מבוא ל- Cell Automata Models

Automata (CA) הם מודלים מתמטיים דיסקרטיים המייצגים את החלל כרשת רגילה של תאים, כל אחד מחזיק אחד קבוצה סופית של מדינות.זמן מתקדם בצעדים דיסקרטיים, וכל תא מעדכן את המדינה שלו על פי חוק קבוע, תלוי רק על מדינות שכנותיה המיידיות.למרות הפשטות של כללים בודדים, CA מערכות יכולות ליצור התנהגויות מורכבות להפליא, מה שהופך אותם אידיאליים עבור מערכות מורכבות, כלומר, כלומר, כלומר, כלומר, באופן דינמי, או יעיל, כדי לספק אינטראקציות סביבתיות, או סימולציה מקומית, באופן טבעי, או סימולציה, באופן טבעי, או יעיל, באופן טבעי, באופן טבעי, באופן טבעי, באופן טבעי, סימולציה, סימולציה, או סימולציה ברמה גבוהה יותר, או יעיל, באופן דינמי, או סימולציה מקומית, או יעיל, או סימולציה, או סימולציה, באופן טבעי, באופן טבעי, סימולציה של שיטות חישובית, באופן טבעי, באופן טבעי, באופן טבעי, באופן טבעי, באופן טבעי, באופן דינמי, באופן טבעי, אם זה יכול לייצר סימולציה תעשייתי, באופן טבעי, באופן טבעי, באופן טבעי, באופן טבעי, באופן טבעי, סימולציה תעשייתי, אם זה יכול לייצר סימולציה תעשייתי, סימולציה תעשייתי, סימולציה תעשייתי, סימולציה תעשייתי, אם זה יכול לייצר

מקורות אוטומאטה התאית חוזרים לסטניסלאו אולם וג'ון פון נוימן בשנות ה-40, אך הגישה צברה הכרה רחבה במשחק החיים של קונווי מאז, קליפורניה הוחלה בפיסיקה, ביולוגיה ומדעי החברה.בהנדסת תחבורה, CA מודלים ראשונים צברו סימולציות תעבורת צטלבות בודדות בשנות ה-90 עם Nagel-Schreckenberg, שם הם נמצאים כעת, כמו כבישים רחבים, כמו כבישים, כמו כבישים הולכי רגל, והולכי רגל, כמו כבישים משותפים, כמו כבישים משותפים, כמו כבישים, כמו כבישים משותפים, כמו כבישים מרובים, כמו כבישים, כמו כבישים רחבים, והולכי רגל, כמו כבישים רחבים, כמו כבישים רחבים, כמו כבישים רחבים, כמו כבישים משותפים, כמו כבישים רחבים, כמו כבישים רחבים, כמו כבישים משותפים, כמו כבישים מרובים, כמו כבישים רחבים, כמו כבישים משותפים, כמו כבישים מרובים, כמו כבישים מעורבים, כמו כבישים מעורבים, כמו כבישים משותפים, כמו כבישים משותפים, כמו כבישים רחבים, כמו כבישים מרובים, כמו כבישים רחבים, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000,

מאמר זה בוחן כיצד מודלים אוטומאטיים סלולריים מוחלים על מנת לדמות אינטראקציות הולכי רגל וכלי רכב, המכסה עקרונות מודלים בסיסיים, כללים ספציפיים עבור כל סוג של סוכן, ואת האתגרים של שילוב הן לסימולציה אחת.ההתמקדות היא תובנות מעשיות עבור חוקרים ומתרגלים המשתמשים CA בתכנון עירוני, ניהול תנועה וניתוח בטיחות.

יסודות של אוטומטיקה סלולרית לתנועה ו- Crowd Simulation

מבנה רשת וייצוג המדינה

בדגם טיפוסי של תעבורה או הולכי רגל CA, תחום הסימולציה מחולק לרשת דו-ממדית.כל תא יכול להיות ריק או תפוס על ידי סוכן (מקומי או הולכי רגל) מידע נוסף מצב עשוי לכלול כיוון של נסיעות, מהירות או כוונה למהלך עתידי.גודל התא קובע החלטה: אפשרויות נפוצות עבור מודלים של רכב להשתמש תאים של כ 5 מטרים כדי לייצג אורך מכונית, בעוד מודלים הולכי רגל לעתים קרובות להשתמש 0.4 מטר כדי ללכוד תאים אישיים ולהיכנס.

