Automating crowd simulation: from parameter tuning to dynamic context-to-policy adaptation

dc.contributor
Universitat Pompeu Fabra. Departament de Tecnologies de la Informació i les Comunicacions
dc.contributor.author
Cabrero Daniel, Beatriz
dc.date.accessioned
2022-01-25T12:57:06Z
dc.date.available
2022-07-11T01:00:19Z
dc.date.issued
2022-01-12
dc.identifier.uri
http://hdl.handle.net/10803/673251
dc.description.abstract
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.
en_US
dc.description.abstract
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.
en_US
dc.format.extent
112 p.
en_US
dc.format.mimetype
application/pdf
dc.language.iso
eng
en_US
dc.publisher
Universitat Pompeu Fabra
dc.rights.license
L'accés als continguts d'aquesta tesi queda condicionat a l'acceptació de les condicions d'ús establertes per la següent llicència Creative Commons: http://creativecommons.org/licenses/by-sa/4.0/
dc.rights.uri
http://creativecommons.org/licenses/by-sa/4.0/
*
dc.source
TDX (Tesis Doctorals en Xarxa)
dc.subject
Crowd simulation
en_US
dc.subject
Quality evaluation
en_US
dc.subject
Parameter tuning
en_US
dc.subject
Steering algorithms
en_US
dc.subject
Pedestrian trajectories
en_US
dc.subject
Simulació de multituds
en_US
dc.subject
Avaluació de la qualitat
en_US
dc.subject
Ajust de paràmetres
en_US
dc.subject
Algorismes de moviment
en_US
dc.subject
Trajectòries de vianants
en_US
dc.title
Automating crowd simulation: from parameter tuning to dynamic context-to-policy adaptation
en_US
dc.type
info:eu-repo/semantics/doctoralThesis
dc.type
info:eu-repo/semantics/publishedVersion
dc.subject.udc
62
en_US
dc.contributor.authoremail
beatriz.cabrero@upf.edu
en_US
dc.contributor.director
Blat, Josep
dc.contributor.director
Marqués, Ricardo
dc.embargo.terms
6 mesos
en_US
dc.rights.accessLevel
info:eu-repo/semantics/openAccess
dc.description.degree
Programa de doctorat en Tecnologies de la Informació i les Comunicacions


Documentos

tbcd.pdf

11.77Mb PDF

Este ítem aparece en la(s) siguiente(s) colección(ones)