Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Crowd Evacuation Control Using Machine Learning Techniques
KTH, School of Engineering Sciences (SCI).
KTH, School of Engineering Sciences (SCI).
2018 (English)Independent thesis Basic level (degree of Bachelor), 10 credits / 15 HE creditsStudent thesisAlternative title
Modellering Av Kontrollerad Utrymning Med Hjälp Av Maskininlärning (Swedish)
Abstract [en]

Crowd evacuation is often a matter of life and death, therefore it is highly important toobtain an effective evacuation methodology to ensure people’s safety at crowded events. In this report we focus on the scenario of controlling the crowd where using rescue leaders is considered. Using neural network in a supervised learning algorithm a model for the crowd dynamics was extracted out of simulated crowd data with accurate result. The model was then used to set up a reinforcement learning environment for deriving a leader controller with the purpose of coming up with a method for efficient evacuation. A deep deterministic policy gradient algorithm was used for the reinforcement learning and all of this was done with the intent to answer the question if using machine learning techniques is a valid alternative for future attempts at deriving a control law for rescue leaders. While unable to find a solution to the evacuation problem, this report presents several examples of different machine learning techniques to model crowd evacuation. Some of these show promising progress and can be used as basis for further research.

Abstract [sv]

Folkutrymning är ofta en fråga om liv eller död, det är därför viktigt att erhålla en effektiv utrymningsmetodik för att försäkra tryggheten på platser med mycket folk. I denna rapport fokuserar vi på utrymningsscenarion där folkmassan styrs av räddningsledare. En modell som beskriver dynamiken i folkmassor framställdes ur simulerade datamängder med hjälp av artificiella neuronnät tillsammans med övervakad maskininlärning. Denna modell utnyttjades sedan för att grunda en simulerad "reinforcement learning" - miljö med syftet att framställa en kontrollmodell för evakuering med hjälp av räddningsledare. En så kallad "deep deterministic policy gradient"-algorithm användes för "reinforcement"-inlärning. Hela syftet med proceduren var att svara på frågan om maskininlärningsmetoder är ett tänkbart alternativ för framtida försök att framställa en kontrollmodell för räddningsledare. Trots misslyckade försök att hitta en lösning till utrymningsproblemet presenterar ändå rapporten flera exempel av olika maskininlärningsprocedurer för att modellera utrymning. Några av dessa visar lovande framsteg och kan användas som grund till vidare forskning.

Place, publisher, year, edition, pages
2018. , p. 39
Series
TRITA-SCI-GRU ; 2018-178
National Category
Engineering and Technology
Identifiers
URN: urn:nbn:se:kth:diva-231971OAI: oai:DiVA.org:kth-231971DiVA, id: diva2:1231297
Supervisors
Examiners
Available from: 2018-07-06 Created: 2018-07-06 Last updated: 2018-07-06Bibliographically approved

Open Access in DiVA

No full text in DiVA

By organisation
School of Engineering Sciences (SCI)
Engineering and Technology

Search outside of DiVA

GoogleGoogle Scholar

urn-nbn

Altmetric score

urn-nbn
Total: 5 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf