Collision Avoidance with Deadlock Prevention for Crowd Simulation

Abstract

We present a multiagent-based framework for crowd simulation in large space urban area on a standalone PC. We use Belief-Desire-Intention (BDI) for modeling individual agent behavior. We use RVO for handling a large number of agents. We experimented our framework with up to 102,400 agents, navigating them from origins to destinations. We found that we can navigate agents successfully. The execution time increases when the number of agent increase. For visualization, the algorithm can 24 fps for 600 agents. The number of frame per second drop rapidly when the number of agents rises from 19,600 to 102,400 agents. The rendering is very low, 0.4 to 0.04 fps, when the number of agents is larger than or equal to 19,600. In term of memory usage, our algorithm consume slightly more memory than RVO. Both algorithm consume more memory when the number of agent is increased almost linearly. In our experiment we have 1 GB of ram and can carry out simulation up to 720,000 agents.

เรานำเสนอเฟรมเวิร์กแบบหลายเอเจนต์สำหรับการจำลองฝูงชนในพื้นที่เมืองขนาดใหญ่บนพีซีแบบสแตนด์อโลน เราใช้ Belief-Desire-Intention (BDI) สำหรับการสร้างแบบจำลองพฤติกรรมของเอจนท์ เราใช้ RVO ในการจัดการเอเจนท์จำนวนมาก เราทดลองเฟรมเวิร์คของเรากับเอเจนท์มากถึง 102,400 เอเจนท์ โดยนำทางจากจุดเริ่มต้นไปยังจุดหมายปลายทาง เราพบว่าเราสามารถนำทางเอเจนท์ได้สำเร็จ เวลาดำเนินการเพิ่มขึ้นเมื่อจำนวนเอเจนท์เพิ่มขึ้น สำหรับการแสดงภาพอัลกอริทึมสามารถทำได้ถึง 24 fps ในจำนวนเอเจนท์ 600 เอเจนต์ จำนวนเฟรมต่อวินาทีลดลงอย่างรวดเร็วเมื่อจำนวนเอเจนต์เพิ่มขึ้นจาก 19,600 ถึง 102,400 เอเจนต์ การเรนเดอร์ต่ำมาก 0.4 ถึง 0.04 fps เมื่อจำนวนเอเจนต์มากกว่าหรือเท่ากับ 19,600 ในแง่ของการใช้หน่วยความจำอัลกอริทึมของเราใช้หน่วยความจำมากกว่า RVO เล็กน้อย อัลกอริทึมทั้งสองใช้หน่วยความจำมากขึ้นเมื่อจำนวนเอเจนต์เพิ่มขึ้นเกือบเป็นเส้นตรง ในการทดลองของเราหน่วยความจำปริมาณ 1 GB สามารถจำลองเอเจนท์ได้ถึง 720,000 เอเจนท์