机构名称：
¥ 7.0
在紧急情况下，确保居住者从建筑物中快速而安全的疏散至关重要。传统的疏散计划通常依赖于可能无法很好地适应环境动态条件的静态路线，例如落下物体或开火阻碍。本文提出了增强学习（RL）的创新应用，以开发动态疏散路线指导系统，该系统可实时适应不断变化的条件。我们采用深层Q-NETWORKS（DQN）和近端策略优化（PPO）来根据实时数据优化疏散策略。我们的系统旨在最大程度地减少疏散时间，并通过随着环境的变化而动态调整路线来提高撤离人员的安全性。我们将基于RL的系统与模拟环境中的传统静态疏散计划进行了比较，这些环境包括不同的复杂性，例如不同的建筑布局和火灾传播模式。我们的结果表明，RL方法可以胜过静态方法，尤其是在具有高度不可预测性的情况下。这项研究通过证明机器学习在关键情况下增强安全性的潜力来促进紧急管理。
实时紧急情况的增强学习方法...
主要关键词
相关文件推荐
