В статье предложены миварная модель и миварный алгоритм для динамического планирования траекторий в больших помещениях с плотным скоплением перемещающихся людей. Основная идея заключается в вычислении параметров эллиптической изменяющейся зоны безопасности для динамических препятствий на основе интеграции семантического детектирования объектов и геометрического картирования. Миварная модель опирается на семантическую информацию: класс объекта, скорость и факторы сцены. Миварная экспертная система рассчитывает ключевые параметры зоны безопасности и позиции прогнозирования, что обеспечивает дифференцированный запас безопасности для различных семантических целей, например, таких как дети, пожилые люди, взрослые. Рассчитанная зона безопасности будет рассматриваться в планировании пути как размер самого препятствия. Научная новизна заключается в использовании динамических эллипсов, изменяющих свои размеры в зависимости от семантической информации, для определения зоны безопасности динамических препятствий. Миварный алгоритм верифицирован на платформе, реализованной в Python с использованием Pygame, с интеграцией интерфейса обмена данными с КЭСМИ Wi!Mi, что позволило визуализировать процесс планирования, подтвердить эффективность и количественно оценить прирост безопасности. Перспективы исследований включают глубокую интеграцию с методами машинного обучения для усиления робастности и гибкости обновления правил.
We propose a mivar model and a mivar algorithm for dynamic trajectory planning in large indoor spaces with dense crowds of moving people. The main idea is to calculate the parameters of an elliptical changing safety zone for dynamic obstacles by integrating semantic object detection and geometric mapping. The mivar model relies on semantic information: object class, speed, and scene factors. The mivar expert system calculates key parameters of the safety zone and prediction position, providing differentiated safety margins for various semantic targets, such as children, the elderly, and adults. The calculated safety zone will be considered in path planning as the size of the obstacle itself. The scientific innovation lies in the use of dynamic ellipses, changing their size depending on semantic information, to determine the safety zone of dynamic obstacles. The mivar algorithm was verified on a platform implemented in Python using Pygame, with integration of the data exchange interface with the Wi!Mi. This allowed for visualization of the planning process, confirmation of effectiveness, and quantification of safety gains. Prospects for research include deep integration with machine learning methods to enhance the robustness and flexibility of rule updates.
The authors declare that there are no conflicts of interest present.