כללי עדכון ואבולוציה סינכרונית

בכל שלב (בדרך כלל מייצג 1 שנייה עבור כלי רכב ו- 0.2-0.5 שניות להולכי רגל), כל הסוכנים מעודכנים בו זמנית על פי כללי התנועה שלהם.עדכונים סינכרוניים מונעים פריטים מסודרים ולהבטיח כי אינטראקציות נפתרות באופן הוגן.כלל החוקים בדרך כלל לעקוב אחר תהליך של שני שלבים: ראשית, כל סוכן קובע את התא הבא שלו (s) בהתבסס על מצבה הנוכחי והמקומי; השני, סכסוכים (סוכני טרה-ת) הם בדרך כלל רוצים לפתור את אותו תא לוגיקה).

הגדרות השכונה

השכונה בהולכי רגל וברכב CA מודלים משתנים.עבור כלי רכב, השכונה היא בדרך כלל אסימטרית: מצפה לאורך הכביש (חד-ממדי) לשינוי נתיב ולעקב אחר רכב, בתוספת אזור קדימה ומאוחר יותר להחלפה.עבור הולכי רגל, שכונת מור (שמונה תאים סביב) או שכונת פון נוימן (ארבעה תאים אוטאבדניים) היא טיפוסית, לפעמים עם רדיוס גדול יותר כדי ללכוד מכשולים.

מודל התנהגות Pedestrian עם cella

Pedestrians מציגים אתגרים ייחודיים מודלים כי התנועה שלהם פחות מוגבלת מאשר כלי רכב: הם יכולים לשנות כיוון במהירות, לעצור, ולהתאים את המהירות המבוססת על צפיפות הקהל והעדפות אישיות. CA מודלים להולכי רגל חייבים לקחת בחשבון את הנטיות האלה תוך שמירה על יעילות חישובית.

חוקי התנועה של Pedestrians

בדרך כלל, פשטות ממודלים כסוכנים שמטרתם להגיע ליעד (למשל, יציאה, הפסקת מעבר) תוך הימנעות ממכשולים והולכי רגל אחרים.החוק הטיפוסי כולל:

  • (FLT:0) משיכה גבוהה יותר: שדה קומה עולמי או שדה פוטנציאלי מוגדר, הקצאת עלויות נמוכות יותר (מרחק קצר יותר) לתאיים קרוב יותר ליעד.
  • (FLT:0) הימנעות של קולונל (Collision נמנעים ממניעה:1: Agents לא יכול לכבוש את אותו תא.אם התא הרצוי תפוס, הסוכן בוחר כיוון חלופי, לעתים קרובות עם מרכיב אקראי כדי ליצור מכשולים ריאליים.
  • (FLT:0Speed VariureFLT:1): Pedestrians עשויים להיות מהירות הליכה הרצויה (1.0-1.5 מ' /s) בקהל צפופה, מהירות טיפות ככל עלייה בצפיפות מקומית, המשקפת תנועה איטית יותר בכתולים.
  • (FLT:0) , ⁇ ⁇ 1: כמה דגמים כוללים שדה רצפה אימפולסיבי מסוכנים אחרים, מניעת קרבה קרובה ללא מאמץ (למשל, בתוך 0.5 מ').

הרחבות להתנהגות מורכבת

מודלים מתקדמים של הולכי רגל כוללים התנהגות המתנה (למשל, במעבר לפני המעבר), כפייה קבוצתית (חמיכים או חברים הולכים יחד), ובחירת נתיב עם תכנון מחדש.לדוגמה, ה-FLT:0Kirchner ו-Shadschider ModelFLT:1 משתמשת שדה ופרמטר חיכוך חזק כדי לדמות דינמיקות, לייצר התנהגות פאניקה ריאלית ו clogging ב-APT2Ricing גישה אחרת, במקום זאת, אין לי הולכי רגל.

אימות של Pedestrian CA Models

אימות נגד נתונים אמפיריים הוא חיוני.הנתונים של Trajectory מ מעקב וידאו או ניסויים מבוקרים (למשל, מ-FLT:0Pedestrian DynamicsFLT:1) לאפשר השוואה של כמויות מקרוסקופיות (זרימה דרך מסדרון, יחסי צפיפות) ותכונות מיקרוסקופיות (היווצרות בזרימה דו-צדדית).

