La simulación de multitudes es el proceso de simular el movimiento (odinámica ) de un gran número de entidades o personajes. [1]Se usa comúnmente para crearescenas virtualespara medios visuales como películas yvideojuegos, y también se usa en entrenamiento en crisis,[2]arquitectura y planificación urbana,[3]y simulación de evacuación. [4]
La simulación colectiva puede centrarse en aspectos que apuntan a diferentes aplicaciones. Para una representación realista y rápida de una multitud para medios visuales o cinematografía virtual , se utiliza la reducción de la complejidad de la escena 3D y la representación basada en imágenes , [5] mientras que las variaciones (cambios) en la apariencia ayudan a presentar una población realista. [6] [7]
En juegos y aplicaciones destinados a replicar el movimiento de multitudes humanas en la vida real , como en las simulaciones de evacuación, es posible que los agentes simulados necesiten navegar hacia una meta, evitar colisiones y exhibir otros comportamientos similares a los humanos. Se han desarrollado muchos algoritmos de dirección de multitudes para llevar a multitudes simuladas a sus objetivos de manera realista. Se investigan algunos sistemas más generales que pueden soportar diferentes tipos de agentes (como automóviles y peatones), [8] diferentes niveles de abstracción (como individuo y continuo), [9] agentes que interactúan con objetos inteligentes, [10] y sistemas físicos más complejos. y dinámica social . [11]
Siempre ha habido un interés profundamente arraigado en comprender y controlar el movimiento y el comportamiento de multitudes de personas. Se han producido muchos avances importantes desde los inicios de la investigación en el ámbito de la simulación de multitudes. Evidentemente, continuamente se realizan y publican muchos nuevos hallazgos que mejoran la escalabilidad, flexibilidad, aplicabilidad y realismo de las simulaciones:
En 1987, Craig Reynolds introdujo y desarrolló la animación conductual . [12] Había simulado bandadas de pájaros junto a bancos de peces con el fin de estudiar la intuición y el movimiento del grupo. Todos los agentes dentro de estas simulaciones tuvieron acceso directo a las respectivas posiciones y velocidades de los agentes circundantes. La teorización y el estudio presentados por Reynolds fueron mejorados y desarrollados en 1994 por Xiaoyuan Tu , Demetri Terzopoulos y Radek Grzeszczuk. [13] Se aprovechó la calidad realista de la simulación cuando los agentes individuales estaban equipados con visión sintética y una visión general del entorno en el que residían, lo que permitía una conciencia perceptiva dentro de sus hábitats dinámicos.
La investigación inicial en el campo de la simulación de multitudes comenzó en 1997 con la supervisión de Daniel Thalmann de la tesis doctoral de Soraia Raupp Musse. Presentan un nuevo modelo de comportamiento de multitudes para crear una simulación de poblaciones genéricas. [14] Aquí se establece una relación entre el comportamiento autónomo del individuo dentro de la multitud y el comportamiento emergente que se origina a partir de ésta. [15]
En 1999, la navegación individualista comenzó su curso dentro del ámbito de la simulación de multitudes a través de la investigación continua de Craig Reynolds. [16] Se ha demostrado que los comportamientos de dirección desempeñan un papel importante en el proceso de automatización de agentes dentro de una simulación. Reynolds afirma que los procesos de locomoción de bajo nivel dependen y dependen de comportamientos de dirección de nivel medio y estados objetivo de nivel superior y estrategias de búsqueda de caminos. A partir del trabajo avanzado de Reynolds, Musse y Thalmann comenzaron a estudiar el modelado de simulaciones en tiempo real de estas multitudes y sus aplicaciones al comportamiento humano. El control de multitudes humanas fue designado como una organización jerárquica con niveles de autonomía entre los agentes. Esto marca el comienzo del modelado del comportamiento individual en su forma más elemental sobre agentes humanoides o humanos virtuales . [17]
Coincidiendo con publicaciones sobre modelos de comportamiento humano y simulaciones de comportamientos grupales, ganó popularidad la propuesta de Matt Anderson, Eric McDaniel y Stephen Chenney de restricciones al comportamiento [18] . Se presentó que el posicionamiento de las restricciones en las animaciones grupales se podía realizar en cualquier momento dentro de la simulación. Este proceso de aplicar restricciones al modelo de comportamiento se lleva a cabo de dos maneras: primero determinando el conjunto inicial de trayectorias de objetivos que coinciden con las restricciones y luego aplicando reglas de comportamiento a estos caminos para seleccionar aquellas que no las violan.
