基于火場信息的地鐵車站智能疏散技術研究

唐鵬程，孫 穎，丁時政，朱亞迪,3

（1.北京交通大學土木建筑工程學院，北京 100044；2.北京中關村軌道交通產業(yè)發(fā)展有限公司，北京 100044；3.北京交通大學北京市軌道交通線路安全與防災工程技術研究中心，北京 100044）

城市軌道交通車站作為乘客出行的集散場所，通常承載了大量乘客，由于大部分車站位于地下，相對封閉，且車站內有樓扶梯、檢票閘機等多種設施，結構復雜，因此，一旦發(fā)生火災等緊急情況，極易引起站內乘客的恐慌，發(fā)生擁擠踩踏事件，造成嚴重的生命財產損失。鑒于此，科學的疏散方案以及高效的疏散路線，對于城市軌道交通安全運營以及乘客安全出行至關重要，同時也是運營實踐和學術研究關注的焦點。

在運營實踐中，雖然每座車站均有火災應急疏散方案，但是車站內只有疏散應急燈、安全出口標志等以引導乘客疏散。這些方案和疏散標志的設置通常采用固定模式以及固定信息形式，無法根據火災現(xiàn)場的具體情況隨機應變；尤其是在結構復雜的地下車站，難以適應隨機發(fā)生的火災以及實時發(fā)生的火場情況，也難以滿足現(xiàn)代化科學安全防護需求。

在學術研究方面，張培紅等[1]對火災時人員疏散行動能力的研究表明，疏散時間受到火源位置、報警設備可靠性、消防管理水平、人員分布特點、待疏散人員的工作狀態(tài)、人員的生理心理狀態(tài)以及人員之間相互的社會關系等因素的影響。田娟榮等[2]綜合考慮了建筑物結構和人員行為對疏散的影響，模擬了各種不同出口條件下的人員疏散過程。張景鋼等[3]運用Pathfinder 疏散軟件模擬大學圖書館復雜場景下人員疏散情況，研究煙霧、火勢等因素對人員疏散的影響。曹祥紅等[4]基于火場固定疏散標志提出用于火災疏散路徑動態(tài)規(guī)劃的新型改進的蟻群算法。張克誠等[5]針對傳統(tǒng)安全疏散方法尋優(yōu)控制能力不好、自適應控制性能較差的弊端，提出基于粒子群尋優(yōu)的地鐵火災擴散時人員安全疏散路徑尋優(yōu)模型。左松濤等[6]基于城市地鐵站內人員疏散路徑規(guī)劃問題，對疏散路徑的實際長度、有效寬度及通行難易度3 種特征屬性進行綜合評價，引入了路徑通行難易度的理論計算公式，提出用當量長度作為路徑綜合評價的結果。王華偉[7]針對不同位置的火災行為，基于A*算法制定了作業(yè)人員的最優(yōu)疏散路徑規(guī)劃方案，實現(xiàn)了考慮火災蔓延的人員動態(tài)安全疏散。

綜上，大部分相關研究主要針對單起點、單出口的疏散路徑進行優(yōu)化研究，很少考慮站內人員真實分布以及火場的實時發(fā)展等實際情況對疏散路徑的影響。事實上，在真實的地鐵車站疏散過程中，逃生出口多，站內人員分布廣泛，疏散起點和疏散終點不唯一，但是多數(shù)優(yōu)化模型中未能考慮火場實時信息對疏散路徑的影響。為解決以上問題，本文首先利用計算機視覺方法將從地鐵車站監(jiān)控視頻中獲得的火災位置信息、影響范圍信息以及疏散乘客分布情況，映射到對應的車站拓撲空間模型中；然后，以火場中的火源信息以及疏散乘客分布信息為要素，構建疏散成本函數(shù)；最后，考慮疏散路徑長度、疏散路徑曲直度、疏散出口通行效率等信息，構建空間多起點、多出口疏散路徑優(yōu)化模型，得到綜合考慮火場信息的車站內疏散路徑。

1 火場信息獲取

本文利用兩個YOLO(you only look once)框架分別進行人群分布識別和火源位置識別。YOLO 是一種基于深度神經網絡的對象識別算法，其最大的特點是運行速度快，可以實現(xiàn)目標的實時快速檢測[8]。

