Pedestrian simulation as multi-objective reinforcement learning

Ravichandran, Naresh BalajiKTH,Parallelldatorcentrum, PDC,Computational Brain Science Lab (författare)

QC 20190123
Modelling and simulation of pedestrian crowds require agents to reach pre-determined goals and avoid collisions with static obstacles and dynamic pedestrians, while maintaining natural gait behaviour. We model pedestrians as autonomous, learning, and reactive agents employing Reinforcement Learning (RL). Typical RL-based agent simulations suffer poor generalization due to handcrafted reward function to ensure realistic behaviour. In this work, we model pedestrians in a modular framework integrating navigation and collision-avoidance tasks as separate modules. Each such module consists of independent state-spaces and rewards, but with shared action-spaces. Empirical results suggest that such modular framework learning models can show satisfactory performance without tuning parameters, and we compare it with the state-of-art crowd simulation methods.

Yang, FangkaiKTH,Beräkningsvetenskap och beräkningsteknik (CST)(Swepub:kth)u148kmj5 (författare)
Peters, ChristopherKTH,Beräkningsvetenskap och beräkningsteknik (CST)(Swepub:kth)u1qtfy8j (författare)
Lansner, Anders,ProfessorKTH,Beräkningsvetenskap och beräkningsteknik (CST)(Swepub:kth)u12s8cr8 (författare)
Herman, Pawel,1979-KTH,Beräkningsvetenskap och beräkningsteknik (CST)(Swepub:kth)u19pqm1e (författare)
KTHParallelldatorcentrum, PDC (creator_code:org_t)

Ingår i:Proceedings of the 18th International Conference on Intelligent Virtual Agents, IVA 2018New York, NY, USA : ACM, s. 307-3129781450360135

Av författaren/redakt...: Ravichandran, Na ...; Yang, Fangkai; Peters, Christop ...; Lansner, Anders, ...; Herman, Pawel, 1 ...

Om ämnet

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.