强化学习(RL)是人工智能的子域,模型通过与环境的互动学习 - 在野火的背景下也越来越多地使用。与其他传统的统计方法和计算机视觉结合(Ganapathi Subramanian&Crowley,2018; Subramanian&Crowley,2017),RL已应用于野火的监视和监测(Altamimi等,2022年,Julian&Kochenderferfer,2019年; Viseras等。在RL方面几乎没有工作的区域是野火撤离。了解野火过程中撤离人口稠密区域的有效方法是这些事件期间的关键安全问题(Kuligowski,2021; McCaffrey等,2017),其他机器学习技术已证明对疏散计划有益(Xu等,2023)。因此,已经完成了在野火疏散场景中更好地建模流量的工作(Intini等,2019; Pel等,2012),基于代理的疏散模拟不仅用于野火,而且还用于其他自然灾害,例如Tsunamis(Beloglazov等人)(Beloglazov等,2016; Wang et al。)。rl先前已被确定为疏散操作的有趣工具(Rempel&Shiell,2023),并已用于模拟电动变电站火灾期间的疏散(Budakova等,2024)。将RL技术应用于野火撤离任务可能会有益。
16。摘要这项研究采用了A3C算法来模拟不同情况下的疏散过程(例如,多种试剂和不同的环境条件),并将结果与深Q网络(DQN)进行了比较,以证明在疏散模型中使用A3C算法的效率和有效性。结果表明,在静态环境下,A3C表现出较高的适应性和更快的响应时间。此外,在管理复杂的相互作用并提供快速撤离时,A3C越来越多,A3C显示出更好的可扩展性和鲁棒性。这些结果在不同和具有挑战性的条件下突出了A3C比传统RL模型的优势。该报告以讨论这些模型的实际含义和好处进行了讨论。它强调了它们在增强现实世界疏散计划和安全协议方面的潜力。17。关键词加强学习,多代理协作,紧急情况,机场疏散
摘要 在枪击事件或紧急情况下,安保人员对情况做出适当反应的能力取决于预先存在的知识和技能,但也取决于他们的心理状态和对类似场景的熟悉程度。在紧急情况下做出决定时,人类行为变得不可预测。在紧急情况下确定这些人类行为特征的成本和风险非常高。本文介绍了一种沉浸式协作虚拟现实 (VR) 环境,用于使用 Oculus Rift 头戴式显示器执行虚拟建筑疏散演习和枪击训练场景。协作沉浸式环境在 Unity 3D 中实现,基于运行、隐藏和战斗模式进行应急响应。沉浸式协作 VR 环境还为校园安全提供了一种独特的紧急情况训练方法。参与者可以进入云端设置的协作 VR 环境并参与枪击响应训练环境,这比大规模的真实演习具有相当大的成本优势。用户研究中的存在问卷用于评估我们的沉浸式培训模块的有效性。结果表明,大多数用户都同意,在建筑疏散环境中使用沉浸式应急响应训练模块时,他们的存在感得到了增强。