對于人群分布識別框架，為了獲取更加精準的人群分布信息，本文選用人員頭部檢測方案，以準確定位監(jiān)控視頻范圍內人員的坐標分布，識別流程框架如圖1 所示。以火源圖片進行訓練得到火源識別卷積神經網絡權重參數(shù)，識別流程框架如圖2 所示。首先，將視頻數(shù)據輸入到識別框架中，把視頻中的每個圖像幀提取出來，以檢測其中所有可被識別的行人；其次，識別框架對圖像進行尺寸重構以方便程序進行處理，并將調整后的圖像劃分為M×M個網格單元(如7×7)；然后，根據訓練得到的卷積神經網絡(convolutional neural networks，CNN)獲得人群識別先驗框和目標分類概率圖，計算得到行人頭部檢測框；根據中心點的x和y坐標、寬度w和高度h來確定人員位置，并利用相機校準技術將得到的像素坐標轉換到世界坐標系中，如圖3 所示。圖中，f為相機焦距，Zc為攝像機到人群/火源的距離，xc、yc為人群/火源的相機坐標，x、y為人群/火源的圖像坐標。同理也可以獲得火源在世界坐標中的位置坐標。算法的具體實現(xiàn)過程可以參考文獻[9]。

圖1 人群分布識別流程框架Figure 1 Crowd distribution identification process framework

圖2 火源識別流程框架Figure 2 Fire source identification process framework

圖3 從攝像機坐標系到圖像坐標系示意Figure 3 From camera coordinate system to image coordinate system

2 空間拓撲模型構建

為了更好地進行疏散路徑優(yōu)化計算，需要以場地的某個地點為坐標原點構建整個疏散空間的拓撲模型，將車站空間結構、人群分布以及火源分布等映射到空間拓撲模型中；因此，需要將世界坐標系中的點位坐標轉換為實際場景坐標。

攝像頭標定的世界坐標系和實際場景的坐標系之間會有尺度、旋轉、平移的差別，本文基于奇異值分解算法求解點集間的轉換矩陣[10]。基本計算式為

式中，A為通過計算機視覺算法識別得到的點在世界坐標系中的坐標集合；B為相應點在實際場景中的坐標集合；r為旋轉矩陣；t為平移向量。下面通過圖像中的3 個基準點尋找變換矩陣向量。

尋找兩個點集的平均中心，具體計算式為

式中，CA及CB分別表示攝像機及真實場景中3 個基準點的中心坐標；Ai和Bi是三行一列的向量；N為基準點的個數(shù)，此處取3。

尋找旋轉矩陣r并求出平移向量t。令

則H為協(xié)方差矩陣，使用奇異值分解算法SVD(H) =[U，S，V]，U、S、V為奇異值分解后的3 個矩陣，得R=VUT。考慮到兩個坐標系的尺度不同，設兩者的尺度倍數(shù)λ為

則式(1)將變?yōu)?/p>

結合式(5)，可以得到旋轉矩陣r和平移向量t分別為

得出旋轉矩陣和平移向量后，即可由世界坐標計算疏散空間中各點的實際場景坐標，從而構建得到空間拓撲模型。

3 疏散路徑規(guī)劃模型

3.1 融合模型構建

合理的疏散路徑是火災疏散的重要內容，也是智能應急疏散的核心技術之一。疏散路徑規(guī)劃是在復雜的地鐵車站環(huán)境下，按照一定的規(guī)則要求基于路徑規(guī)劃算法規(guī)劃一條合理路徑以引導人員安全、高效地疏散至安全區(qū)域。目前常見的路徑規(guī)劃算法主要有傳統(tǒng)算法(如Dijkstra 算法和A*算法)和智能仿生學算法(如遺傳算法、蟻群算法等)。然而，不同算法根據其原理和性能的差異表現(xiàn)出不同特點。本文將兩類算法的特點進行融合，利用蟻群算法良好的全局優(yōu)化能力，融合A*算法提高計算效率，設計出融合的疏散路徑規(guī)劃算法，其流程框架如圖4 所示。

圖4 疏散路徑規(guī)劃算法流程Figure 4 Evacuation path planning algorithm flowchart

首先，針對疏散空間進行柵格劃分，然后利用A*算法進行次優(yōu)路徑規(guī)劃，其基本思想是，根據評價函數(shù)，從起點開始不斷向目標點的方向進行搜索。其評價函數(shù)為[11]

式中，xn、yn表示當前人群所在的位置坐標，x0、y0表示起點的位置坐標，xe、ye表示終點的位置坐標；f(n)是節(jié)點n的綜合優(yōu)先級。當選擇下一個要遍歷的節(jié)點時，總會選取f(n)值最小(綜合優(yōu)先級最高)的節(jié)點。在評價函數(shù)中，g(n)是過去的成本函數(shù)，稱為耗散函數(shù)，用于評價起點到當前點的代價；h(n)是當前的成本函數(shù)，稱為啟發(fā)函數(shù)，用于評價當前點到目標節(jié)點的代價。A*算法記錄每一次搜索確定的點直至終點，生成所耗成本最小的路徑。

基于A*算法生成的路徑，對相應的柵格進行信息素濃度τij(0)的調整，增加次優(yōu)路徑上的信息素濃度，增量為Aij，對初始信息素濃度τij(0)進行調整，即τij(0)作如下的變換：

