamientos de dirección desempeñan un papel fundamental en el proceso de automatización de agentes dentro de una simulación. Reynolds afirma que los procesos de locomoción de bajo nivel dependen de los comportamientos de dirección de nivel medio y de los estados objetivo y estrategias de búsqueda de rutas de nivel superior. Partiendo del trabajo avanzado de Reynolds, Musse y Thalmann comenzaron a estudiar el modelado de simulaciones en tiempo real de estas multitudes y sus aplicaciones al comportamiento humano. El control de multitudes humanas se designó como una organización jerárquica con niveles de autonomía entre los agentes. Esto marca el inicio del modelado del comportamiento individual en su forma más elemental en agentes humanoides o humanos virtuales . [ 17 ]

Coincidiendo con las publicaciones sobre modelos de comportamiento humano y simulaciones de comportamientos grupales, la propuesta de Matt Anderson, Eric McDaniel y Stephen Chenney de imponer restricciones al comportamiento [ 18 ] ganó popularidad. Se presentó la posibilidad de aplicar restricciones a las animaciones grupales en cualquier momento de la simulación. Este proceso de aplicación de restricciones al modelo de comportamiento se lleva a cabo de dos maneras: primero, determinando el conjunto inicial de trayectorias objetivo que coinciden con las restricciones, y luego aplicando reglas de comportamiento a estas trayectorias para seleccionar aquellas que no las infringen.

A partir de los hallazgos propuestos en su trabajo con Musse, Thalmann, junto con Bratislava Ulicny y Pablo de Heras Ciechomski, propuso un nuevo modelo que permitía la creación interactiva de agentes a nivel individual, grupal y colectivo. Se introduce una metáfora del pincel para distribuir, modelar y controlar a los miembros de la multitud en tiempo real con retroalimentación inmediata. [ 19 ]

Dinámica de multitudes

Uno de los principales objetivos en la simulación de multitudes es dirigir a las multitudes de forma realista y recrear los comportamientos dinámicos humanos.

Existen diversos enfoques generales para la simulación de multitudes y la IA, cada uno con sus ventajas y desventajas según el tamaño de la multitud y la escala temporal. La escala temporal se refiere a cómo el objetivo de la simulación influye en su duración. Por ejemplo, investigar cuestiones sociales como la propagación de ideologías en una población dará como resultado una simulación mucho más larga, ya que un evento de este tipo puede durar meses o incluso años. Utilizando estas dos características, los investigadores han intentado aplicar clasificaciones para evaluar y organizar mejor los simuladores de multitudes existentes. [ 20 ]

Enfoque basado en el flujo
Las simulaciones de multitudes basadas en el flujo se centran en la multitud en su conjunto, en lugar de en sus componentes. Por lo tanto, los individuos no presentan comportamientos distintivos derivados de la información de su entorno, y los factores conductuales se reducen considerablemente. [ 21 ] Este modelo se utiliza principalmente para estimar el flujo de movimiento de una multitud grande y densa en un entorno determinado. Es especialmente útil para estudiar grandes multitudes con objetivos de corto plazo.
Enfoque basado en entidades
En esta categoría se incluyen los modelos que implementan un conjunto de leyes físicas, predefinidas y globales, diseñadas para simular factores sociales y psicológicos que se presentan en individuos que forman parte de una multitud. En este caso, las entidades carecen de la capacidad de pensar por sí mismas. Todos sus movimientos están determinados por las leyes globales que se les aplican. Las simulaciones que utilizan este modelo suelen emplearse para investigar la dinámica de multitudes, como la aglomeración y el comportamiento de enjambre. Este enfoque es especialmente adecuado para multitudes pequeñas y medianas con objetivos a corto plazo.
Enfoque basado en agentes
Caracterizado por individuos autónomos que interactúan entre sí. [ 22 ] En este enfoque, a cada agente de una multitud se le otorga un grado de inteligencia; pueden reaccionar a cada situación por sí mismos basándose en un conjunto de reglas de decisión. La información utilizada para decidir una acción se obtiene localmente del entorno del agente. Este enfoque se utiliza con mayor frecuencia para simular el comportamiento realista de multitudes, ya que el investigador tiene total libertad para implementar cualquier comportamiento.

Sistemas de partículas

Una forma de simular multitudes virtuales es mediante un sistema de partículas . Los sistemas de partículas fueron introducidos por primera vez en gráficos por computadora por WT Reeves en 1983. [ 23 ] Un sistema de partículas es una colección de varios elementos individuales o partículas . Cada partícula puede actuar de forma autónoma y se le asigna un conjunto de atributos físicos (como color, tamaño y velocidad).

Un sistema de partículas es dinámico, ya que el movimiento de las partículas cambia con el tiempo. El movimiento de un sistema de partículas es lo que lo hace tan deseable y fácil de implementar. Calcular el movimiento de estas partículas requiere muy poco tiempo. Simplemente implica física: la suma de todas las fuerzas que actúan sobre una partícula determina su movimiento. Fuerzas como la gravedad, la fricción y la fuerza de una colisión, así como fuerzas sociales como la fuerza de atracción de un objetivo.

Normalmente, cada partícula posee un vector de velocidad y un vector de posición , que contienen información sobre su velocidad y posición actuales, respectivamente. La siguiente posición de la partícula se calcula sumando su vector de velocidad a su vector de posición. Esta es una operación muy sencilla (de ahí la importancia de los sistemas de partículas). Su vector de velocidad cambia con el tiempo, en respuesta a las fuerzas que actúan sobre la partícula. Por ejemplo, una colisión con otra partícula provocará un cambio de dirección.

Los sistemas de partículas se han utilizado ampliamente en películas para efectos como explosiones, para efectos de agua en la película de 2000 La tormenta perfecta y para simular gas en la película de 1994 La máscara .