Correlacionando y aprovechando los hallazgos propuestos en su trabajo con Musse, Thalmann, trabajando junto a Bratislava Ulicny y Pablo de Heras Ciechomski, propuso un nuevo modelo que permitía la creación interactiva de agentes a nivel de un individuo, un grupo de agentes y el totalidad de una multitud. Se introduce una metáfora de pincel para distribuir, modelar y controlar a los miembros de la multitud en tiempo real con retroalimentación inmediata. [19]
Uno de los principales objetivos de la simulación de multitudes es dirigir a las multitudes de manera realista y recrear comportamientos dinámicos humanos.
Existen varios enfoques generales para la simulación de multitudes y la IA, cada uno de los cuales ofrece ventajas y desventajas según el tamaño de la multitud y la escala de tiempo. La escala de tiempo se refiere a cómo el objetivo de la simulación también afecta la duración de la simulación. Por ejemplo, investigar cuestiones sociales como cómo se difunden las ideologías entre una población dará como resultado una simulación de duración mucho más larga, ya que un evento de este tipo puede durar meses o años. Utilizando esas dos características, los investigadores han intentado aplicar clasificaciones para evaluar y organizar mejor los simuladores de multitudes existentes. [20]
Una forma de simular multitudes virtuales es utilizar un sistema de partículas . Los sistemas de partículas fueron introducidos por primera vez en gráficos por computadora por WT Reeves en 1983. [23] Un sistema de partículas es una colección de una serie de elementos o partículas individuales . Cada partícula es capaz de actuar de forma autónoma y se le asigna un conjunto de atributos físicos (como color, tamaño y velocidad).
Un sistema de partículas es dinámico, en el sentido de que los movimientos de las partículas cambian con el tiempo. El movimiento de un sistema de partículas es lo que lo hace tan deseable y fácil de implementar. Calcular los movimientos de estas partículas lleva muy poco tiempo. Simplemente se trata de física: la suma de todas las fuerzas que actúan sobre una partícula determina su movimiento. Fuerzas como la gravedad, la fricción y la fuerza de una colisión, y fuerzas sociales como la fuerza de atracción de un objetivo.
Por lo general, cada partícula tiene un vector de velocidad y un vector de posición , que contienen información sobre la velocidad y posición actuales de la partícula, respectivamente. La siguiente posición de la partícula se calcula sumando su vector de velocidad a su vector de posición. Una operación muy simple (nuevamente por qué los sistemas de partículas son tan deseables). Su vector de velocidad cambia con el tiempo, en respuesta a las fuerzas que actúan sobre la partícula. Por ejemplo, una colisión con otra partícula hará que ésta cambie de dirección.
Los sistemas de partículas se han utilizado ampliamente en películas para efectos como explosiones, para efectos de agua en la película de 2000 La tormenta perfecta y gas simulado en la película de 1994 La máscara .
Los sistemas de partículas, sin embargo, tienen algunos inconvenientes. Puede ser una mala idea utilizar un sistema de partículas para simular agentes en una multitud que el director moverá cuando se lo ordene, ya que determinar qué partículas pertenecen al agente y cuáles no es muy difícil.
Este algoritmo fue diseñado para multitudes relativamente simplistas, donde cada agente de la multitud solo desea llegar a su propio destino y al mismo tiempo evitar obstáculos. [24] Este algoritmo podría usarse para simular una multitud en Times Square.
La característica más importante y distintiva del algoritmo de Patils es que utiliza el concepto de campos de navegación para dirigir a los agentes. Esto es diferente de un campo de orientación; un campo de guía es un área alrededor del agente en la que el agente es capaz de "ver"/detectar información. Los campos de guía se utilizan normalmente para evitar obstáculos, en particular obstáculos dinámicos (obstáculos que se mueven). Cada agente posee su propio campo de orientación. Un campo de navegación, por otro lado, es un campo vectorial que calcula la ruta de costo mínimo para cada agente, de modo que cada agente llegue a su propia posición objetivo.