式中，τ0為初始信息素濃度默認值。

蟻群算法參數(shù)初始化，將次優(yōu)路徑上信息素濃度增量Aij設置為8。路徑搜索效率從A*算法的18.69 s以及傳統(tǒng)算法的17.55 s 壓縮到融合A*蟻群算法的12.93 s，搜索時間顯著縮短，在實際場景中疏散效率可以得到提高，適用于實際疏散場景。

3.2 模型算法改進

經典蟻群算法中，距離啟發(fā)函數(shù)僅考慮從當前節(jié)點到下一節(jié)點的能見度，未能體現(xiàn)全局性信息。可以通過監(jiān)控視頻數(shù)據獲取疏散空間的所有信息，綜合考慮終點的導向作用。因此，本文針對距離啟發(fā)函數(shù)增加下一節(jié)點與終點之間能見度djt的計算，增強疏散路徑的目的性，使得地鐵車站火災中乘客疏散更具方向性。為了提高搜索最短路徑的效率，對兩段距離之和的倒數(shù)進行平方。基于以上改進策略，重新構建距離啟發(fā)函數(shù)ηij為

式中，i為當前節(jié)點；j為下一節(jié)點；t為終點。

由于車站內部人員比較密集、伴隨煙霧等惡劣條件及群眾的恐慌心理，若疏散路徑過于曲折、轉彎次數(shù)過多，車站內的待疏散乘客會因為過度恐慌迷失方向，使逃生變得更加困難，疏散效率降低。因此，本文通過計算轉彎角度θ并統(tǒng)計轉彎次數(shù)tn，考慮轉彎懲罰z(轉彎角度θ越大，z值越小。當路徑順直，不需要轉彎時，z=1。隨著tn 的增加，蟻群算法中的狀態(tài)轉移概率pkij(t)值變小)，對pkij(t)進行調整，加入轉彎懲罰系數(shù)并統(tǒng)計轉彎次數(shù)以減少路徑搜索中發(fā)生轉向的概率，降低疏散路徑的復雜程度，提高逃生路徑的平順性，從而降低乘客迷失方向的可能性，轉變懲罰函數(shù)的計算式為

狀態(tài)轉移概率的計算式為

式中，z的取值范圍為0.5～1；α為信息素濃度函數(shù)的重要性系數(shù)；β為距離啟發(fā)函數(shù)的重要性系數(shù)；τij(t)為信息素濃度函數(shù)；ηij(t)為距離啟發(fā)函數(shù)；D為螞蟻下一個可移動的節(jié)點集合。算法改進前后路線對比如圖5所示，優(yōu)化后疏散路線的轉彎次數(shù)由11 次降至8 次。

圖5 轉彎懲罰效應改進效果示意Figure 5 Improvement effect of turning penalty effect

實際路徑疏散過程中，由于車站客流較大，位于最短疏散路徑上的出口因通過能力有限，可能會出現(xiàn)擁堵狀況。在這種情況下，所有乘客選擇距離最短的疏散路徑可能會降低疏散效率。考慮出口擁堵效應的疏散優(yōu)化思路是，針對距疏散出口最近的人群進行路徑規(guī)劃及疏散出口選擇；然后根據規(guī)劃選擇結果，更新各個疏散出口的人群分布數(shù)據；結合各出口的通過能力，計算擁堵系數(shù)并將其作為疏散距離權重，從而進行疏散路徑規(guī)劃。

4 案例應用

本文以北京地鐵某車站為例，構建疏散拓撲網絡模型。利用離線視頻數(shù)據識別站臺上乘客分布及數(shù)量，假設火災位置構建疏散空間拓撲模型，如圖6 所示。

圖6 疏散空間拓撲模型構建效果示意Figure 6 The construction effect of the evacuation space topology model

不同人群分布情況及不同的人群密度會對疏散過程產生不同的影響，因此將人群分布情況劃分成3 個場景進行分析，以便更好地理解和評估算法的性能。

場景1：待疏散人群的密度差異不大且分布位置相對均勻。這種情況下，人群之間有足夠的空間來自由移動，擁擠系數(shù)對疏散過程的影響較小。主要考慮距離出口最近的原則進行路徑規(guī)劃，算法能夠有效應對疏散需求。

場景2：待疏散人群中有一部分密度較大且分布位置相對集中，而其他部分人群密度較小。這種情況下，需要考慮擁堵情況和優(yōu)化路徑規(guī)劃，避免擁擠和排隊。算法不僅考慮距離出口最近的原則，還需要靈活調配，選擇相對較近但未發(fā)生擁擠的出口進行疏散。

