2019 Fiscal Year Research-status Report
機械学習によるデータ駆動型避難シミュレーションシステムの開発
| Project/Area Number |
19K04752
|
|---|
| Research Institution | Osaka University |
|---|
Principal Investigator |
安福 健祐 大阪大学, サイバーメディアセンター, 講師 (20452386)
|
|---|
| Project Period (FY) |
2019-04-01 – 2022-03-31
|
| Keywords | 避難シミュレーション / マルチエージェントシステム / データ駆動 / 地下空間 / 浸水 |
|---|
| Outline of Annual Research Achievements |
本研究は、エージェントベースの避難シミュレーションにデータ駆動型のアプローチを取り入れることで、複雑な人間の避難行動の再現性、妥当性を向上させつつ、汎用性のあるシステムを開発することを目的としている。2019年度は、従来から研究開発しているモデル駆動型の避難シミュレーションを大規模施設に適用しながら、一部にデータ駆動型の設定を取り入れることで、従来では検証が難しかった大域的な行動選択の再現性向上を図った。対象は不特定多数が集まる公共地下空間として、災害発生時に避難時間を短縮させるための避難誘導方策に関する知見を得るためのシミュレーションを行った。災害は火災と浸水の2種類を想定し、管理会社が策定するの避難誘導計画に基づき避難シナリオの設定を綿密に行った。避難場所までの経路選択方法として、最寄りの避難場所に向かって避難する「最短距離」に加え、混雑を回避することで避難時間が短くなることが予測される避難場所を選択する「混雑回避」を設定する。さらにシミュレーションで避難状況を可視化した上で、より混雑が緩和されるような「避難誘導」のシナリオも導入した。その結果、火災時は経路選択を混雑回避にすることで、最短距離では集中する避難場所を避けて、遠回りをしてでも避難時間の短縮が予測できる避難場所が選択され、結果として大幅な避難完了時間の短縮につながった。浸水時においても火災時ほどではないが混雑回避が避難完了時間の短縮につながった。ただし、混雑回避のアルゴリズムを再現する避難誘導は困難であるため、避難誘導はシミュレーションで避難者の集中がみられた避難場所を分散できるように、一部の避難者をあらかじめ指定した避難経路を選択させた。その結果、混雑回避と比べて約15%、最短距離と比べて約53%避難完了時間が短縮した。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
当初の研究計画では、避難シミュレーション上の個々のエージェントの行動を決定するのに、まずは機械学習によるデータ駆動型のアプローチを導入するとしていたが、従来のモデル駆動型のシミュレーションと比較して、特に局所的な群集行動を実用レベルで再現性を向上させるのは技術的に困難となった。そのため、まずはモデル駆動型とデータ駆動型が補間する形でシミュレーションの開発を進めることとした。特に大域的な群集行動で行われる移動目標地点の設定は、従来、最寄りの出口を選択させる場合が多いが、それでは避難開始前や平時の群集流動をシミュレーションするのは困難であった。そこで、現実の群集滞留数や避難誘導方法、移動経路によるデータ駆動のアプローチを検証した。具体的には、地下空間における群集滞留数を平日・休日における時間帯ごとに取得し、そのデータを避難シミュレーションの初期値として設定する。避難誘導方法については管理会社からのヒアリング結果に基づき、公開されている避難誘導計画では読み取りが難しい、詳細部分まで取り入れて避難シミュレーションを進めた。さらに、より汎用的な群集シミュレーションに発展させるため、平時における個人単位の行動データをもとに人の動きをシミュレーションする実験を開始している。その一つとして、大規模商業施設における買い回り行動を再現するため、会員カードの購入履歴に基づく店舗選択傾向の抽出し、買い回り行動をシミュレーション、その結果を入退館者数や特定通路の通過人数の測定結果と比較検証を行った。このようなビッグデータに基づくデータ駆動型のアプローチは当初の研究計画よりも進展している部分である。それと同時に機械学習による局所的な群集流動の再現や最適化については、ゲームエンジンなどを活用した強化学習型のアプローチが可能かどうかの技術検証を行った。
|
| Strategy for Future Research Activity |
2019年度は機械学習についての様々な技術検証を行ってきたが、今後はゲームエンジンUnityを活用して開発を進める。Unityは機械学習用のフレームワークも開発されており、個々のエージェントの行動を決定するための深層強化学習を導入できる。ニューラルネットワークの入力層データとしては、避難行動に影響する情報をゲームエンジンの仮想環境から取得する。入力層データの候補は無数に考えられるが、その取捨選択が避難シミュレーションの性能に大きく影響することから慎重に行うべきであり、様々なデータで検証を行っていく。学習方法としては、障害物や他のエージェントとの衝突を避けることや、群集対向流のレーン形成などの集団的知性の再現を報酬とした強化学習を行い、主に局所的な群集行動を学習させる。機械学習には大量の学習用データが必要となるため、従来のモデル駆動型の避難シミュレーションをハイブリッドで活用することも考慮する。そのシミュレーションには商用ソフトウェアをツールとして利用することで効率化をすすめる。また、位置座標データをマイニングして、ニューラルネットワークに用いる入力データを抽出することも検討する。具体的にはクラスタ分析等によって、例えば、他の人に追従して行動しているグループやその特性などをマイニングする手法を確立する。このような大域的な群集行動についても、カメラデータやセンサーデータなどから得られた観測データをクラスタリングし、属性データを取得して、シミュレーションに取り入れることができる。
|
| Causes of Carryover |
開発効率を上げるため外国旅費分をソフトウェアの物品購入に変更したが、その差額が生じた。差額は今年度も引き続き開発効率を上げるため年間更新が必要なソフトウェアのライセンス費用の補填に充てる。
|
