Cílem bakalářské práce je ověřit možnosti použití strojového učení při simulaci pohybu chodců, hlavně při úniku z uzavřeného prostoru. Vytvořený program je zalo-
žený na modelu celulárních automatů využívající Eikonálovy rovnice. Výsledky tohoto nového modelu jsou porovnávány se původním modelem. Program je při simulaci schopen chodce dovést k východům jejich simulované oblasti, ale při porovnání
s modelem využívající Eikonálovy rovnice je neefektivní. I přes neuspokojivé vý-
sledky tato práce přináší pohled na několik záležitostí. Informuje, jakými způsoby
lze simulovat pohyb chodců. Představuje základy strojového učení, neuronových
sítí a hlubokých sítí. Nakonec ukazuje, jak se dá použít metoda zpětnovazebního
učení Deep Q-network, založená na Q-learning.
Anotace v angličtině
The aim of this bachelor thesis is to verify the possibilities of using machine learning to simulate the movement of pedestrians, especially when escaping from an
enclosed space. The created program is based on a model of cellular automata using
Eikonal?s equation. The results of this new model are compared with the original
model. During the simulation, the program is able to lead pedestrians to the exits
of their simulated area, but when compared to a model using Eikonal?s equation,
it is inecient. Despite the unsatisfactory results, this work provides insight into
several issues. It informs about methods for simulating pedestrian movement. It
introduces the basics of machine learning, neural networks and deep networks. Finally, it shows how the Deep Q-network, based on Q-learning, can be used.
Klíčová slova
Strojové učení, Keras, Python, simulace, Eikonálova rovnice, Deep Q-network
Klíčová slova v angličtině
Machine learning, Keras, Python, Simulation, Eikonal?s equation, Deep Q-network
Rozsah průvodní práce
57
Jazyk
CZ
Anotace
Cílem bakalářské práce je ověřit možnosti použití strojového učení při simulaci pohybu chodců, hlavně při úniku z uzavřeného prostoru. Vytvořený program je zalo-
žený na modelu celulárních automatů využívající Eikonálovy rovnice. Výsledky tohoto nového modelu jsou porovnávány se původním modelem. Program je při simulaci schopen chodce dovést k východům jejich simulované oblasti, ale při porovnání
s modelem využívající Eikonálovy rovnice je neefektivní. I přes neuspokojivé vý-
sledky tato práce přináší pohled na několik záležitostí. Informuje, jakými způsoby
lze simulovat pohyb chodců. Představuje základy strojového učení, neuronových
sítí a hlubokých sítí. Nakonec ukazuje, jak se dá použít metoda zpětnovazebního
učení Deep Q-network, založená na Q-learning.
Anotace v angličtině
The aim of this bachelor thesis is to verify the possibilities of using machine learning to simulate the movement of pedestrians, especially when escaping from an
enclosed space. The created program is based on a model of cellular automata using
Eikonal?s equation. The results of this new model are compared with the original
model. During the simulation, the program is able to lead pedestrians to the exits
of their simulated area, but when compared to a model using Eikonal?s equation,
it is inecient. Despite the unsatisfactory results, this work provides insight into
several issues. It informs about methods for simulating pedestrian movement. It
introduces the basics of machine learning, neural networks and deep networks. Finally, it shows how the Deep Q-network, based on Q-learning, can be used.
Klíčová slova
Strojové učení, Keras, Python, simulace, Eikonálova rovnice, Deep Q-network
Klíčová slova v angličtině
Machine learning, Keras, Python, Simulation, Eikonal?s equation, Deep Q-network
Zásady pro vypracování
Cílem práce je ověřit možnosti použití strojového učení při simulaci pohybu chodců. Simulace budou zaměřené na pohyb skupin k únikovému východu. Výsledky simulací budou porovnány s vybranými algoritmy pohybu chodců.
Osnova
Popis stávajícího modelu
Stručný popis použitých neuronových sítí
Návrh a popis aktualizovaného modelu
Implementace modelu
Ověření funkčnosti a zhodnocení experimentů
Zásady pro vypracování
Cílem práce je ověřit možnosti použití strojového učení při simulaci pohybu chodců. Simulace budou zaměřené na pohyb skupin k únikovému východu. Výsledky simulací budou porovnány s vybranými algoritmy pohybu chodců.
Osnova
Popis stávajícího modelu
Stručný popis použitých neuronových sítí
Návrh a popis aktualizovaného modelu
Implementace modelu
Ověření funkčnosti a zhodnocení experimentů
Seznam doporučené literatury
CHOLLET, F. aj. Keras [online]. 2015. Dostupné z: https://keras.io/api/
LI, Yang, Maoyin CHEN, Zhan DOU, Xiaoping ZHENG, Yuan CHENG a Ahmed MEBARKI. A review of cellular automata models for crowd evacuation. Physica A: Statistical Mechanics and its Applications [online]. Available online 1 April 2019, (526), 120752. Dostupné z: doi:10.1016/j.physa.2019.03.117
ZHANG, Peng, Xiao-Xia JIAN, S. C. WONG a Keechoo CHOI. Potential field cellular automata model for pedestrian flow. Phys. Rev. E [online]. 2012, 85, 021119. Dostupné z: doi:10.1103/PhysRevE.85.021119
Seznam doporučené literatury
CHOLLET, F. aj. Keras [online]. 2015. Dostupné z: https://keras.io/api/
LI, Yang, Maoyin CHEN, Zhan DOU, Xiaoping ZHENG, Yuan CHENG a Ahmed MEBARKI. A review of cellular automata models for crowd evacuation. Physica A: Statistical Mechanics and its Applications [online]. Available online 1 April 2019, (526), 120752. Dostupné z: doi:10.1016/j.physa.2019.03.117
ZHANG, Peng, Xiao-Xia JIAN, S. C. WONG a Keechoo CHOI. Potential field cellular automata model for pedestrian flow. Phys. Rev. E [online]. 2012, 85, 021119. Dostupné z: doi:10.1103/PhysRevE.85.021119