新智元报道

编辑：LRST

天津大学联合清华和卡迪夫大学推出RESCUE系统，把「大脑感知-决策-行动」循环搬进电脑，让数百个虚拟人同时在线逃生：他们能实时看见地形、同伴和出口，自动绕开障碍，年轻人快跑、老人慢走、残疾人蹒跚；系统还能把身体24个部位的碰撞力用颜色实时标出来，帮助设计师提前找出潜在风险区域，也能用来演练地铁火灾、演唱会疏散等公共安全场景。

人群疏散模拟对于提高公共安全至关重要，也是构建逼真虚拟动态环境所需要的技术，其发展面临着复杂人类行为建模难的挑战。

现有的疏散模拟方法常以2D点表示人群，关注人群位置和轨迹，但忽略了复杂人类行为，如碰撞、交互、摔倒等，以及三维环境、个体行为能力的影响，导致模拟结果不真实。

而现有的三维运动生成方法和角色控制方法也无法同时保证实时性、合理性、个性化、动态感知、以及适用于任意场景和地形，如表1所示。

针对以上问题，天津大学李坤教授团队联合英国卡迪夫大学、清华大学，在发表于ICCV2025的工作中，依据人类大脑的「感知-决策-控制」（SDM，Sensory-Decision-Motor）循环机制，提出了首个实时的三维人群疏散模拟框架RESCUE。该框架支持多个智能体并行移动，具有动态的人群感知能力，同时适用于各种场景。

论文链接：

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

项目主页：http://cic.tju.edu.cn/faculty/likun/projects/RESCUE

代码链接：https://github.com/xiaolin0314/RESCUE

在感知层，研究人员建立了多模态环境信息的分析机制，包括地形特征、障碍物分布及邻近个体状态；

在决策层，研究人员提出了三维自适应社会力模型，基于环境动态变化在线计算运动趋势；

在运动控制层，研究人员设计了个性化步态生成器，结合物理引擎实现了具备物理合理性和个性化的动作输出。

同时，研究人员设计了部位级接触力感知与可视化模块，可帮助疏散过程中关键风险的量化分析。

实验表明，该框架支持在线路径规划，可兼容多样场景和地形，生成的动作物理合理、具有个性化，疏散逃生成功率高、跌倒率低，部位级受力感知准确。

总的来说，该研究可以为公共安全领域的应急预案制定、人群疏散分析提供仿真和参考。同时，此框架具备通用性和扩展性，可以模拟一般的人群运动，如行人。

图1 RESCUE实现个性化、物理合理、三维自适应的在线人群疏散模拟

RESCUE方法

研究人员的目标是构建一个自适应的多智能体三维疏散模拟框架。神经科学研究表明，人类在复杂环境中会通过分布式神经网络整合环境信息([1])，运用「感知-决策-运动控制（SDM）」循环来评估并动态调整行为。

以此为启发，研究人员提出了一个基于SDM循环机制的在线三维疏散模拟框架，将个性化决策与基于物理引擎的角色控制结合，使每个智能体能够感知周围动态环境并在线调整行为。

为应对拥堵，研究人员设计了适用于三维环境的自适应社会力模型，用其进行决策与避障。

为了实现行为多样性，研究人员提出了个性化步态控制器和优化的三维社会力模型，通过年龄、身体状况等属性，为每个智能体生成差异化的逃生行为。

此外，研究人员还设计了部位级的受力感知与可视化帮助进行疏散分析。

RESCUE框架总览

RESCUE旨在生成具有多样化个体特征的真实感三维疏散仿真，给定场景网格、出口位置和初始位置，在线生成个性化的群体疏散动画。

框架将在线决策与基于物理的运动生成相结合，如图2所示，核心包括以下部分：

(1)提出了在线的联合SDM三维疏散模拟框架：结合在线决策与基于物理的运动生成，该框架支持群体间的相互感知，可适应任意新场景，支持百人级多智能体仿真。

(2)设计了三维自适应的社会力模型，包括绕行力和改进的驱动力、排斥力，及对应的个性化系数，增强了三维环境下的决策制定和动态障碍物避让能力。

(3)提出了个性化步态控制器，使智能体能够根据年龄与身体状况等属性生成个性化运动。该方法也提供部位级受力感知与可视化，以供疏散分析。

图2 RESCUE框架总览

三维自适应的社会力模型决策机制

在三维仿真中，由于使用物理引擎，交互动力学与基于二维点的模型有显著差异，在拥堵情况下智能体可能绊倒或跌倒，而非仅仅减速，因此高效的寻路需要采取绕行而非等待或碰撞。

研究人员提出了为三维仿真设计的自适应社会力模型。首先，研究人员在经典社会力模型([1])的基础上增强了驱动力和排斥力，保证智能体正确前往终点并避开障碍物。

为应对因拥堵导致的等待或跌倒的状况，研究人员提出了绕行力，在智能体前方扇形感知区域内有障碍物时，沿期望行进方向的垂直向量作用，帮助智能体绕行障碍物。

针对青年、中年、老年、病患和残疾人五大类个体，研究人员在物理引擎中进行了直线路径测试，通过优化输入引擎的设定速度，使仿真速度精确匹配文献中真实逃生速度（精度 0.005 m/s），实现了 SFM 系数的个性化。

