Computer-generated crowds are becoming more and more frequent in films, video games and safety assessment applications. Many crowd simulation algorithms exist to address the needs of this diverse range of industries. Even though the underlying principles are similar, there are large differences between the resulting synthetic trajectories. Each algorithm has strengths and weaknesses that need to be weighted, and appropriate parameter values for them must be selected as well. These are not easy tasks ...
Computer-generated crowds are becoming more and more frequent in films, video games and safety assessment applications. Many crowd simulation algorithms exist to address the needs of this diverse range of industries. Even though the underlying principles are similar, there are large differences between the resulting synthetic trajectories. Each algorithm has strengths and weaknesses that need to be weighted, and appropriate parameter values for them must be selected as well. These are not easy tasks and Machine Learning algorithms are often used to guide these decisions. In this work we study three of these tasks: parameter tuning, trajectory evaluation, and character policy selection and adaptation. Our results show the usefulness of the proposed methods to evaluate previously unseen synthetic trajectories to find appropriate parameter values for the algorithms without directly relying on real data. Moreover, by classifying the context of characters, we propose a policy adaptation strategy to improve crowd simulations.
+
Les multituds simulades per ordinador són cada cop més habituals en cinema, vídeo jocs i en aplicacions relacionades amb la seguretat. Existeixen molts algoritmes per simular multituds per adreçar tal varietat d’indústries. Tot i que els principis subjacents són similars, hi ha diferències entre les simulacions resultants. Cada algoritme té avantatges i inconvenients que s’han de valorar, i, a més a més, cal trobar valors pels seus paràmetres. Aquestes no són tasques senzilles i, sovint, es fan servir ...
Les multituds simulades per ordinador són cada cop més habituals en cinema, vídeo jocs i en aplicacions relacionades amb la seguretat. Existeixen molts algoritmes per simular multituds per adreçar tal varietat d’indústries. Tot i que els principis subjacents són similars, hi ha diferències entre les simulacions resultants. Cada algoritme té avantatges i inconvenients que s’han de valorar, i, a més a més, cal trobar valors pels seus paràmetres. Aquestes no són tasques senzilles i, sovint, es fan servir algoritmes d’aprenentatge automàtic per guiar aquestes decisions. Estudiem tres d’aquestes tasques: donar valor als paràmetres, avaluar trajectòries, i adaptar les polítiques. Els resultats demostren la utilitat dels mètodes proposats per avaluar trajectòries noves per tal de trobar valors apropiats pels paràmetres dels algorismes sense fer servir dades reals directament. A més a més, proposem una estratègia per adaptar la política de cada agent a través del reconeixement del context, millorant les simulacions.
+