場景3：待疏散人群的分布位置較為均勻，但人群密度在兩側較高，中間較稀疏。這種情況下，需要對各個出口進行合理安排，考慮擁堵情況并選擇暢通的路徑進行疏散。算法根據實際情況靈活調配人群，并優(yōu)先選擇較為稀疏的出口進行疏散。

通過圖7 的3 種場景分析可以全面了解算法在不同人群分布情況下的表現(xiàn)，評估其適應性和效果，并進一步改進和優(yōu)化疏散路徑規(guī)劃算法，以應對不同的疏散需求。3 種場景的模擬效果如圖8 所示。

圖7 人群分布場景Figure 7 Population distribution

圖8 地鐵車站火災3 種場景下路徑規(guī)劃的模擬效果Figure 8 Simulate path planning in a subway station fire scenario

人群分布場景1 的待疏散人群密度差異不大(待疏散人群1～4 分別為100、150、100、200 人)，分布位置相對均勻。由圖8(a)可以看出，在人員分布較為均勻的情況下，算法主要依據離出口最近的原則進行疏散路徑規(guī)劃，尋路方向性較好，路徑平滑、順直，轉彎次數(shù)少，且由于該場景下待疏散人群密度不算大，待疏散人群相互之間有足夠的空間來自由移動，因此擁擠系數(shù)對疏散過程的影響并不顯著，其作用不會有明顯的體現(xiàn)，符合實際疏散情況，可以有效應對人群疏散需求。

人群分布場景2(待疏散人群1～4 分別為100、150、100、300 人)中，待疏散人群4 密度較大，人群分布位置相對集中靠左。由圖8(b)可以看出，在人員分布相對集中的情況下，算法并不是單純按照離出口最近的原則進行疏散路徑規(guī)劃，如待疏散人群3 的疏散路徑中，考慮了左側出口受待疏散人群1、2 的影響而出現(xiàn)的擁堵，從而并未選擇最近的左側出口進行疏散，而是選擇了相對較近但不需要排隊的中間出口進行逃生，擁擠系數(shù)作用得到了具體的、有效的體現(xiàn)。同時，整體的疏散路徑規(guī)劃也具有良好的方向性。基于待疏散人群分布靠左的特征，優(yōu)先選擇左側出口進行疏散，以更好地適應實際情況。這樣的路徑規(guī)劃導致路徑平順，轉彎次數(shù)較少，符合實際疏散情況的要求。即針對待疏散人群分布場景2 中人員密度較大、分布位置相對集中靠左的情況，疏散算法并非簡單地依據最近出口原則進行路徑規(guī)劃。它不僅考慮擁堵情況，而且還選擇了合適的出口以實現(xiàn)擁擠系數(shù)的作用。此外，該算法還考慮到待疏散人群分布靠左的特點，優(yōu)先選擇左側出口進行疏散，從而使得路徑平順，轉彎次數(shù)較少，與實際疏散情況相符合。

人群分布場景3(待疏散人群1～4 分別為250、100、100、200 人)中，待疏散人群分布位置較為均勻，人群密度呈現(xiàn)中間稀疏(待疏散人群2、3 密度小)兩側密集(待疏散人群1、4 密度大)的狀況。由圖8(c)可以看出，在待疏散人群分布位置較為均勻的情況下，整體按照人群分布均勻的特征，對各個出口都安排相應的人群進行疏散。算法根據出口擁堵情況進行靈活調配，實施疏散路徑規(guī)劃，如待疏散人群2 的疏散路徑中，考慮了左側出口受高密度的待疏散人群1 的影響而出現(xiàn)的擁堵，所以并未選擇最近的左側出口進行疏散，而是選擇了相對較近但未發(fā)生擁擠狀況的中間出口進行逃生；待疏散人群3 的疏散路徑中，考慮了右側出口受高密度的待疏散人群4 的影響而出現(xiàn)的擁堵，所以并未選擇最近的右側出口進行疏散，同樣選擇了相對較近但未發(fā)生擁擠狀況的中間出口進行逃生，符合實際疏散情況。

5 結論

1) 通過構建空間多起點、多出口疏散路徑優(yōu)化模型，可以得到綜合考慮火源位置、人群分布、出口位置等火場信息的車站內疏散路徑。

2) 采用A*算法生成次優(yōu)路徑，以該路徑調整蟻群算法的初始信息素濃度，可以提高蟻群算法的求解效率。

3) 為確保疏散路徑的平順性，通過引入轉彎懲罰因子，可以顯著減少乘客逃生路徑的轉彎次數(shù)。

后續(xù)研究可考慮站臺人群位置及密度分布，加入出口擁堵程度對疏散效率的影響，為待疏散乘客選擇更快的疏散路徑，進一步提高疏散效率。該技術可以與動態(tài)疏散引導系統(tǒng)結合，更加有效地保證乘客出行安全。