三种力合成，保证了在复杂三维环境中既平滑无碰撞，又个性化的疏散运动。

个性化步态控制器

研究人员提出了一种个性化步态控制器，生成符合智能体属性的逃生步态。

首先，使用Pacer基于策略
根据期望速度在二维平面上采样轨迹，在给定状态S（包括位置、姿态状态、环境状态）时输出动作

针对不同属性的人群，研究人员将其典型步态映射至100 style数据集（[4]）中的个性化标签，并采用扩散式生成模型，将步态标签、无个性化动作帧和随机高斯噪声为输入，输出与标签对应的个性化动作帧。

为实现精确匹配，研究人员受（[5]）启发将一个步态周期划分为初次着地、支撑中期、对侧着地和双脚并拢四个关键事件，分别赋予步态值0、0.3、0.5 和 0.75，其他帧通过线性插值填充，再将具有相同步态值的无个性化帧与个性化帧配对。

转换网络将CAMDM（[6]）网络作为backbone，实现从无个性化动作帧到个性化动作帧的转换，结构如图3所示。

在每次去噪步骤中，接受带噪动作样本、扩散步数t及个性化步态标签c，学习预测原始无噪声帧，表示为
以帧级均方误差损失与三维关节位置损失进行优化，权重由和控制。

完整的损失函数是：

在物理引擎仿真中，将无个性化动作帧的上肢动作
替换为对应的个性化上肢动作，并将仿真产生的整帧动作反馈给感知模块，用于下一时刻的决策与运动控制循环。

图3 个性化步态转换器

部位级受力感知与可视化

研究人员为每个智能体的24个身体部位配备力传感器，实时记录与环境或其他智能体接触时产生的力，并通过颜色深浅渐变直观展示部位级别的受力强度，部分结果如图4所示。

这为分析疏散过程中的关键受力、预判拥挤环境潜在风险提供了支持。

图4 多种碰撞情况的力可视化

实验结果

由于目前尚无个性化的三维疏散仿真方法，研究人员将所提方法与三种相关方法进行了对比：社会力模型([3])、运动生成方法OmniControl([7])和角色控制方法MaskedMimic([8])。

为保证公平比较，研究人员对对比方法进行了适配，先划分场景中的可行区域，通过A*算法规划每个初始位置到终点的轨迹，依次将每段轨迹作为输入引导对比方法的动作生成与控制，使其能够完成群体疏散任务。

研究人员在四个实验场景下分别计算50人在1000帧内的平均疏散成功率和平均跌倒次数，每个场景各运行10 次。

由于OmniControl不具备物理真实感，不会产生跌倒现象，其跌倒次数不予计算。结果如表2所示，论文提出的方法在所有场景中均为最优。

表2 定量对比结果

论文还展示了在经典疏散和大规模建筑两个场景中，三种对比方法与论文方法的疏散过程及运动效果（见图5）。

社会力模型仅为二维方法，无法表现三维人体运动。

OmniControl无法正确生成受长距离轨迹约束的动作，导致运动畸变、轨迹混乱和过早停止；MaskedMimic缺乏碰撞规避机制，易发生碰撞造成拥堵，也难以体现个体差异。

相比之下，论文方法能够产生更合理的疏散过程，并针对不同属性个体模拟个性化的疏散动作。具体可以详见该工作的demo视频。

图5 定性对比结果

研究人员进行了消融实验（见图6）和不同类别人群的速度分布统计（见图7）。

结果证明，设计的三维自适应的社会力决策机制和个性化步态控制器，能够正确实现相互避让的动态路径调整，生成的动作步态具有个性化，使不同类别的群体可以表现出对应的速度和行为模式。

图6 消融实验结果

图7 不同类别人群速度分布箱线图

研究人员还进行了详细的说明性实验，验证框架是否能够在多种场景中，还原真实的疏散过程，对疏散分析提供帮助。图8和图9展示了不同疏散密度和通道宽度下，瓶颈区域踩踏发生的模拟结果。图10展示了模型对于不同地形条件的疏散模拟能力。

图8 疏散密度相同但走廊宽度不同的疏散模拟结果

图9 走廊宽度相同但疏散密度不同的疏散模拟结果

图10 各种地形中的疏散模拟结果

总结

论文提出了一种新的人群疏散模拟框架，能够实现在线决策、交互合理、动态感知、行为个性化的人群运动模拟。

此外，研究人员还设计了部位级的力感知和可视化，增强了疏散分析。实验证明，该方法可以实时模拟疏散过程中，具有不同属性个体的个性化准确和物理合理的疏散动态，产生的逃生动作和交互优于现有方法。

通过此框架可以测试疏散场景中观察到的多种现象，为人群疏散和公共安全提供新的技术手段。同时，该框架也具备通用性和扩展性，可以模拟一般的人群运动，如行人。

参考资料：

[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