דגם תנועת הרכב עם Autoa

מודלים של CA הרכב יש היסטוריה ארוכה יותר והם משמשים נרחב עבור סימולציה זרימת התנועה בשל המהירות שלהם ואת היכולת לשחזר דפוסים גודש.

מודל Nagel-Schreckenberg (NaSch)

מודל NaSch, שהוצג בשנת 1992, הוא הבסיס עבור סימולציות רכב רבות.הוא פועל על מנוף חד-ממדי של תאים (כל תא מייצג קטע של כביש) בכל שלב, כל רכב מעדכן את המהירות שלו ואת המיקום על פי ארבעה כללים:

  1. < חזק>Acceleration: אם המהירות הנוכחית < max, להגדיל את המהירות על ידי 1 (אלא אם כן מוגבל על ידי הכלל הבא).
  2. (ב) ,0) ,DecelerationFLT:1: צמצום מהירות כדי למנוע התנגשות עם הרכב קדימה (הגירה = פער למנהיג מינוס 1).
  3. (ב) ,0 ,RandomizationFLT:1: עם הסתברות p (בדרך כלל 0.1-0.3), להפחית את המהירות על ידי 1, המייצג את היסוס הנהג או רעש.
  4. (ב) ,0)MovementFLT:1: עדכון מיקום על ידי הוספת מהירות חדשה לעמדה הנוכחית.

מודל פשוט זה משכפל גלי הפסקת-וגו, זרימה חופשית מטבולית, ואת הדיאגרמה הבסיסית של זרימת התנועה.הרחבות לכבישים דו-ליין מאפשרות שינוי נתיב, בדרך כלל באמצעות כללים סימטריים או אסימטריים המבוססים על סף פערים ורצון למהירות.

שלב ו- צומת מודלים

עבור צמתים, CA מודלים לטפל מעבר נקודות כמו אזורי קונפליקט: כלי רכב המתקרבים לצומת חייב לבדוק אם התאים בצומת הם חופשיים ואם יש להם ימין-of-way על פי אותות תנועה או אותות מניבים. צומת מולן צריך פתרון זהיר של מסלולים כי עשוי חפיפה. גישה משותפת מפצה את הצומת לתוך רשת עם תאים קטנים יותר מאשר מכונית סטנדרטית, המאפשרת כלי רכב לכבוש תאים מרובים לפתרון סכסוכים יכול להיות מבוסס על פרוטוקול זה.

אימות ו-Celbration

דגמי CA הרכב מתואמים באמצעות נתוני גלאי או מסילות GPS.הפרמטרים של מודל NaSch (מהירות מקסימלית, הסתברות אקראית) מכוונים להתאים את היכולות הנצפות ומהירויות הגל.עבור התנהגות מציאותית יותר, מודלים מתוחכמים משלבים חזייה אטיפית או מודל נהיגה אינטליגנטי (IDM) מעורר השראה כללי CA שמשתקים לא מציאותיים.

סימלציה של אינטראקציה Pedestrian-Vehicle

האתגר הקריטי הוא איחוד הולכי רגל ורכב CA מודלים בסימולציה אחת שבה שני סוגי הסוכן הם קורקסיסט ומשפיעים אחד על השני.זה חיוני לדוגמנות צלבים, רחובות משותפים, מגרשי חניה, תחנות אוטובוס.

אזורי סכסוך ותקנות עדיפות

אינטראקציות מתרחשות בדרך כלל באזורי סכסוך ייעודיים (למשל, קרוסוכות) או לא מתוכננים (למשל, גירוד) באזורי סכסוך.ברשת משותפת, הן כלי רכב והן תאים הולכי רגל. קבוצה של כללי אינטראקציה חייב להגדיר מי הסוכן נכנע.

  • במעבר מלוטש, להולכי רגל יש ימין לאורך שלב שלהם, וכלי רכב חייבים לעצור אם הנתיב המיועד שלהם חופף תאים עסוקים בהולכי רגל.
  • במעברים ללא חתימה, התשואות ניתן מודל כהחלטה פרובביליסטית: הולכי רגל עשויים לקבל פער המבוסס על מהירות רכב ומרחק, או רכב עשוי לעצור אם הוא קולט הולכי רגל בתוך סף מסוים.
  • במקומות משותפים, כלי רכב צפויים לעתים קרובות להיכנע להולכי רגל במהירויות נמוכות, והמודל יכול לאכוף את הגבלת מהירות (למשל, 20 ק"מ / שעה) כדי לשקף נהיגה זהירה.