El campo de navegación solo se puede utilizar correctamente cuando existe un camino desde cada posición libre (sin obstáculos) en el entorno hasta una de las posiciones de destino. El campo de navegación se calcula utilizando las coordenadas de los objetos estáticos en el entorno, las posiciones de los objetivos para cada agente y el campo de guía para cada agente. Para garantizar que cada agente alcance su propio objetivo, el campo de navegación debe estar libre de mínimos locales, excepto la presencia de sumideros en los objetivos especificados.
El tiempo de ejecución para calcular el campo de navegación es , donde m × n es la dimensión de la cuadrícula (similar al algoritmo de Dijkstra ). Por lo tanto, el algoritmo solo depende de la resolución de la red y no de la cantidad de agentes en el entorno. Sin embargo, este algoritmo tiene un alto costo de memoria.
Un conjunto de técnicas para la simulación de multitudes basada en IA consiste en modelar el comportamiento de las multitudes mediante una simulación avanzada de las motivaciones y la toma de decisiones de los agentes individuales. Generalmente, esto significa que a cada agente se le asigna un conjunto de variables que miden diversos rasgos o estados, como el estrés, la personalidad o diferentes objetivos. Esto da como resultado un comportamiento de masa más realista, aunque puede ser más intensivo desde el punto de vista computacional que las técnicas más simples.
Un método para crear un comportamiento individualista en los agentes de masas es mediante el uso de rasgos de personalidad. [25] Cada agente puede tener ciertos aspectos de su personalidad sintonizados en base a una fórmula que asocia aspectos como la agresividad o la impulsividad con variables que rigen el comportamiento de los agentes. Una forma de encontrar esta asociación es a través de un estudio subjetivo en el que a los agentes se les asignan valores aleatoriamente para estas variables y se pide a los participantes que describan a cada agente en términos de estos rasgos de personalidad. Luego se puede realizar una regresión para determinar una correlación entre estos rasgos y las variables del agente. Los rasgos de personalidad pueden entonces ajustarse y tener un efecto apropiado en el comportamiento del agente.
El modelo de personalidad OCEAN se ha utilizado para definir un mapeo entre los rasgos de personalidad y los parámetros de simulación de multitudes. La automatización del ajuste de parámetros de público con rasgos de personalidad facilita la creación de escenarios con grupos heterogéneos. [26]
El comportamiento de las multitudes en situaciones de alto estrés se puede modelar utilizando la teoría del síndrome de adaptación general . cada uno con modelos matemáticos asociados.
La presión del tiempo se refiere a factores estresantes relacionados con un límite de tiempo para alcanzar una meta particular. Un ejemplo sería cruzar una calle con una señal de caminata programada o abordar un tren antes de que se cierren las puertas. Este prototipo está modelado por la siguiente fórmula:
donde es la intensidad de la presión del tiempo en función del tiempo estimado para alcanzar la meta y una restricción de tiempo .
La presión del área se refiere a factores estresantes como resultado de una condición ambiental. Algunos ejemplos serían el ruido o el calor en una zona. La intensidad de este factor estresante es constante en un área particular y se modela mediante la siguiente fórmula:
donde es la intensidad de la presión del área, es la posición del agente en un área y es una constante.
Los factores estresantes posicionales se refieren a factores estresantes asociados con una fuente local de estrés. La intensidad de este factor estresante aumenta a medida que un agente se acerca a la fuente del estrés. Un ejemplo sería un incendio o un objeto dinámico como un agresor. Se puede modelar mediante la siguiente fórmula:
donde es la intensidad del estresor posicional, es la posición del agente y es la posición del estresor posicional. Alternativamente, los factores estresantes que generan una gran tensión en un área grande (como un incendio) se pueden modelar utilizando una distribución gaussiana con desviación estándar :
Los estresores interpersonales son estresores resultantes del hacinamiento por parte de agentes cercanos. Se puede modelar mediante la siguiente fórmula:
donde es la intensidad del estresor interpersonal, es el número actual de vecinos dentro de una unidad de espacio y es el número preferido de vecinos dentro de una unidad de espacio para ese agente en particular.
