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發展有限公司，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，一旦發生火災等緊急情況，極易引起站內乘客的恐慌，發生擁擠踩踏事件，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，難以適應隨機發生的火災以及實時發生的火場情況，也難以滿足現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、人員的生理心理狀態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規劃的新型改進的蟻群算法。張克誠等[5]針對傳統安全疏散方法尋優控制能力不好、自適應控制性能較差的弊端，提出基于粒子群尋優的地鐵火災擴散時人員安全疏散路徑尋優模型。左松濤等[6]基于城市地鐵站內人員疏散路徑規劃問題，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*算法制定了作業人員的最優疏散路徑規劃方案，實現了考慮火災蔓延的人員動態安全疏散。

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化研究，很少考慮站內人員真實分布以及火場的實時發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，但是多數優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；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，識別流程框架如圖2 所示。首先，將視頻數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]?；居嬎闶綖?/p>

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，此處取3。

尋找旋轉矩陣r并求出平移向量t。令

則H為協方差矩陣，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?？紤]到兩個坐標系的尺度不同，設兩者的尺度倍數λ為

則式(1)將變為

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。疏散路徑規劃是在復雜的地鐵車站環境下，按照一定的規則要求基于路徑規劃算法規劃一條合理路徑以引導人員安全、高效地疏散至安全區域。目前常見的路徑規劃算法主要有傳統算法(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劃算法，其流程框架如圖4 所示。

圖4 疏散路徑規劃算法流程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*算法進行次優路徑規劃，其基本思想是，根據評價函數，從起點開始不斷向目標點的方向進行搜索。其評價函數為[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)是節點n的綜合優先級。當選擇下一個要遍歷的節點時，總會選取f(n)值最小(綜合優先級最高)的節點。在評價函數中，g(n)是過去的成本函數，稱為耗散函數，用于評價起點到當前點的代價；h(n)是當前的成本函數，稱為啟發函數，用于評價當前點到目標節點的代價。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。

蟻群算法參數初始化，將次優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，距離啟發函數僅考慮從當前節點到下一節點的能見度，未能體現全局性信息?？梢酝ㄟ^監控視頻數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，本文針對距離啟發函數增加下一節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進行平方?；谝陨细倪M策略，重新構建距離啟發函數ηij為

式中，i為當前節點；j為下一節點；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并統計轉彎次數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，蟻群算法中的狀態轉移概率pkij(t)值變小)，對pkij(t)進行調整，加入轉彎懲罰系數并統計轉彎次數以減少路徑搜索中發生轉向的概率，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，轉變懲罰函數的計算式為

狀態轉移概率的計算式為

式中，z的取值范圍為0.5～1；α為信息素濃度函數的重要性系數；β為距離啟發函數的重要性系數；τij(t)為信息素濃度函數；ηij(t)為距離啟發函數；D為螞蟻下一個可移動的節點集合。算法改進前后路線對比如圖5所示，優化后疏散路線的轉彎次數由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?？紤]出口擁堵效應的疏散優化思路是，針對距疏散出口最近的人群進行路徑規劃及疏散出口選擇；然后根據規劃選擇結果，更新各個疏散出口的人群分布數據；結合各出口的通過能力，計算擁堵系數并將其作為疏散距離權重，從而進行疏散路徑規劃。

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。利用離線視頻數據識別站臺上乘客分布及數量，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化路徑規劃，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，評估其適應性和效果，并進一步改進和優化疏散路徑規劃算法，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劃，尋路方向性較好，路徑平滑、順直，轉彎次數少，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，因此擁擠系數對疏散過程的影響并不顯著，其作用不會有明顯的體現，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，擁擠系數作用得到了具體的、有效的體現。同時，整體的疏散路徑規劃也具有良好的方向性?；诖枭⑷巳悍植伎孔蟮奶卣?，優先選擇左側出口進行疏散，以更好地適應實際情況。這樣的路徑規劃導致路徑平順，轉彎次數較少，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劃。它不僅考慮擁堵情況，而且還選擇了合適的出口以實現擁擠系數的作用。此外，該算法還考慮到待疏散人群分布靠左的特點，優先選擇左側出口進行疏散，從而使得路徑平順，轉彎次數較少，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。

后續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。該技術可以與動態疏散引導系統結合，更加有效地保證乘客出行安全。