.png){kind=icon}
返回
MPDiff: Multiscale Physics-Informed Diffusion Model for Crowd Simulation
.png){kind=icon}
PRE
AI
DOI：10.1109/tcsvt.2026.3749134.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
群体动力学涉及复杂的微观相互作用和宏观流动模式。准确捕捉这两个层面对于实现逼真的群体模拟至关重要。在统一框架内整合多尺度物理先验以增强模拟的真实性和物理一致性仍然是群体模拟中的关键挑战。我们提出MPDiff，一种用于群体模拟的多尺度物理信息扩散模型。通过将流体动力学的宏观流动先验和社会力模型（SFM）的微观行为先验整合到统一的扩散框架中，MPDiff能够生成准确且物理一致的群体轨迹。该模型包含两个核心模块。第一个是物理感知的群体表示模型（PA-CRM），它从纳维-斯托克斯（NS）方程构建三个宏观流动场特征，即群体惯性、群体一致性和逃逸倾向，从SFM提取三个微观行为特征，即目标导向、个体交互和运动连续性，并通过交叉注意力实现自适应跨结构多尺度特征融合。第二个是多尺度物理特征驱动的生成模块（MPF-GM）。作为一种由融合的多尺度物理特征引导的条件扩散模型，它通过自适应层调制和目的地引导将物理感知的条件先验纳入去噪过程，从而增强轨迹的物理一致性和行为真实性。在四个真实世界数据集（UCY、GC、Lane和DCF）上的实验结果表明，MPDiff不仅在大多数场景下在位移误差、分布对齐和碰撞计数等关键指标上优于当前最先进的方法，而且还能有效减轻长期展开模拟中的误差累积，展现出卓越的稳定性和改进的物理一致性。
Keyword:
Crowd simulation
physics-informed deep learning
multiscale feature fusion
conditional diffusion model
查看更多机构