El estrés percibido sigue la Ley de Steven y se modela mediante la fórmula:
donde es el estrés percibido para un nivel de estrés , es un factor de escala y es un exponente que depende del tipo de factor estresante.
La respuesta al estrés de un agente se puede encontrar con la siguiente fórmula:
donde está la respuesta al estrés limitada a un valor máximo de y es la tasa máxima a la que la respuesta al estrés de un agente puede cambiar.
Se pueden ver ejemplos de simulación de IA de multitudes notables en las películas de El Señor de los Anillos de New Line Cinema , donde ejércitos de IA de miles de personajes luchan entre sí. Esta simulación de multitud se realizó utilizando el software Massive de Weta Digital .
La simulación de multitudes también puede referirse a simulaciones basadas en dinámicas de grupo , psicología de multitudes e incluso etiqueta social . [28] En este caso, la atención se centra en el comportamiento de la multitud, no necesariamente en el realismo visual de la simulación. Las multitudes han sido estudiadas como un interés científico desde finales del siglo XIX. Muchas investigaciones se han centrado en el comportamiento social colectivo de las personas en reuniones sociales, asambleas, protestas, rebeliones, conciertos, eventos deportivos y ceremonias religiosas. Obtener información sobre el comportamiento humano natural en distintos tipos de situaciones estresantes permitirá crear mejores modelos que pueden usarse para desarrollar estrategias de control de multitudes, a menudo en la planificación de la seguridad pública.
Los equipos de respuesta a emergencias , como policías, la Guardia Nacional, militares e incluso voluntarios, deben someterse a algún tipo de capacitación en control de multitudes. El uso de principios investigados del comportamiento humano en multitudes puede brindar a los diseñadores de capacitación en desastres más elementos para incorporar para crear desastres simulados realistas. El comportamiento de la multitud se puede observar tanto en condiciones de pánico como en condiciones de no pánico. Los programas militares miran más hacia el entrenamiento simulado que involucra respuestas de emergencia debido a su tecnología rentable, así como a la eficacia con la que se puede transferir el aprendizaje al mundo real. [ cita necesaria ] Muchos eventos que pueden comenzar controlados pueden tener un evento retorcido que los convierte en situaciones catastróficas, donde es necesario tomar decisiones en el acto. Son estas situaciones en las que la comprensión de la dinámica de las multitudes podría desempeñar un papel vital para reducir el potencial de caos.
Las técnicas de modelado de multitudes varían desde enfoques holísticos o de red hasta la comprensión de aspectos individualistas o de comportamiento de cada agente. Por ejemplo, el modelo de fuerza social describe la necesidad de que los individuos encuentren un equilibrio entre la interacción social y la interacción física. Un enfoque que incorpore ambos aspectos y sea capaz de adaptarse según la situación describiría mejor el comportamiento humano natural, incorporando siempre cierta medida de imprevisibilidad. Con el uso de modelos multiagente, comprender estos comportamientos complejos se ha convertido en una tarea mucho más comprensible. Con el uso de este tipo de software, ahora se pueden probar sistemas en condiciones extremas y simular condiciones durante largos períodos de tiempo en cuestión de segundos.
En algunas situaciones, el comportamiento de enjambres de animales no humanos puede utilizarse como modelo experimental de comportamiento de masas. Se ha descubierto que el comportamiento de pánico de las hormigas cuando se exponen a un químico repelente en un espacio confinado con rutas de salida limitadas tiene similitudes y diferencias con el comportamiento humano equivalente. [29] [30]
Hacohen, Shoval y Shvalb [31] formularon la dinámica entre conductores y peatones en puntos de conflicto congestionados. En tales escenarios, los conductores y/o peatones no siguen estrictamente las leyes de tránsito. El modelo se basa en la función de navegación probabilística (PNF), que se desarrolló originalmente para la planificación del movimiento robótico. El algoritmo construye una trayectoria según la probabilidad de colisión en cada punto de toda el área de cruce. Luego, el peatón sigue una trayectoria que minimiza localmente su probabilidad percibida de colisión.