שילוב התנהגות פשטנית לתנועת הרכב

כלי רכב חייבים לצפות תנועות הולכי רגל.מתקדמים CA מודלים לאחסן הכוונה (למשל, מתקרבת למגרש) ולהפחית את מהירות הרכב בהתאם. בדומה לכך, הולכי רגל עשויים לחכות עוד לפני המעבר אם הם רואים רכב מהיר, שלא נכנע.אפקט דו-כיוני זה ניתן ליישם באמצעות סף מבוסס הכלל: לדוגמה, הולכי רגל רק יתחיל לחצות אם הרכב הבא הוא לפחות מרחק מסוים, למעט שלבים בתוך תא מסוים בתוך חדר.

תוצאות חיפוש ויישומים אמיתיים

החוקרים השתמשו בשילוב מודלים CA כדי להעריך את הבטיחות והיעילות של עיצובי קרוס, כגון מעברים או איי מקלט.מחקר ב-FLT:0Safety ScienceFLT:1 (ראה FLT:2exampleFLT 3LT) השתמש ב- CA דו-ממדית עם עדיפות להתאמה של אסטרטגיות תזמון שונות באמצע החסימות, מציאת כי יותר זמן קצר של התנגשויות מופחתות, אך ורק בטמפרטורות מרובות, יש צורך בטמפרטורות גבוהות יותר, כאשר הם נוטים להשוות בין היתר, כאשר הם כוללים הולכי רגל.

יתרונות של סוללת נייד עבור סימציה מעורבת-טראומה

יעילות אפילאלית

מודלים CA הם חד-משמעיים וקל משקל חישובי.סילוק אלפי סוכנים על שטח עירוני גדול במשך זמן רב ניתן לעשות צעדים על חומרה סטנדרטית בתוך דקות, בניגוד למיקרו-סימציה באמצעות מודלים מבוססי סוכן רציף שעשוי לדרוש שעות.זה הופך את CA מתאים עבור מערכות ניהול תנועה באינטרנט או ניתוח תרחיש בקנה מידה גדול (למשל, תכנון פינוי).

פשטות ושקיפות

האופי מבוסס הכלל של CA הופך את המודל קל להבנה, לפענוח ולשנות את בעלי העניין כמו מתכננים ערים יכולים לתפוס את ההיגיון ללא מומחיות מתמטית עמוקה.השקיפות עוזרת גם בתקשורת הנחות מודלים ומגבלות.

חידוש נכסים

למרות השימוש רק בחוקים מקומיים, דגמי CA מייצרים תופעות בולטות כמו היווצרות נתיבים בקהלי הולכי רגל, פקקי תנועה phantom, וזרימות מארגן עצמי בצוואר בקבוק צר.אלה דפוסים בולטים הם בדיוק ההתנהגות של עניין עבור ניתוח בטיחות עירונית ויעילות.

גבולות ואתגרים

דיסוציאציה הדדית והחלטה

גודל התא הסופי מטיל על עצמו סחר בין החלטה לבין עלות חישובית.עבור הולכי רגל, 0.5 מ"מ תאים עשויים לא ללכוד תנועות רגליים עדין או להזיז הצידה; מודלים באמצעות תאים כאלה עשויים לייצר דפוסים לא טבעיים או חסימתם לא מציאותי.

שיפור התנהגות אנושית

מודלים CA לעתים קרובות מניחים סוכנים לעקוב אחר סטליניסטי או אקראי ללא למידה, זיכרון או תכנון אסטרטגי.נהגים אנושיים אמיתיים והולכי רגל להפגין הסתגלות, לקיחת סיכונים ונורמות חברתיות.לדוגמה, נהג יכול בהדרגה לצוץ קדימה במעבר להולכי רגל ללחץ הולכי רגל, התנהגות שלא נתפסה על ידי תשואות פשוטות של כללים התנהגות מציאותית יותר זמינים אך להגדיל את המורכבות.

