Data-driven techniques for virtual crowds

Abstract

Τα εικονικά πλήθη είναι σημαντικά για ένα σύνολο από εφαρμογές όπως ηλεκτρονικά παιχνίδια, ταινίες, προσομοιώσεις για εκπαίδευση και μοντελοποίηση ασφάλειας. Η αυξανόμενη υπολογιστική ισχύς επιτρέπει στους σχεδιαστές και προγραμματιστές τέτοιων συστημάτων να προσθέτουν μεγάλο αριθμό εικονικών χαρακτήρων σε εφαρμογές πραγματικού χρόνου. Παρ’ όλες αυτές τις εξελίξεις, υπάρχει ένα σημαντικό χάσμα μεταξύ της ποιότητας απεικόνισης και της προσομοίωσης συμπεριφοράς τέτοιων χαρακτήρων. Η παρούσα διδακτορική διατριβή σκοπό έχει να εξετάσει μερικά από τα προβλήματα των τεχνικών βασισμένων σε δεδομένα για την προσομοίωση και αξιολόγηση συμπεριφοράς πλήθους. Καταρχάς προτείνουμε τον Γράφο Συμπεριφοράς Δράσης (ΓΣΔ), ένα πλαίσιο για αποδοτική προσομοίωση πλήθους βασιζόμενη σε δεδομένα. Το προτεινόμενο πλαίσιο μπορεί να προσομοιώσει με αποδοτικό τρόπο, συνεπείς και ρεαλιστικές συμπεριφορές κίνησης εικονικών χαρακτήρων χρησιμοποιώντας σαν είσοδο βίντεο πραγματικού κόσμου. Κατά δεύτερο, προτείνουμε ένα πλαίσιο αξιολόγησης συμπεριφοράς πλήθους βασιζόμενη σε πολλαπλά κριτήρια. Η προτεινόμενη μέθοδος χρησιμοποιεί πρόσφατες μεθόδους ανίχνευσης καινοτόμων ή ακραίων τιμών βασισμένες σε πολλαπλά κριτήρια από την περιοχή της Μηχανικής Μάθησης. Δίνοντας σαν είσοδο στο προτεινόμενο σύστημα δεδομένα από καλές συμπεριφορές πλήθους, μη κανονικές συμπεριφορές σε προσομοίωση πλήθους αναγνωρίζονται και παρουσιάζονται στον χρήστη για περαιτέρω αξιολόγηση. Τέλος, πιστεύουμε πως για να πετύχουμε καλύτερη σύνθεση, αξιολόγηση και σχεδιασμό εικονικών πληθών θα πρέπει να έχουμε μια πιο ψηλού επιπέδου κατανόηση της συμπεριφοράς τους. Επί τούτου, προτείνουμε μια μεθοδολογία που αναγνωρίζει και μαρκάρει με πιο ψηλού επιπέδου συμπεριφορές κομμάτια από τις τροχιές πεζών. Η μεθοδολογία αυτή χρησιμοποιεί τόσο τοπική όσο και γενική γνώση των τροχιών και καταφέρνει να αναγνωρίσει επιτυχώς συμπεριφορές όπως περιπλάνηση και σχηματισμό τοπικών ομάδων.

Virtual crowds are important in a variety of applications such as computer games, movies, training simulations and safety modeling. Increasing processing power enables designers and programmers to add multitudes of virtual characters in real-time applications. Despite these advances, there is a significant gap between rendered appearance and simulated behaviour of crowds. This thesis is addressing some of the shortcomings of data driven techniques for simulating and evaluating crowd behaviours. Firstly, the Perception Action Graph (PAG) framework is proposed for efficient data-driven crowd simulation. By employing this framework using as input data from videos of real world crowds, fast, consistent and believable steering behaviours for human crowds can be generated. Secondly, we propose a multi-objective data-driven framework for crowd evaluation. This method employs recent methods in Machine Learning for novelty/outlier detection under multiple criteria. Using as input well behaved crowds, the proposed framework identifies abnormal parts of the simulation and pinpoints them for further examination. Finally, we believe that by gaining a higher level understanding of crowd behaviours is a step towards better crowd simulation, evaluation and authoring. A method that annotates pedestrian trajectory segments into higher level descriptors is presented that uses both local and global knowledge of crowd trajectories. This method successfully identifies behaviours such as wandering around and group formations.