Helbing propuso un modelo basado en la física que utiliza un sistema de partículas y fuerzas sociopsicológicas para describir el comportamiento de una multitud humana en una situación de pánico; esto ahora se llama modelo de Helbing. Su trabajo se basa en cómo reaccionaría una persona promedio ante una determinada situación. Aunque este es un buen modelo, siempre hay diferentes tipos de personas presentes entre la multitud y cada una tiene sus propias características individuales y su forma de actuar en una estructura grupal. Por ejemplo, una persona puede no reaccionar ante una situación de pánico, mientras que otra puede dejar de caminar e interferir en la dinámica de la multitud en su conjunto. Además, dependiendo de la estructura del grupo, la acción individual puede cambiar porque el agente forma parte de un grupo, por ejemplo, regresar a un lugar peligroso para rescatar a un miembro de ese grupo. El modelo de Helbing puede generalizarse incorporando el individualismo, como proponen Braun, Musse, Oliveira y Bodmann. [32]
Para abordar este problema se debe asignar a cada agente una individualidad que permita abordar distintos tipos de conductas. Otro aspecto para abordar este problema es la posibilidad de agrupar personas, la formación de estos grupos provoca que las personas cambien su comportamiento en función de parte de la estructura del grupo. Cada agente (individuo) se puede definir según los siguientes parámetros:
Para modelar el efecto del parámetro de dependencia con agentes individuales , la ecuación se define como:
Al evaluar la velocidad del agente, queda claro que si el valor del factor de dependencia, DE, es igual a uno, entonces la persona quedaría totalmente incapacitada impidiéndole moverse. Si el factor de dependencia es igual a cero, entonces la persona puede correr a su velocidad máxima.
La formación de grupos está relacionada con la fuerza del Altruismo que se implementa como una fuerza de interacción entre dos o más agentes que forman parte de una misma familia. Matemáticamente se describe de la siguiente manera:
dónde:
En consecuencia, cuanto mayor sea el parámetro AL i del agente i , mayor será Fā i que apunta al agente j y tiene el alto nivel de DE j . Cuando ambos agentes están lo suficientemente cerca entre sí, el que tiene DE alta (el agente j en este ejemplo) adopta el valor del agente i ( ). Esto significa que la capacidad de evacuación del agente i se comparte con la del agente j y ambos comienzan a moverse juntos.
Al utilizar estas ecuaciones en pruebas de modelos utilizando una población distribuida normalmente, los resultados son bastante similares al modelo de Helbing.
Los lugares donde esto sería útil serían en un escenario de evacuación. Tomemos, por ejemplo, la evacuación de un edificio en caso de incendio. Teniendo en cuenta las características de los agentes individuales y sus actuaciones grupales, determinar el resultado de cómo la multitud saldría del edificio es de vital importancia para crear el diseño del edificio. [32]
Como se describió anteriormente, el modelo Helbing se utiliza como base para el comportamiento de la multitud. Este mismo tipo de modelo de comportamiento se utiliza para simulaciones de evacuación.
En general, lo primero que hay que asumir es que no todo el mundo tiene conocimientos sobre el medio ambiente o dónde hay y dónde no hay peligros. A partir de este supuesto podemos crear tres tipos de agentes. El primer tipo es un líder capacitado, este agente conoce el entorno y es capaz de difundir conocimientos a otros agentes para que sepan cómo salir de un entorno. El siguiente tipo de agente es un líder no capacitado, este agente no conoce el medio ambiente; sin embargo, a medida que el agente explora el medio ambiente y obtiene información de otros tipos de líderes, el agente puede difundir el conocimiento sobre el medio ambiente. El último tipo de agente es un seguidor, este tipo de agente solo puede tomar información de otros líderes y no poder compartir la información con otros agentes.
La implementación de este tipo de agentes es bastante sencilla. Los líderes del entorno tienen guardado un mapa del entorno como uno de sus atributos. Un líder y seguidores no capacitados comenzarán con un mapa vacío como atributo. Los líderes y seguidores no capacitados comenzarán a explorar un entorno por sí mismos y crearán un mapa de lugares transitables y no transitables. Los líderes y líderes no capacitados (una vez que tengan el conocimiento), compartirán información con otros agentes dependiendo de su proximidad. Compartirán información sobre qué puntos de la cuadrícula están bloqueados, los subgráficos locales y los peligros en el área.
