Gang, Huu-Tu (2025) Simulation and prediction of dense crowd dynamics. École doctorale Mathématiques, Informatique et Télécommunications (Toulouse).

Preview

Text Download (45MB) | Preview

Abstract

L'augmentation significative des événements de rassemblements massifs ces dernières années nécessite l'utilisation de simulations et de prédictions réalistes des mouvements de foules denses avant de mettre en œuvre des applications supplémentaires telles que le contrôle de la sécurité ou la gestion des risques. Cependant, différents phénomènes de foule émergent généralement à certains niveaux de densité, tandis que chaque approche de modélisation est couramment utilisée pour simuler seulement un ou plusieurs phénomènes de foule spécifiques. Cette thèse examine l'utilisation de facteurs liés à la densité dans des approches hybrides pour améliorer la simulation et la prédiction des mouvements de piétons dans des situations de haute densité. L'enquête est divisée en deux axes principaux : améliorer la simulation de piétons dans divers scénarios de foule et renforcer le réalisme des prédictions de trajectoire des piétons en utilisant l'approche de l'apprentissage profond dans des scénarios encombrés. La première amélioration se concentre sur le développement d'un cadre basé sur les agents qui permet aux agents piétons de passer dynamiquement d'un modèle à un autre en réponse aux changements de densité locale. La capacité de passer d'un modèle à un autre est démontrée par le couplage hybride d'un modèle mésoscopique et d'un modèle microscopique pour simuler un scénario de sortie de foule dense et large lors du Festival des Lumières à Lyon, en France. Le modèle hybride est ensuite calibré en utilisant un algorithme génétique qui utilise des données de flux piétonnier réelles extraites de vidéos d'enregistrements de foules existantes lors du festival. De plus, une analyse de sensibilité locale est effectuée pour évaluer l'impact de chaque paramètre sur les résultats de simulation. Les résultats simulés par le modèle hybride peuvent capturer qualitativement les tendances générales des données de flux réelles. En outre, une comparaison des performances entre le modèle hybride et différentes combinaisons de modèles est fournie, montrant que le modèle hybride peut simuler efficacement les piétons dans divers scénarios de densité tout en maintenant une efficacité computationnelle. La seconde amélioration implique la proposition d'un modèle de réseau neural LSTM social étendu en intégrant un terme de perte de collision dans la fonction de perte d'entraînement pour aborder le problème du comportement de collision irréaliste dans la prédiction de trajectoire piétonnière. Le terme de perte de collision est basé sur l'énergie d'interaction du temps avant collision avec les piétons voisins, un concept déjà utilisé avec succès pour modéliser les interactions entre piétons dans des recherches précédentes. Un facteur de poids λ ≥ 0 est utilisé pour ajuster l'influence du terme de perte de collision. Des expériences sur divers ensembles de données piétonnes empiriques indiquent que l'ajout de λ réduit de manière significative les collisions et les chevauchements de piétons dans les trajectoires prédites. Cependant, l'efficacité de λ varie selon les ensembles de données, montrant différentes tendances des métriques d'évaluation. Par conséquent, la valeur optimale de λ doit être déterminée pour chaque ensemble de données spécifique. En général, la meilleure valeur de λ est choisie pour équilibrer la précision basée sur la distance et la réduction des collisions. Ces résultats préliminaires suggèrent que notre modèle proposé représente une approche hybride prometteuse pour une prédiction réaliste des trajectoires piétonnières, particulièrement dans des scénarios surpeuplés.

The significant increase in mass-gathering events in recent years poses the essential need for realistic simulation and prediction of dense crowd movements before implementing further applications such as safety control or risk management. However, different crowd phenomena typically emerge at certain density levels while each modeling approach is commonly used to simulate only one or several specific crowd phenomena. This thesis investigates the use of density-related factors in hybrid approaches to improve the simulation and prediction of pedestrian movements in high-density situations. The investigation is divided into two primary focuses: improving the simulation of pedestrians across various crowd scenarios and enhancing the realism of pedestrian trajectory predictions using the deep learning approach in crowded scenarios. The first improvement focuses on developing a comprehensive agent-based framework that allows pedestrian agents to dynamically switch between models in response to changes in local density. The ability to switch between models is demonstrated through the hybrid coupling of a mesoscopic model and a microscopic model to simulate a large, dense crowd exit scenario in the Festival of Lights in Lyon, France. The hybrid model is then calibrated using a genetic algorithm that utilizes real-world pedestrian outflow data extracted from video recordings of existing crowds at the festival. Furthermore, a local sensitivity analysis is performed to evaluate the impact of each parameter on the simulation outputs. The results simulated by the hybrid model can qualitatively capture the general trends of the actual outflow data. Additionally, a performance comparison between the hybrid model and different model combinations is provided, showing that the hybrid model can effectively simulate pedestrians in varying density scenarios while maintaining computational efficiency. The second improvement involves proposing an extended Social-LSTM neural network model by integrating a collision loss term into the training loss function to address the issue of unrealistic collision behavior in pedestrian trajectory prediction. The collision loss term is based on time-to-collision interaction energy with neighboring pedestrians, a concept successfully applied to model interactions between pedestrians in previous research. A weight factor λ ≥ 0 is used to adjust the influence of the collision loss term. Experiments on various empirical pedestrian datasets indicate that adding λ significantly reduces collisions and pedestrian overlaps in predicted trajectories. However, the effectiveness of λ varies across various datasets, showing different trends of evaluation metrics. Therefore, the optimal λ value must be determined for each specific dataset. In general, the best value λ is chosen to balance distance-based accuracy and collision reduction. These preliminary results suggest that our proposed model represents a promising hybrid approach for realistic pedestrian trajectory prediction, particularly in crowded scenarios.