Sin embargo, los sistemas de partículas presentan algunas desventajas. Puede ser una mala idea utilizar un sistema de partículas para simular agentes en una multitud que el director moverá por orden, ya que resulta muy difícil determinar qué partículas pertenecen al agente y cuáles no.

Algoritmo de Patil y Van Den Berg

Este algoritmo fue diseñado para multitudes relativamente simples, donde cada agente solo desea llegar a su destino mientras evita obstáculos. [ 24 ] Este algoritmo podría usarse para simular una multitud en Times Square.

La característica más importante y distintiva del algoritmo de Patil es que utiliza el concepto de campos de navegación para dirigir a los agentes. Esto difiere de un campo de guía; un campo de guía es un área alrededor del agente en la que este puede "ver" o detectar información. Los campos de guía se utilizan normalmente para evitar obstáculos, en particular obstáculos dinámicos (obstáculos en movimiento). Cada agente posee su propio campo de guía. Un campo de navegación, por otro lado, es un campo vectorial que calcula la ruta de menor coste para que cada agente alcance su posición objetivo.

El campo de navegación solo puede utilizarse correctamente cuando existe una ruta desde cada posición libre (sin obstáculos) del entorno hasta una de las posiciones objetivo. El campo de navegación se calcula utilizando las coordenadas de los objetos estáticos del entorno, las posiciones objetivo de cada agente y el campo de guía de cada agente. Para garantizar que cada agente alcance su objetivo, el campo de navegación debe estar libre de mínimos locales, salvo la presencia de sumideros en los objetivos especificados.

El algoritmo depende únicamente de la resolución de la cuadrícula y no del número de agentes en el entorno. Sin embargo, este algoritmo tiene un alto coste de memoria.

Modelado de comportamiento individual

Una técnica para la simulación de multitudes basada en IA consiste en modelar el comportamiento de la multitud mediante la simulación avanzada de las motivaciones y la toma de decisiones de cada agente. Generalmente, esto implica asignar a cada agente un conjunto de variables que miden diversos rasgos o estados, como el estrés, la personalidad o diferentes objetivos. Si bien esto da como resultado un comportamiento de la multitud más realista, puede requerir mayor capacidad de cálculo que las técnicas más sencillas.

Modelos basados ​​en la personalidad

Un método para crear un comportamiento individualizado en los agentes de la multitud es mediante el uso de rasgos de personalidad. [ 25 ] Cada agente puede tener ciertos aspectos de su personalidad ajustados según una fórmula que asocia aspectos como la agresividad o la impulsividad con variables que rigen su comportamiento. Una forma de encontrar esta asociación es mediante un estudio subjetivo en el que se asignan aleatoriamente valores a estas variables y se pide a los participantes que describan a cada agente en función de estos rasgos de personalidad. Posteriormente, se puede realizar una regresión para determinar la correlación entre estos rasgos y las variables del agente. De esta manera, se pueden ajustar los rasgos de personalidad para que tengan un efecto apropiado en el comportamiento del agente.

El modelo de personalidad OCEAN se ha utilizado para definir una correspondencia entre rasgos de personalidad y parámetros de simulación de multitudes. La automatización del ajuste de parámetros de multitudes con rasgos de personalidad facilita la creación de escenarios con multitudes heterogéneas. [ 26 ]

Modelo basado en el estrés

El comportamiento de las multitudes en situaciones de alto estrés puede modelarse utilizando la teoría del Síndrome de Adaptación General . [ 27 ] El comportamiento del agente se ve afectado por varios factores estresantes de su entorno, categorizados en cuatro prototipos: presión de tiempo, presión de área, factores estresantes posicionales y factores estresantes interpersonales, cada uno con modelos matemáticos asociados.

La presión del tiempo se refiere a los factores estresantes relacionados con un plazo límite para alcanzar un objetivo específico. Un ejemplo sería cruzar la calle con un semáforo peatonal con límite de tiempo o subir a un tren antes de que se cierren las puertas.

La presión superficial se refiere a los factores estresantes que surgen como resultado de una condición ambiental. Algunos ejemplos serían el ruido o el calor en un área determinada. La intensidad de este factor estresante es constante en un área específica.

Los factores estresantes posicionales se refieren a aquellos asociados con una fuente local de estrés. La intensidad de este factor aumenta a medida que un agente se acerca a la fuente del estrés. Un ejemplo sería un incendio o un objeto dinámico como un agresor.

Ejemplos notables de simulación de multitudes mediante IA se pueden ver en las películas de El Señor de los Anillos de New Line Cinema , donde ejércitos de IA formados por miles de personajes luchan entre sí. Esta simulación de multitudes se realizó utilizando el software Massive de Weta Digital .

Sociología

La simulación de multitudes también puede referirse a simulaciones basadas en la dinámica de grupos , la psicología de las multitudes e incluso la etiqueta social . [ 28 ] En este caso, el enfoque está en el comportamiento de la multitud, no necesariamente en el realismo visual de la simulación. Las multitudes han sido objeto de estudio científico desde finales del siglo XIX. Gran parte de la investigación se ha centrado en el comportamiento social colectivo de las personas en reuniones sociales, asambleas, protestas, rebeliones, conciertos, eventos deportivos y ceremonias religiosas. Obtener información sobre el comportamiento humano natural bajo diferentes tipos de situaciones estresantes permitirá crear mejores modelos que puedan utilizarse para desarrollar estrategias de control de multitudes, a menudo en la planificación de la seguridad pública.