Se probaron dos tipos de algoritmos de búsqueda para esta implementación. Estaba la búsqueda aleatoria y la primera búsqueda en profundidad. Una búsqueda aleatoria es donde cada uno de los agentes va en cualquier dirección a través del entorno e intenta encontrar una salida. La primera búsqueda en profundidad es donde los agentes siguen un camino hasta donde pueden llegar y luego regresan e intentan otro camino si el camino que atravesaron no contiene una salida. Se descubrió que la primera búsqueda en profundidad daba una velocidad de 15 veces en comparación con una búsqueda aleatoria. [33]
Hay muchas situaciones diferentes que entran en juego en las simulaciones de multitudes. [34] Recientemente, la simulación de multitudes ha sido esencial para muchas aplicaciones de entornos virtuales, como la educación, la formación y el entretenimiento. Muchas situaciones se basan en el entorno de la simulación o en el comportamiento del grupo de agentes locales. En las aplicaciones de realidad virtual, cada agente interactúa con muchos otros agentes del entorno, lo que requiere interacciones complejas en tiempo real. Los agentes deben tener cambios continuos en el entorno, ya que los comportamientos de los agentes permiten interacciones complejas. La arquitectura escalable puede gestionar grandes multitudes a través del comportamiento y tarifas interactivas. Estas situaciones indicarán cómo actuarán las multitudes en múltiples escenarios complejos mientras se aplican varias situaciones diferentes. Una situación puede ser cualquier circunstancia que tenga comportamientos locales típicos. Podemos clasificar todas las situaciones en dos tipos diferentes.
Situación espacial es una situación que tiene una región donde el entorno afecta a los agentes locales. Por ejemplo, una multitud esperando en fila para una taquilla estaría mostrando una situación espacial. Otros ejemplos pueden ser una parada de autobús o un cajero automático donde los personajes actúan sobre su entorno. Por lo tanto, consideraríamos 'parada de autobús' como la situación si el comportamiento de los agentes fuera subir o bajar de un autobús.
La situación no espacial no tiene región en el entorno porque sólo implica el comportamiento de la multitud. La relación de los agentes locales es un factor importante a considerar a la hora de determinar el comportamiento. Un ejemplo sería un grupo de amigos caminando juntos. El comportamiento típico de personajes que son amigos se movería entre sí. Esto significa que la "amistad" sería la situación entre el comportamiento típico de caminar juntos.
La estructura de cualquier situación se basa en cuatro componentes: funciones de comportamiento, sensores, estados y reglas de eventos. Las funciones de comportamiento representan cuáles son los comportamientos de los personajes específicos de la situación. Los sensores son la capacidad de detección que tienen los agentes para ver y responder a eventos. Los estados son los diferentes movimientos y transiciones de estados que se utilizan solo para los comportamientos locales. La regla de eventos es la forma de conectar diferentes eventos con sus comportamientos específicos. Mientras se pone a un personaje en una situación, estos cuatro componentes se consideran al mismo tiempo. Para situaciones espaciales, los componentes se agregan cuando el individuo ingresa inicialmente al entorno que influye en el personaje. Para situaciones no espaciales, el personaje se ve afectado solo una vez que el usuario le asigna la situación. Los cuatro componentes se eliminan cuando el agente es retirado de su región de situaciones o cuando se elimina la situación misma. La adición y eliminación dinámica de situaciones nos permite conseguir agentes escalables.
Para simular más aspectos de las actividades humanas en una multitud, se necesita algo más que la planificación de trayectorias y movimientos. Las interacciones sociales complejas, la manipulación inteligente de objetos y los modelos híbridos son desafíos en esta área. El comportamiento de multitudes simulado está inspirado en el flujo de multitudes del mundo real. Se analizan patrones de comportamiento, velocidades y densidades de movimiento y anomalías en muchos entornos y tipos de edificios. Se rastrea a las personas y se documentan sus movimientos de manera que se puedan derivar e implementar algoritmos en simulaciones de multitudes.