קיצור ואימות נתונים

בעוד נתוני מסלול הרכב בשפע, בשילוב נתוני אינטראקציה הולכי רגל הם נדירים, במיוחד לאירועים מסוכנים או קרובים.זה מגביל את היכולת לגוון כללי אינטראקציה ולאמת תחזיות מודל. נתונים מניסויים מבוקרים (למשל, בהגדרות מעבדה) עשויים שלא להכלל ברחובות אמיתיים עם נורמות תרבותיות שונות.

רגישות וודאות

פרמטרים אינטראקציה (למשל, סף קבלה פערים, הסתברות מניבה) משפיעים מאוד על תוצאות סימולציה.ללא שיתוק חזק, אפשרויות פרמטר שונות יכולות להוביל למסקנות מנוגדות על בטיחות קרוסאונד או תזמון אותות.ניתוח רגישות הוא חיוני אך לעתים קרובות לא זמין.

כיוונים עתידיים ורחבות מתקדמות

מודלים היברידיים

שילוב CA עם מודלים מתמשכים או מבוססי סוכן יכול למנף את נקודות החוזק של כל אחד.לדוגמה, מודל היברידי עשוי להשתמש מסגרת CA עבור קהלי הולכי רגל גבוהים אבל לעבור למודל מתמשך עבור זרימה חופשית דלתיים שבו מסלולים מפורטים חומר זה הם בפיתוח קבוצות מחקר כגון FLT:0Berkeley מערכות תחבורה LT 1:1.

אינטגרציה עם מידע בזמן אמת

מודלים CA יכולים להיות יחד עם נתוני חיישן חיים (למשל, ממצלמות, לידר או סמארטפונים) כדי ליצור סימולציות בזמן אמת של תנאי התנועה הנוכחיים.זה מאפשר התחדשות דינמי של סוכנים או בקרת אותות הסתגלות.העלות הנמוכה חישובית של CA הופכת יישומים כאלה להסתברות אפילו עם משאבים מחשוב מוגבלים.

למידת מכונות

החוקרים משתמשים בלמידה חיזוק כדי להפיק מדיניות התשואות אופטימלית עבור כלי רכב בסימולציות CA, או ללמוד קבלות פער הולכי רגל מנתוני וידאו.זה יכול להחליף כללים בעלי ערך ידני עם מודלים של החלטות המונעות על ידי נתונים אשר טוב יותר לשקף התנהגות של העולם האמיתי. A 2023 מחקר הראה כי רשת עצבית יכולה לחזות מעבר להולכי רגל עם דיוק גבוה כאשר מוטבעת בחוקי רכב CA.

בלעדיות ומגוון התנהגויות

מודלים עתידיים CA צריכים לייצג מגוון רחב יותר של יכולות הולכי רגל (למשל, אנשים המשתמשים בכיסא גלגלים או מטיילים) וקבוצות גיל, שכן אלה משפיעים על מהירות ודפוסי אינטראקציה. בדומה, כלי רכב עם גדלים שונים (למשל, משאיות, אופניים) דורשים ממדים תאים שונים וחוקי תנועה. שילוב מגוון יביא עיצובים שוויוניים יותר.

מסקנה

מודלים של אוטומטה סלולרי מציעים שיטה חזקה, יעילה ושקופה לסימול את האינטראקציות המורכבות בין הולכי רגל וכלי רכב במרחבים עירוניים. על ידי ייצוג החלל כרשת וסוכנים כתאים למעקב אחר כללים, CA קולטת דפוסים של עומס, דינמיקות קונפליקטים ותופעות זרימה קריטיות לניהול תנועה וניתוח בטיחות. בעוד מגבלות בריאליזם וזמינות נתונים נותרו, מתקדמות במודל היברידי, אינטגרציה אמיתית, ושילוב מהיר של נתונים של CA.

עבור מתרגלים, CA מודלים מספקים כלי מעשי עבור הערכות עיצוב ראשוניות, במיוחד עבור הערכת מיקום קרוסטור, תזמון אות ותצורה של חלל משותף. עבור חוקרים, הם משמשים כפלטפורמת יסוד לבדיקת היפותזה התנהגותית ולפתח מערכות סימולציה מתוחכמת יותר. כמו סביבות עירוניות לגדול מורכב יותר, היכולת לדמות הולכי רגל-חול עם אינטראקציות מרחביות גבוהות ורזולוציה זמנית תהפוך חיונית יותר ויותר עבור מערכות בטוחות, יעילה, כולל.