Los equipos de respuesta a emergencias, como la policía, la Guardia Nacional, el ejército e incluso los voluntarios, deben recibir algún tipo de capacitación en control de multitudes. La aplicación de principios de investigación sobre el comportamiento humano en multitudes puede brindar a los diseñadores de capacitación en desastres más elementos para crear simulaciones realistas. El comportamiento de las multitudes puede observarse tanto en situaciones de pánico como en situaciones normales. Los programas militares están recurriendo cada vez más a la capacitación simulada en respuesta a emergencias debido a la rentabilidad de su tecnología y a la eficacia con la que se puede transferir el aprendizaje al mundo real. Muchos eventos que comienzan de forma controlada pueden sufrir un giro inesperado que los convierte en situaciones catastróficas, donde se deben tomar decisiones de inmediato. Es en estas situaciones donde la comprensión de la dinámica de las multitudes podría desempeñar un papel vital en la reducción del potencial de caos.

Las técnicas de modelado de multitudes varían desde enfoques holísticos o de red hasta la comprensión de los aspectos individuales o conductuales de cada agente. Por ejemplo, el Modelo de Fuerza Social describe la necesidad de que los individuos encuentren un equilibrio entre la interacción social y la interacción física. Un enfoque que incorpore ambos aspectos y sea capaz de adaptarse según la situación describiría mejor el comportamiento humano natural, incorporando siempre cierto grado de imprevisibilidad. Con el uso de modelos multiagente, comprender estos comportamientos complejos se ha vuelto una tarea mucho más comprensible. Gracias a este tipo de software, ahora es posible probar sistemas en condiciones extremas y simular situaciones durante largos periodos de tiempo en cuestión de segundos.

En ciertas situaciones, el comportamiento de enjambres de animales no humanos puede utilizarse como modelo experimental del comportamiento de multitudes. Se ha observado que el comportamiento de pánico de las hormigas al ser expuestas a un repelente químico en un espacio confinado con vías de escape limitadas presenta similitudes y diferencias con el comportamiento humano equivalente. [ 29 ] [ 30 ]

Modelado de comportamientos individuales

Hacohen, Shoval y Shvalb [ 31 ] formularon la dinámica entre conductores y peatones en puntos de conflicto congestionados. En tales escenarios, los conductores y/o peatones no respetan estrictamente las normas de tráfico. El modelo se basa en la función de navegación probabilística (PNF), desarrollada originalmente para la planificación de movimientos en robótica. El algoritmo construye una trayectoria según la probabilidad de colisión en cada punto de la zona de cruce. El peatón sigue entonces una trayectoria que minimiza localmente su probabilidad percibida de colisión.

Helbing propuso un modelo basado en la física, utilizando un sistema de partículas y fuerzas sociopsicológicas para describir el comportamiento de multitudes humanas en situaciones de pánico; este modelo se conoce como el Modelo de Helbing. Su trabajo se basa en cómo reaccionaría una persona promedio en una situación determinada. Si bien este es un buen modelo, siempre existen diferentes tipos de personas en la multitud, cada una con sus propias características individuales y su forma de actuar dentro de la estructura grupal. Por ejemplo, una persona puede no reaccionar ante una situación de pánico, mientras que otra puede detenerse e interferir en la dinámica de la multitud en su conjunto. Además, dependiendo de la estructura del grupo, la acción individual puede cambiar debido a que el agente forma parte de un grupo; por ejemplo, regresar a un lugar peligroso para rescatar a un miembro de ese grupo. El modelo de Helbing puede generalizarse incorporando el individualismo, como propusieron Braun, Musse, Oliveira y Bodmann. [ 32 ]

Para abordar este problema, se debe asignar individualidad a cada agente, lo que permitirá manejar diferentes tipos de comportamientos. Otro aspecto para abordar este problema es la posibilidad de agrupar a las personas; la formación de estos grupos provoca que las personas modifiquen su comportamiento en función de la estructura del grupo. Cada agente (individuo) puede definirse según los siguientes parámetros:

  1. Id – Identificador del agente
  2. IdFamily – Identificador de la familia. Una familia es un grupo predefinido formado por agentes que se conocen entre sí.
  3. DE – Nivel de dependencia del agente que imita la necesidad de ayuda. Valores [0,1]
  4. AL – Nivel de altruismo que representa la tendencia a ayudar a otros agentes. Valores [0,1]
  5. v i – Velocidad del agente

Para modelar el efecto del parámetro de dependencia con agentes individuales.

Al evaluar la velocidad del agente, es evidente que si el factor de dependencia (DE) es igual a uno, la persona quedaría totalmente incapacitada e incapaz de moverse. Si el factor de dependencia es igual a cero, la persona puede correr a su máxima velocidad.

La formación de grupos está relacionada con la fuerza del altruismo, que se implementa como una fuerza de interacción entre dos o más agentes que forman parte de la misma familia.

Esto sería útil en situaciones de evacuación. Por ejemplo, la evacuación de un edificio en caso de incendio. Teniendo en cuenta las características de los agentes individuales y su desempeño grupal, determinar cómo saldrá la multitud del edificio es fundamental para crear la distribución del mismo. [ 32 ]

Comportamiento del líder durante simulacros de evacuación

Como se describió anteriormente, el modelo de Helbing se utiliza como base para el análisis del comportamiento de las multitudes. Este mismo tipo de modelo de comportamiento se emplea en simulaciones de evacuación.

En general, lo primero que hay que asumir es que no todos tienen conocimiento del entorno ni de dónde hay peligros. Partiendo de esta premisa, podemos crear tres tipos de agentes. El primer tipo es un líder entrenado: este agente conoce el entorno y puede transmitir ese conocimiento a otros agentes para que sepan cómo salir de él. El siguiente tipo es un líder no entrenado: este agente desconoce el entorno, pero a medida que lo explora y obtiene información de otros líderes, puede difundir ese conocimiento. El último tipo es un seguidor: este agente solo puede recibir información de otros líderes y no puede compartirla con otros agentes.