Las entidades individuales de una multitud también se denominan agentes . Para que una multitud se comporte de manera realista, cada agente debe actuar de forma autónoma (ser capaz de actuar independientemente de los demás agentes). Esta idea se conoce como modelo basado en agentes. Además, normalmente se desea que los agentes actúen con cierto grado de inteligencia (es decir, que los agentes no realicen acciones que les causen daño a sí mismos). Para que los agentes tomen decisiones inteligentes y realistas, deben actuar de acuerdo con el entorno que los rodea, reaccionar a sus cambios y reaccionar ante los demás agentes. Terzopoulos y sus estudiantes han sido pioneros en modelos de peatones basados en agentes, un enfoque conocido como simulación multihumana para distinguirlo de la simulación de multitudes convencional. [22] [35] [28]
En la IA basada en reglas, los agentes virtuales siguen guiones: "si sucede esto, haz aquello". Este es un buen enfoque si se requieren agentes con diferentes roles, como un personaje principal y varios personajes de fondo. Este tipo de IA generalmente se implementa con una jerarquía, como en la jerarquía de necesidades de Maslow , donde cuanto más abajo se encuentra la necesidad en la jerarquía, más fuerte es.
Por ejemplo, considere un estudiante que camina hacia su clase y se encuentra con una explosión y huye. La teoría detrás de esto es que inicialmente se satisfacen los primeros cuatro niveles de sus necesidades y el estudiante actúa de acuerdo con su necesidad de autorrealización. Cuando ocurre la explosión, su seguridad se ve amenazada, lo cual es una necesidad mucho más fuerte, lo que le hace actuar de acuerdo con esa necesidad.
Este enfoque es escalable y se puede aplicar a multitudes con una gran cantidad de agentes. Sin embargo, la IA basada en reglas tiene algunos inconvenientes. En particular, el comportamiento de los agentes puede volverse muy predecible, lo que puede provocar que una multitud se comporte de manera poco realista.
Al aprender IA, los personajes virtuales se comportan de maneras que han sido probadas para ayudarlos a lograr sus objetivos. Los agentes experimentan con su entorno o con un entorno de muestra similar al real.
Los agentes realizan una variedad de acciones y aprenden de sus errores. Cada agente altera su comportamiento en respuesta a las recompensas y castigos que recibe del entorno. Con el tiempo, cada agente desarrollaría comportamientos que consistentemente tienen más probabilidades de obtener altas recompensas.
Si se utiliza este enfoque, junto con una gran cantidad de comportamientos posibles y un entorno complejo, los agentes actuarán de manera realista e impredecible.
Existe una amplia variedad de algoritmos de aprendizaje automático que se pueden aplicar a simulaciones de multitudes.
Q-Learning es un algoritmo que reside en el subcampo del aprendizaje automático conocido como aprendizaje por refuerzo. Una descripción general básica del algoritmo es que a cada acción se le asigna un valor Q y a cada agente se le da la directiva de realizar siempre la acción con el valor Q más alto. En este caso, el aprendizaje se aplica a la forma en que se asignan los valores Q, que se basa enteramente en la recompensa. Cuando un agente entra en contacto con un estado, s, y una acción, a, el algoritmo estima el valor de recompensa total que recibiría un agente por realizar ese par de acciones de estado. Después de calcular estos datos, se almacenan en el conocimiento del agente y éste procede a actuar a partir de ahí.
El agente alterará constantemente su comportamiento dependiendo del mejor valor Q disponible para él. Y a medida que explora más y más el entorno, eventualmente aprenderá los pares de acción de estado más óptimos para realizar en casi todas las situaciones.
