基于五因素人格模型的人群仿真研究

基于五因素人格模型的人群仿真研究
薛铸鑫;范湘涛
【摘要】针对目前人群仿真在群体行为表达方面缺少个体间差异、多样化表达的问题,特别是个体的心理差异对群体行为的影响,提出一种基于人格模型对人群进行仿真的方法.首先,引入心理学中描述人格的五因素模型,对Agent进行人格建模,并制定人格与行为参数的映射关系;然后,设计由人格驱动的路径规划算法和动作姿态实现方法;最后,构建三维仿真系统,实现多种场景中人格因素对人群行为影响的模拟.实验结果表明,该方法能有效地表达个体的心理差异对人群行为产生的影响,使人群仿真更加真实可靠.
【期刊名称】《计算机应用与软件》
【年(卷),期】2015(032)012
【总页数】6页(P46-50,174)
【关键词】人群仿真;智能体;五因素模型;认知路标;互惠式速度障碍区
【作者】薛铸鑫;范湘涛
【作者单位】中国科学院遥感与数字地球研究所北京100094;中国科学院大学电子电气与通信工程学院北京100049;中国科学院遥感与数字地球研究所北京100094
【正文语种】中文
【中图分类】TP391
人群作为现实世界中众多事件的主体，在虚拟世界中对其进行仿真模拟具有必要性。

如今人群仿真已成为虚拟现实和计算机动画的研究热点，在公共场所安全、影视动画、人工智能、军事训练、自然灾害应急等领域具有广泛的应用前景。

随着虚拟现实技术的发展，图形硬件的提高，人群仿真在宏观层面的运动态势模拟方面，已经取得较多的研究成果，模拟效果与客观实际基本相符；但在对微观层面的个体多样性模拟方面，研究尚且不足，特别是个体间心理差异对群体行为的影响，这是目前研究的重点。

人群仿真技术最早可以追溯到1985年Amkraut等[1]展示的鸟群模拟效果，Reynolds[2]在此基础上提出了boid模型，采用避碰、速度匹配和中心聚集三种
优先级递减的规则，控制群体的行为。

Bouvier等[3]以粒子系统为原型建立了人
群运动模型，将人群看作是一个粒子系统，通过在粒子系统内设置多种力场，以实现人群运动的模拟。

Helbing等[4]研究了恐慌状态下人群的撤离行为，建立了恐
慌状态下的社会力模型，并总结了此状态下人群的行为特征。

王兆其等[5]以连续
群体模型为基础，提出一种描述复杂场景的多层次语义模型，实现人群的疏散模拟。

李健等[6]提出了一种基于队形约束的群体运动编辑与控制方法，实现逼真的群体
动画。

以上传统的人群仿真方法主要关注于群体的运动态势模拟，人群中的个体具有同质性，缺少个体差异对群体行为影响的研究，这会大大降低仿真的真实性，对群体事件中个体的细节研究也造成不便。

为了实现对人群中个体的差异控制，近年来，国内外学者都进行了相关研究。

Stephen等[7]采用PEN三因素模型研究了大规模、多样性的群体动画，Durupinar等[8]采用OCEAN人格模型对高密度人群进行仿真模拟，他们都是通
过用户调查的方式，来验证其模型在多种场景中的有效性，但是并没有给出人格对路径规划和动作姿态影响的实现方法和技术路线。

黄鹏等[9]根据马斯洛的动机理论，使用有限状态机描述不同动机转换规则，来模拟自主群体行为。

陆卓谟等[10]
通过引入个人疏散响应时间等模型，对火灾发生时人群中不同个体的行为差异进行模拟，以实现疏散的延迟现象。

殷雁君等[11]提出了人群聚集行为的仿真模型，以好奇心理作为人群聚集的心理驱动力，关注于群体事件中的人群聚集阶段。

这些研究多用于专题场景的仿真模拟，在设计中附加了众多条件限制，不适用于多种场景的通用人群模拟。

由于人格能够概括地描述个体心理上的差异，反映每个人特有的气质、性格等稳定的心理特征，不轻易随情景变化而改变，适用于当前硬件条件下对大规模人群的通用心理建模，因此本文采用五因素人格模型对人群中的个体进行心理建模。

先对五因素模型进行介绍和量化处理，赋予Agent定量的人格属性。

再通过制定人格与
行为参数的映射关系，来驱动Agent的运动路径规划和动作姿态的实现。

最后，
采用本文设计的方法构建三维仿真系统，对人群进行仿真模拟，来验证该方法的有效性。

几代心理学家通过词汇学的研究方法，发现利用五种特质可以涵盖人格描述的所有方面，这5个因素分别是开放性(Openness)、尽责性(Conscientiousness)、外倾性(Extraversion)、宜人性(Agreeableness)和神经质(Neuroticism)，并据此提出了五因素模型(Five-Factor Model)，取五个维度的英文首字母连在一起又称OCEAN模型。

作为当前国际上最具影响力的人格理论模型，五因素模型在过去的半个多世纪里得到了心理学研究者广泛的研究，并被证明是具有跨语言、跨文化、跨情景、跨评定者的一致性和稳定性[12]。

现在最为大家普遍认可的定义是由Costa和McCrae在NEO-PI-R测验手册中的定义[13]，其各个维度的特征如表1所示，其中每一因素均有正负两极，表示出截然不同的特征。