La implementación de este tipo de agentes es bastante sencilla. Los líderes del entorno tienen un mapa del mismo guardado como uno de sus atributos. Un líder y sus seguidores sin entrenamiento comenzarán con un mapa vacío como atributo. Estos líderes y seguidores explorarán el entorno por su cuenta y crearán un mapa de las zonas transitables y no transitables. Los líderes y los líderes sin entrenamiento (una vez que adquieran los conocimientos necesarios) compartirán información con otros agentes según su proximidad. Compartirán información sobre los puntos bloqueados en la cuadrícula, los subgrafos locales y los peligros de la zona.

Se probaron dos tipos de algoritmos de búsqueda para esta implementación: la búsqueda aleatoria y la búsqueda en profundidad. En la búsqueda aleatoria, cada agente se desplaza en cualquier dirección a través del entorno intentando encontrar una salida. En la búsqueda en profundidad, los agentes siguen un camino hasta donde les es posible y, si el camino recorrido no contiene una salida, regresan e intentan otro. Se descubrió que la búsqueda en profundidad proporcionaba una aceleración de 15 veces en comparación con la búsqueda aleatoria. [ 33 ]

Simulaciones escalables

Hay muchas situaciones diferentes que entran en juego en las simulaciones de multitudes. [ 34 ] Recientemente, la simulación de multitudes ha sido esencial para muchas aplicaciones de entornos virtuales como educación, capacitación y entretenimiento. Muchas situaciones se basan en el entorno de la simulación o el comportamiento del grupo de agentes locales. En las aplicaciones de realidad virtual, cada agente interactúa con muchos otros agentes en el entorno, lo que requiere interacciones complejas en tiempo real. Los agentes deben tener cambios continuos en el entorno ya que los comportamientos de los agentes permiten interacciones complejas. La arquitectura escalable puede gestionar grandes multitudes a través del comportamiento y las tasas de interacción. Estas situaciones indicarán cómo actuarán las multitudes en múltiples escenarios complejos mientras se aplican varias situaciones diferentes. Una situación puede ser cualquier circunstancia que tenga comportamientos locales típicos. Podemos categorizar todas las situaciones en dos tipos diferentes.

Una situación espacial es aquella que se desarrolla en una región donde el entorno afecta a los agentes locales. Por ejemplo, una multitud haciendo fila para comprar boletos representa una situación espacial. Otros ejemplos podrían ser una parada de autobús o un cajero automático, donde los personajes interactúan con su entorno. Por lo tanto, consideraríamos una "parada de autobús" como una situación espacial si el comportamiento de los agentes consiste en subir o bajar de un autobús.

Una situación no espacial no tiene una región definida en el entorno, ya que solo involucra el comportamiento de la multitud. La relación entre los agentes locales es un factor importante a considerar al determinar el comportamiento. Un ejemplo sería un grupo de amigos caminando juntos. El comportamiento típico de los amigos sería moverse juntos. Esto significa que la "amistad" se manifestaría en el comportamiento típico de caminar juntos.

La estructura de cualquier situación se basa en cuatro componentes: funciones de comportamiento, sensores, estados y reglas de eventos. Las funciones de comportamiento representan las conductas específicas de los personajes en cada situación. Los sensores permiten a los agentes percibir y responder a los eventos. Los estados son los diferentes movimientos y transiciones de estado que se utilizan únicamente para las conductas locales. Las reglas de eventos permiten conectar los diferentes eventos con sus conductas específicas. Al introducir un personaje en una situación, estos cuatro componentes se consideran simultáneamente. En situaciones espaciales, los componentes se añaden cuando el individuo entra inicialmente en el entorno que influye en el personaje. En situaciones no espaciales, el personaje solo se ve afectado una vez que el usuario le asigna la situación. Los cuatro componentes se eliminan cuando el agente sale de la región de la situación o cuando se elimina la situación misma. La adición y eliminación dinámica de situaciones permite obtener agentes escalables.

Comportamientos similares a los humanos e inteligencia artificial de multitudes

Una simulación de multitud en la plaza de Covent Garden , Londres, que muestra a una multitud de agentes peatonales reaccionando ante un artista callejero.

Para simular más aspectos de la actividad humana en una multitud, se necesita algo más que la planificación de trayectorias y movimientos. Las interacciones sociales complejas, la manipulación inteligente de objetos y los modelos híbridos representan desafíos en este ámbito. El comportamiento simulado de la multitud se inspira en el flujo de multitudes reales. Se analizan patrones de comportamiento, velocidades y densidades de movimiento, así como anomalías , en diversos entornos y tipos de edificios. Se realiza un seguimiento de los individuos y se documentan sus movimientos para poder desarrollar e implementar algoritmos en las simulaciones de multitudes.

Las entidades individuales en una multitud también se denominan agentes . Para que una multitud se comporte de manera realista, cada agente debe actuar de forma autónoma (ser capaz de actuar independientemente de los demás agentes). Esta idea se conoce como modelo basado en agentes. Además, generalmente se busca que los agentes actúen con cierto grado de inteligencia (es decir, que no realicen acciones que les causen daño). Para que los agentes tomen decisiones inteligentes y realistas, deben actuar de acuerdo con su entorno, reaccionar a sus cambios y reaccionar ante los demás agentes. Terzopoulos y sus estudiantes fueron pioneros en los modelos basados ​​en agentes de peatones, un enfoque denominado simulación multihumana para distinguirlo de la simulación de multitudes convencional. [ 22 ] [ 35 ] [ 28 ]

Inteligencia artificial basada en reglas

La jerarquía de necesidades de Maslow
La jerarquía de necesidades de Maslow

En la IA basada en reglas, los agentes virtuales siguen guiones: "si ocurre esto, haz aquello". Este enfoque es adecuado cuando se requieren agentes con diferentes roles, como un personaje principal y varios personajes secundarios. Este tipo de IA suele implementarse con una jerarquía, similar a la jerarquía de necesidades de Maslow , donde cuanto más abajo se encuentra una necesidad en la jerarquía, más importante es.

Por ejemplo, consideremos a un estudiante que va camino a clase, se topa con una explosión y huye. La teoría subyacente es que, inicialmente, se satisfacen los primeros cuatro niveles de sus necesidades, y el estudiante actúa en función de su necesidad de autorrealización. Cuando ocurre la explosión, su seguridad se ve amenazada, lo que constituye una necesidad mucho más fuerte, lo que lo lleva a actuar en función de esa necesidad.

Este enfoque es escalable y puede aplicarse a multitudes con un gran número de agentes. Sin embargo, la IA basada en reglas presenta algunas desventajas. La más notable es que el comportamiento de los agentes puede volverse muy predecible, lo que puede provocar que una multitud se comporte de forma irreal.

IA de aprendizaje

En el aprendizaje de la IA, los personajes virtuales se comportan de maneras previamente probadas para ayudarlos a alcanzar sus objetivos. Los agentes experimentan con su entorno o con un entorno de muestra similar al real.

Los agentes realizan diversas acciones y aprenden de sus errores. Cada agente modifica su comportamiento en respuesta a las recompensas y castigos que recibe del entorno. Con el tiempo, cada agente desarrollará comportamientos que le permitirán obtener mayores recompensas de forma consistente.

Si se utiliza este enfoque, junto con una gran cantidad de comportamientos posibles y un entorno complejo, los agentes actuarán de manera realista e impredecible.

Algoritmos

Existe una amplia variedad de algoritmos de aprendizaje automático que se pueden aplicar a las simulaciones de multitudes.

El aprendizaje Q es un algoritmo que pertenece al subcampo del aprendizaje automático conocido como aprendizaje por refuerzo. En resumen, a cada acción se le asigna un valor Q, y a cada agente se le indica que realice siempre la acción con el valor Q más alto. En este caso, el aprendizaje se refiere a la forma en que se asignan los valores Q, que se basa completamente en la recompensa. Cuando un agente interactúa con un estado (s) y una acción (a), el algoritmo estima la recompensa total que recibiría por realizar ese par estado-acción. Tras calcular estos datos, se almacenan en el conocimiento del agente, quien procede a actuar en consecuencia.

El agente modificará constantemente su comportamiento en función del mejor valor Q disponible. Y a medida que explore más y más el entorno, aprenderá las combinaciones óptimas de estado y acción para realizar en casi cualquier situación.

La siguiente función describe la mayor parte del algoritmo:

Q(s,a)←r+máximoa′Q(s′,a′){\displaystyle Q(s,a)\leftarrow r+\max _{a'}Q(s',a')}

Dado un estados{\displaystyle s}y accióna{\displaystyle a},r{\displaystyle r}ys′{\displaystyle s'}son la recompensa y el estado después de realizar una acción determinada. Basado en este algoritmo,a′{\displaystyle a'}abarca todas las acciones realizadas. [ 36 ]

Renderizado y animación de multitudes

Renderizar y animar un gran número de agentes de forma realista, especialmente en tiempo real, es un desafío. Para reducir la complejidad de la renderización 3D de multitudes a gran escala, se han utilizado técnicas como el descarte (eliminación de objetos sin importancia), los impostores (renderización basada en imágenes) y la disminución de los niveles de detalle. [ 37 ] En las multitudes reales existen variaciones en la apariencia, la forma y el tamaño del cuerpo, los accesorios y el comportamiento (social o cultural), y la falta de variedad afecta el realismo de las simulaciones visuales. Los sistemas existentes pueden crear multitudes virtuales con textura variable, [ 7 ] color, [ 38 ] tamaño, forma y animación. [ 6 ]

Aplicaciones en el mundo real

Cinematografía virtual

Las simulaciones de multitudes se han utilizado ampliamente en el cine como una alternativa rentable y realista a la contratación de actores y la captura de tomas que de otro modo serían irreales. Un ejemplo significativo de su uso se encuentra en la saga cinematográfica de El Señor de los Anillos . Uno de los problemas más evidentes para el equipo de producción en las etapas iniciales fueron las batallas a gran escala, ya que el autor de las novelas, JRR Tolkien, las imaginó con al menos 50.000 participantes. Tal cifra era irreal si hubieran decidido contratar únicamente actores y actrices reales. En su lugar, optaron por utilizar CGI para simular estas escenas mediante el Sistema de Simulación de Agentes Múltiples en un Entorno Virtual, también conocido como MASSIVE. El plugin de Maya para simulación de multitudes, Miarmy , basado en Human Logic Engine, se utilizó para el desarrollo de estas secuencias. El software permitió a los cineastas dotar a cada modelo de personaje de una IA basada en agentes que podía utilizar una biblioteca de 350 animaciones. Basándose en parámetros de vista, oído y tacto generados a partir de la simulación, los agentes reaccionaban de forma única a cada situación. Por lo tanto, cada simulación de la escena era impredecible. El producto final demostró claramente las ventajas de utilizar software de simulación de multitudes. [ 39 ]

Planificación urbana

El desarrollo de software de simulación de multitudes se ha convertido en una herramienta moderna y útil para el diseño de entornos urbanos. Mientras que el método tradicional de planificación urbana se basa en mapas y bocetos abstractos, una simulación digital es más capaz de transmitir tanto la forma como la intención del diseño, desde el arquitecto hasta el peatón. Por ejemplo, las señales de tráfico y los semáforos son señales visuales localizadas que influyen en los peatones para que se muevan y se comporten en consecuencia. Siguiendo esta lógica, una persona puede moverse del punto A al punto B de forma eficiente, y un grupo de personas puede operar de manera más efectiva como resultado. En un sentido más amplio, los sistemas de autobuses y los restaurantes de carretera cumplen una función espacial en sus ubicaciones mediante la comprensión de los patrones de movimiento humano. [ 40 ] La serie de videojuegos SimCity ejemplifica este concepto de una manera más simple. En esta serie, el jugador asigna el desarrollo de la ciudad en zonas designadas, manteniendo un presupuesto adecuado. La progresión desde un terreno baldío hasta una ciudad bulliciosa está totalmente controlada por las decisiones del jugador, y los ciudadanos digitales se comportan de acuerdo con el diseño y los eventos de la ciudad.