La siguiente función describe la mayor parte del algoritmo:
Dado un estado s y una acción a, r y s son la recompensa y el estado después de realizar (s,a), y a' es el rango de todas las acciones. [36]
Renderizar y animar una gran cantidad de agentes de manera realista, especialmente en tiempo real, es un desafío. Para reducir la complejidad de la representación 3D de multitudes a gran escala, se han utilizado técnicas como el sacrificio (descartando objetos sin importancia), los impostores (representación basada en imágenes) y la disminución de los niveles de detalle. [37] En las multitudes reales existen variaciones en apariencia, forma y tamaño del cuerpo, accesorios y comportamiento (social o cultural), y la falta de variedad afecta el realismo de las simulaciones visuales. Los sistemas existentes pueden crear multitudes virtuales con diferentes texturas, [7] colores, [38] tamaños, formas y animaciones. [6]
Las simulaciones de multitudes se han utilizado ampliamente en películas como una alternativa realista y rentable a la contratación de actores y la captura de tomas que de otro modo no serían realistas. Un ejemplo significativo de su uso lo encontramos en El Señor de los Anillos (serie de películas) . Uno de los problemas más evidentes para el equipo de producción en las etapas iniciales fueron las batallas a gran escala, ya que el autor de las novelas, JRR Tolkien, las imaginó con al menos 50.000 participantes. Tal número no era realista si hubieran decidido intentar contratar únicamente actores y actrices reales. En su lugar, decidieron utilizar CG para simular estas escenas mediante el uso del sistema de simulación de agentes múltiples en un entorno virtual, también conocido como MASSIVE. Para el desarrollo de estas secuencias se utilizó el complemento Maya basado en Human Logic Engine para simulación de multitudes, Miarmy . El software permitió a los realizadores proporcionar a cada modelo de personaje una IA basada en agentes que podría utilizar una biblioteca de 350 animaciones. Según los parámetros de vista, oído y tacto generados a partir de la simulación, los agentes reaccionarían de forma única a cada situación. Por tanto, cada simulación de la escena era impredecible. El producto final mostró claramente las ventajas de utilizar un software de simulación de multitudes.[39]
El desarrollo de software de simulación de multitudes se ha convertido en una herramienta moderna y útil en el diseño de entornos urbanos. Mientras que el método tradicional de planificación urbana se basa en mapas y bocetos abstractos, una simulación digital es más capaz de transmitir tanto la forma como la intención del diseño del arquitecto al peatón. Por ejemplo, las señales de tráfico y los semáforos son señales visuales localizadas que influyen en los peatones para moverse y comportarse en consecuencia. Siguiendo esta lógica, una persona puede moverse del punto A al punto B de una manera eficiente y, como resultado, un grupo colectivo de personas puede operar de manera más efectiva. En un sentido más amplio, los sistemas de autobuses y los restaurantes de carretera cumplen un propósito espacial en sus ubicaciones a través de la comprensión de los patrones de movimiento humano. [40] La serie de videojuegos SimCity ejemplifica este concepto de una manera más simplista. En esta serie, el jugador asigna el desarrollo de la ciudad en zonas designadas manteniendo un presupuesto saludable. La progresión de una tierra vacía a una ciudad bulliciosa está totalmente controlada por las elecciones del jugador y los ciudadanos digitales se comportan de acuerdo con el diseño y los eventos de la ciudad.
Se pueden utilizar multitudes realistas simuladas en el entrenamiento para el manejo de disturbios, arquitectura y ciencias de la seguridad (planificación de evacuación).
Dado que las simulaciones de multitudes son tan frecuentes en la planificación pública y el orden general con respecto a situaciones caóticas, se pueden extraer muchas aplicaciones para las simulaciones gubernamentales y militares. El modelado de multitudes es esencial en la simulación policial y militar con el fin de entrenar a oficiales y soldados para hacer frente a reuniones masivas de personas. Los combatientes ofensivos no sólo resultan difíciles de manejar para estos individuos, sino que las multitudes de no combatientes desempeñan un papel importante a la hora de hacer que estas situaciones agresivas estén más fuera de control. Se utiliza tecnología de juego para simular estas situaciones para que los soldados y técnicos practiquen sus habilidades. [41]
El comportamiento de una multitud modelada juega un papel destacado en cuestiones analíticas. Estas dinámicas se basan en los comportamientos físicos de agentes individuales dentro de una multitud más que en la realidad visual del modelo en sí. Los comportamientos sociales de las personas dentro de estos constructos han sido de interés durante muchos años, y los conceptos sociológicos que sustentan estas interacciones se estudian constantemente. La simulación de multitudes en diferentes situaciones permite el estudio sociológico de reuniones de la vida real en una variedad de disposiciones y ubicaciones. Las variaciones en el comportamiento humano en situaciones que varían en niveles de estrés permiten un mayor desarrollo y creación de estrategias de control de multitudes que pueden aplicarse más específicamente a situaciones en lugar de generalizarse.
