时空生成动力学下的群体仿真编排
机器学习
2025-06-18 v2
摘要
真实的群体仿真对沉浸式虚拟环境至关重要，依赖于个体行为（微观动力学）和整体群体模式（宏观特征）。虽然近期的数据驱动方法如深度强化学习提高了微观真实性，但常常忽略关键的宏观特征，如群体密度和流动，这些特征由时空生成动力学（即代理人进入场景的何时何地）所支配。传统方法，如随机生成率、随机过程或固定时间表，无法保证捕捉底层复杂性或缺乏多样性和真实性。为此，我们提出一种新方法，称为nTPP-GMM，该方法利用神经时空点过程（nTPP）来建模时空生成动力学，并与生成条件高斯混合模型（GMM）耦合，用于代理人的生成位置和目标位置。我们通过nTPP-GMM对三组多样化真实数据集进行仿真编排进行评估。我们的实验表明，使用nTPP-GMM进行的仿真编排产生符合真实世界情景的仿真结果，并允许进行群体分析。
引用
@article{arxiv.2503.16639,
title = {Whenever, Wherever: Towards Orchestrating Crowd Simulations with Spatio-Temporal Spawn Dynamics},
author = {Thomas Kreutz and Max Mühlhäuser and Alejandro Sanchez Guinea},
journal= {arXiv preprint arXiv:2503.16639},
year = {2025}
}