Evacuación y control de disturbios

Las simulaciones de multitudes realistas pueden utilizarse en la formación para el control de disturbios, la arquitectura y la ciencia de la seguridad (planificación de evacuaciones).

Militar

Dado que las simulaciones de multitudes son tan comunes en la planificación pública y el mantenimiento del orden en situaciones caóticas, se pueden extraer numerosas aplicaciones para simulaciones gubernamentales y militares. El modelado de multitudes es esencial en la simulación policial y militar para entrenar a oficiales y soldados en el manejo de grandes concentraciones de personas. No solo los combatientes ofensivos resultan difíciles de controlar para estos individuos, sino que las multitudes no combatientes desempeñan un papel importante en el descontrol de estas situaciones agresivas. La tecnología de videojuegos se utiliza para simular estas situaciones y permitir que soldados y técnicos practiquen sus habilidades. [ 41 ]

Sociología

El comportamiento de una multitud modelada desempeña un papel fundamental en los análisis. Estas dinámicas se basan en el comportamiento físico de los individuos dentro de la multitud, más que en la realidad visual del modelo en sí. Los comportamientos sociales de las personas dentro de estas estructuras han sido objeto de interés durante muchos años, y los conceptos sociológicos que sustentan estas interacciones se estudian constantemente. La simulación de multitudes en diferentes situaciones permite el estudio sociológico de reuniones reales en diversos entornos y lugares. Las variaciones en el comportamiento humano en situaciones con distintos niveles de estrés posibilitan el desarrollo y la creación de estrategias de control de multitudes que pueden aplicarse de forma más específica a cada situación, en lugar de ser generalizadas.

Véase también

Referencias

  1. ↑ Thalmann, Daniel (2016). "Simulación de multitudes". Enciclopedia de gráficos por computadora y juegos . págs. 1–8 . doi : 10.1007/978-3-319-08234-9_69-1 . ISBN  978-3-319-08234-9.
  2. ↑ Comptdaer, Jérôme; Chiva, Emmanuel; Delorme, Stéphane; Morlaye, Henri; Volpoët, Jérôme (marzo de 2007). Modelos de comportamiento multiescala para la simulación de entrenamiento en crisis urbanas (PDF) . 16.ª Conferencia sobre Representación del Comportamiento en Modelado y Simulación 2007. pág. 317. Archivado del original (PDF) el 21 de diciembre de 2016. 
  3. ↑ Drettakis, George; Roussou, Maria; Reche, Alex; Tsingos, Nicolas (2007). "Diseño y evaluación de un entorno virtual del mundo real para arquitectura y planificación urbana" (PDF) . Presence: Teleoperators and Virtual Environments . 16 (3): 318–32 . doi : 10.1162/pres.16.3.318 .
  4. ↑ Gwynne, S.; Galea, ER; Owen, M.; Lawrence, PJ; Filippidis, L. (1999). "Una revisión de las metodologías utilizadas en la simulación por computadora de la evacuación del entorno construido". Building and Environment . 34 (6): 741– 9. Bibcode : 1999BuEnv..34..741G . doi : 10.1016/S0360-1323(98)00057-2 .
  5. ↑ Tecchia, Franco; Loscos, Celine; Chrysanthou, Yiorgos (2002). "Visualizing Crowds in Real-Time". Computer Graphics Forum . 21 (4): 753– 65. doi : 10.1111/1467-8659.00633 .
  6. 1 2 Thalmann, Daniel; Grillon, Helena; Maim, Jonathan; Yersin, Barbara (2009). "Desafíos en la simulación de multitudes". Conferencia Internacional de 2009 sobre Mundos Cibernéticos (PDF) . págs. 1–12 . doi : 10.1109/CW.2009.23 . ISBN  978-1-4244-4864-7.
  7. 1 2 Maim, J.; Yersin, B.; Thalmann, D. (2009). "Instancias únicas de caracteres para multitudes" . IEEE Computer Graphics and Applications . 29 (6): 82– 90. Bibcode : 2009ICGA...29f..82M . doi : 10.1109/MCG.2009.129 . PMID 24806782 . 
  8. ↑ Chao, Qianwen; Deng, Zhigang; Jin, Xiaogang (2015). "Interacción vehículo-peatón para simulación de tráfico mixto". Computer Animation and Virtual Worlds . 26 ( 3–4 ): 405–12 . doi : 10.1002/cav.1654 .
  9. ↑ Sewall, Jason; Wilkie, David; Lin, Ming C. (2011). "Simulación híbrida interactiva de tráfico a gran escala". ACM Transactions on Graphics . 30 (6): 1. doi : 10.1145/2070781.2024169 .
  10. ↑ Kallmann, Marcelo; Thalmann, Daniel (1999). "Modelado de objetos para tareas de interacción". Computer Animation and Simulation '98 . Eurographics. pp. 73–86 . doi : 10.1007/978-3-7091-6375-7_6 . ISBN  978-3-211-83257-8.
  11. ↑ Pelechano, N.; Allbeck, JM; Badler, NI (2007). Control de agentes individuales en la simulación de multitudes de alta densidad . Simposio Eurographics/Siggraph sobre animación por computadora. doi : 10.2312/SCA/SCA07/099-108 . ISBN 978-3-905673-44-9.
  12. ↑ Reynolds, Craig W. (1987). «Rebaños, manadas y cardúmenes: Un modelo de comportamiento distribuido». Actas de la 14.ª conferencia anual sobre gráficos por computadora y técnicas interactivas . págs. 25–34 . doi : 10.1145/37401.37406 . ISBN  0-89791-227-6.
  13. ↑ Terzopoulos, Demetri; Tu, Xiaoyuan; Grzeszczuk, Radek (julio de 1994). "Peces artificiales: locomoción autónoma, percepción, comportamiento y aprendizaje en un mundo físico simulado". Artificial Life . 1 (4): 327– 351. doi : 10.1162/artl.1994.1.4.327 .
  14. ↑ Thalmann, Daniel; Musse, Soraia Raupp (4 de octubre de 2012). Simulación de multitudes . Medios de ciencia y negocios de Springer. ISBN 978-1-4471-4449-6.
  15. ↑ Musse, SR; Thalmann, D. (1997). "Un modelo de comportamiento de multitudes humanas : análisis de interrelación grupal y detección de colisiones". Computer Animation and Simulation '97 . Eurographics. pp. 39–51 . doi : 10.1007/978-3-7091-6874-5_3 . ISBN   978-3-211-83048-2.
  16. ↑ "Comportamientos de dirección para personajes autónomos" . www.red3d.com . Consultado el 17 de diciembre de 2016 .
  17. ↑ Musse, SR; Thalmann, D. (2001). "Modelo jerárquico para la simulación en tiempo real de multitudes humanas virtuales" . IEEE Transactions on Visualization and Computer Graphics (Manuscrito enviado). 7 (2): 152– 64. Bibcode : 2001ITVCG...7..152M . doi : 10.1109/2945.928167 .
  18. ↑ Matt Anderson; Eric McDaniel; Stephen Chenney (26-27 de julio de 2003). «Animación restringida de bandadas». Actas de SCA '03 del simposio ACM SIGGRAPH/Eurographics de 2003 sobre animación por ordenador. págs. 286-297 . ISBN  1-58113-659-5.
  19. ↑ Ulicny, Branislav; Ciechomski, Pablo de Heras; Thalmann, Daniel (2004). "Crowdbrush". Actas del simposio ACM SIGGRAPH/Eurographics de 2004 sobre animación por computadora – SCA '04 . págs. 243–252 . doi : 10.1145/1028523.1028555 . ISBN  978-3-905673-14-2.
  20. ↑ Zhou, Suiping; Chen, Dan; Cai, Wentong; Luo, Linbo; Low, Malcolm Yoke Hean; Tian, ​​Feng; Tay, Victor Su-Han; Ong, Darren Wee Sze; Hamilton, Benjamin D. (2010). "Tecnologías de modelado y simulación de multitudes" (PDF) . ACM Transactions on Modeling and Computer Simulation . 20 (4): 1– 35. doi : 10.1145/1842722.1842725 . hdl : 10149/118022 .
  21. ↑ Degond, Pierre; Navoret, Laurent; Bon, Richard; Sanchez, David (febrero de 2010). "Congestión en un modelo macroscópico de partículas autodirigidas que modelan la gregarismo". Journal of Statistical Physics . 138 ( 1–3 ): 85–125 . arXiv : 0908.1817 . Bibcode : 2010JSP...138...85D . doi : 10.1007/s10955-009-9879-x .
  22. 1 2 Shao, Wei; Terzopoulos, Demetri (septiembre de 2007). "Peatones autónomos". Modelos gráficos . 69 ( 5– 6): 246– 274. doi : 10.1016/j.gmod.2007.09.001 .
  23. ↑ Cohen, Eyal (1997). "De la simulación de multitudes al despliegue de bolsas de aire: sistemas de partículas, un nuevo paradigma de simulación". Journal of Electronic Imaging . 6 (1): 94. Bibcode : 1997JEI.....6...94B . doi : 10.1117/12.261175 .
  24. ↑ Patil, Sachin; Van Den Berg, Jur ; Curtis, Sean; Lin, Ming C; Manocha, Dinesh (2011). "Directing Crowd Simulations Using Navigation Fields". IEEE Transactions on Visualization and Computer Graphics . 17 (2): 244– 54. Bibcode : 2011ITVCG..17..244P . doi : 10.1109/TVCG.2010.33 . PMID 21149879 . 
  25. ↑ Guy, Stephen J.; Kim, Sujeong; Lin, Ming C.; Manocha, Dinesh (2011). "Simulación de comportamientos de multitudes heterogéneas mediante la teoría de los rasgos de personalidad". Actas del Simposio ACM SIGGRAPH/Eurographics de Animación por Computadora de 2011 – SCA '11 . págs. 43–52 . doi : 10.1145/2019406.2019413 . ISBN  978-1-4503-0923-3.
  26. ↑ Durupinar, Funda; Pelechano, Nuria; Allbeck, Jan; Gudukbay, Ugur; Badler, Norman I. (2011). "Cómo el modelo de personalidad del océano afecta la percepción de multitudes". IEEE Computer Graphics and Applications . 31 (3): 22– 31. Bibcode : 2011ICGA...31c..22D . doi : 10.1109/MCG.2009.105 . hdl : 11693/11800 . PMID 24808089 . 
  27. ↑ Kim, Sujeong; Guy, Stephen J.; Manocha, Dinesh; Lin, Ming C. (2012). "Simulación interactiva de comportamientos dinámicos de multitudes utilizando la teoría del síndrome de adaptación general". Actas del Simposio ACM SIGGRAPH sobre Gráficos y Juegos 3D Interactivos – I3D '12 . págs. 55–62 . doi : 10.1145/2159616.2159626 . ISBN  978-1-4503-1194-6.
  28. 1 2 Huang, Wenjia; Terzopoulos, Demetri (marzo de 2020). "Etiqueta de puertas y entradas para humanos virtuales". IEEE Transactions on Visualization and Computer Graphics . 26 (3): 1502– 1517. Bibcode : 2020ITVCG..26.1502H . doi : 10.1109/TVCG.2018.2874050 . PMID 30295624 . 
  29. ↑ Shiwakoti, Nirajan; Sarvi, Majid; Rose, Geoff; Burd, Martin (2011). "Enfoque basado en la dinámica animal para modelar la salida de multitudes peatonales en condiciones de pánico". Procedia - Ciencias Sociales y del Comportamiento . 17 : 438–461 . doi : 10.1016/j.sbspro.2011.04.526 .
  30. ↑ Wang, Shujie; Lv, Wei; Song, Weiguo (30 de junio de 2015). "Comportamiento de las hormigas que escapan de una habitación con una sola salida" . PLOS ONE . 10 (6) e0131784. Bibcode : 2015PLoSO..1031784W . doi : 10.1371/journal.pone.0131784 . PMC 4488427. PMID 26125191 .  
  31. ↑ Hacohen, Shlomi; Shvalb, Nir; Shoval, Shraga (enero de 2018). "Modelo dinámico para el cruce de peatones en tráfico congestionado basado en una función de navegación probabilística". Transportation Research Part C: Emerging Technologies . 86 : 78–96 . Bibcode : 2018TRPC...86...78H . doi : 10.1016/j.trc.2017.10.024 .
  32. 1 2 Braun, A.; Musse, SR; De Oliveira, LPL; Bodmann, BEJ (2003). "Modelado de comportamientos individuales en la simulación de multitudes". Actas del 11.º Taller Internacional IEEE sobre Comprensión de Programas . págs. 143–8 . doi : 10.1109/CASA.2003.1199317 . ISBN  978-0-7695-1934-0.
  33. ↑ Pelechano, Nuria; Badler, Norman (2006). "Modelado del comportamiento de multitudes y líderes capacitados durante la evacuación de edificios" . IEEE Computer Graphics and Applications . 26 (6): 80– 6. Bibcode : 2006ICGA...26f..80P . doi : 10.1109/MCG.2006.133 . hdl : 2117/10047 . PMID 17120916 . 
  34. ↑ Vigueras, G.; Lozano, M.; Pérez, C.; Orduña, JM (2008). "Una arquitectura escalable para la simulación de multitudes: implementación de un servidor de acciones paralelas". 37.ª Conferencia Internacional sobre Procesamiento Paralelo de 2008. pp. 430–7 . doi : 10.1109/ICPP.2008.20 . 
  35. ↑ Yu, Qinxin; Terzopoulos, Demetri (2007). Un marco de red de decisión para la animación del comportamiento de humanos virtuales . Simposio Eurographics/Siggraph sobre animación por computadora. doi : 10.2312/SCA/SCA07/119-128 . ISBN 978-3-905673-44-9.
  36. ↑ Torrey, Lisa (10 de octubre de 2010). "Simulación de multitudes mediante aprendizaje por refuerzo multiagente". Actas de la Conferencia AAAI sobre Inteligencia Artificial y Entretenimiento Digital Interactivo . 6 (1): 89– 94. doi : 10.1609/aiide.v6i1.12390 .
  37. ↑ Aubel, A.; Boulic, R.; Thalmann, D. (2000). "Visualización en tiempo real de humanos virtuales: niveles de detalle e impostores" . IEEE Transactions on Circuits and Systems for Video Technology . 10 (2): 207– 17. Bibcode : 2000ITCSV..10..207A . doi : 10.1109/76.825720 .
  38. ↑ Gosselin, David R.; Sander, Pedro V.; Mitchell, Jason L. (2004). «Cómo atraer a una multitud». En Engel, Wolfgang (ed.). ShaderX3: Técnicas avanzadas de renderizado en DirectX y OpenGL . Cambridge, MA: Charles River Media. pp. 505–17 . ISBN  978-1-58450-357-6.
  39. ↑ http://people.ucalgary.ca/~far/Lectures/SENG697/PDF/tutorials/2002/Multiple_Agent_Simulation_System_in_a_Virtual_Environment.pdf Davis Guy. Sistema de simulación de múltiples agentes en un entorno virtual.
  40. ↑ Aschwanden, Gideon; Halatsch, Jan; Schmitt, Gerhard (septiembre de 2008). Simulación de multitudes para la planificación urbana (PDF) . XXVI Conferencia sobre educación e investigación en diseño asistido por ordenador en Europa (eCAADe 2008). págs. 493–500 . 
  41. ↑ McKenzie, FD; Petty, MD; Kruszewski, PA; Gaskins, RC; Nguyen, Q.-AH; Seevinck, J.; Weisel, EW (2007). "Integración del modelado del comportamiento de multitudes en la simulación militar mediante tecnología de juegos". Simulation & Gaming . 39 : 10–38 . doi : 10.1177/1046878107308092 .
  • SteerSuite , un marco de código abierto para el desarrollo y la evaluación de algoritmos de simulación de multitudes.
  • Sung, Mankyu; Gleicher, Michael; Chenney, Stephen (2004). "Comportamientos escalables para la simulación de multitudes". Computer Graphics Forum . 23 (3): 519– 28. doi : 10.1111/j.1467-8659.2004.00783.x .