为满足对Agent人格建模的需要，须对五因素模型的五个维度分别进行量化处理，以便下文中行为的计算模拟。

本文将各维度的两极分别进行标准化，取值区间为[-1.0,1.0]，并根据人格测验手册中特征程度的等级进行划分，对应关系如下：极弱
=±[0,0.2)，较弱=±[0.2,0.4)，适中=±[0.4,0.6)，较强=±[0.6,0.8)，极强
=±[0.8,1.0)。

用P表示虚拟人的人格，V表示人格的某一维度，则有：
V(k)∈[-1.0,1.0]，其中k∈{O,C,E,A,N}；
当V(k)>0时，表示虚拟人的人格在k维度具有表1中正极所对应的特征；
当V(k)时<0，表示虚拟人的人格在k维度具有表1中负极所对应的特征；
当V(k)=0时，表示虚拟人的人格在k维度不具有表1中相应的明显特征；
Pi=(V(O),V(C),V(E),V(A),V(N))，其中i=1,2,…,n表示第i个虚拟人。

以三个具有明显人格特征的虚拟人为例，采用平行坐标系对其人格进行量化表示，如图1所示。

虚拟人a的人格Pa=(0.9,-0.8,0.8,-0.2,0.5)，表明他的人格具有以下特征：极强的想象力、喜欢尝新；做事粗心、意志薄弱；平时热情、乐于交际；做事顽固、不易相处；敏感、容易冲动。

虚拟人b的人格Pb=(0.6,0.7,0.4,0.9,-0.8)，表明他的人格具有以下特征：较强的
想象力、能够自主；做事谨慎、自律性强；性格开朗；待人随和、谦让；做事冷静、坚强。

虚拟人c的人格Pc=(-0.5,0.3,-0.5,0.4,0.6)，表明他的人格具有以下特征：好奇心小；在外较能遵守秩序；性格内向、与人交往容易害羞；性格温顺；爱焦虑、遇事敏感。

Agent(智能体)是指在计算机的虚拟世界中用来模拟现实世界中的人或其他有生命物体的行为的图形实体，它具有自治性、交互性、反应性、主动性、推理和规划能力等基本特征。

本文基于Agent对虚拟人进行建模，旨在真实地反映人群中个体
的真实行为特征，不再将人群仅作为一个整体来考虑，同时更关注个体之间的差异，特别是个体心理差异对群体行为的影响。

影响人类行为的因素是多种多样的，概括
起来可以分为两个方面：即外在因素和内在因素。

外在因素主要是指客观存在的社会环境和自然环境的影响，内在因素主要是指人的各种心理因素和生理因素的影响。

由于本文的研究重点在心理因素对人群行为的影响，因此生理因素不再做差异性研究，将内在因素限定为人格因素。

进而得出行为公式：
其中B代表行为(Behavior)，P代表内在因素人格(Personality)，E代表外在因素环境(Environment)。

在仿真模型中，每个个体都用一个可计算对象Agent来表示，通过赋予他们人格，使其具有心理特征。

由于人格具有稳定性，在短期内属于个体的固有属性，因此在一次仿真过程中不会随时间和环境的改变而轻易改变，通常在仿真运行前进行初始化。

在大规模人群仿真的场景中人格的概率分布服从正态分布，在专题仿真场景中人格的分布由仿真对象的背景决定。

在仿真过程中，Agent动态地感知自身所处
的环境，获取外部信息，主要包括静态的目的地和障碍物与动态的其他Agent；
再由其人格因素决定的行为参数，来驱动各自的具体行为，主要包括运动路径规划和动作姿态两方面。

Agent的人格-行为模型如图2所示。

为实现人格对行为影响的定量控制，需建立人格因素与行为参数之间的映射关系。

本文设定的人格与行为参数的映射关系主要包括以下几方面，其中ψi表示Agent 的行为参数i，V(j)表示人格的j维度，ωij表示人格j维度的影响在行为参数i中
所占的权重。

1) 探索范围ψe
探索范围是指Agent能够感知周围环境中对自身的运动规划产生影响的兴趣点与
障碍物的最大空间距离。

与Agent空间距离小于探索范围的兴趣点和障碍物，在
进行运动路径规划时均需考虑在内。

若个体具有的好奇心、自主性越强，则其探索范围越大，因此人格的O维度决定了Agent的探索范围，具体计算公式如下：
2) 最远近邻ψn
最远近邻是指Agent能够感知的对其速度产生影响的其它Agent的最大空间距离。

与该Agent空间距离小于最远近邻的其它Agent，均对该Agent的速度产生影响。

Agent通过感知周围其它Agent的运动情况来调整自己的速度，以免发生避碰。

若个体具有越强的自律性和合作意识，则其最远近邻的范围越大，因此人格的C
维度和A维度共同决定了Agent的最远近邻，具体计算公式如下：
其中ωnC+ωnA=1.0。

3) 个人空间ψs
个人空间是指Agent独自占有的最小适宜空间范围，以Agent与其它Agent之
间的最小空间距离来表示。

正常情况下，Agent实时保持这个最小值；当异常发
生时，例如人群拥挤，Agent的间距会小于个人适宜空间，此时Agent会执行异常响应。

热情、温顺的个体，乐于与他人交往，其个人空间较小，因此人格的A
维度和E维度共同决定了Agent的个人空间，具体计算公式如下所示：
其中ωsA+ωsE=1.0。

4) 步行速度ψv
步行速度是指Agent在正常情况下的行走速度，步行速度的分布范围较宽，从
0.5至2 m/s，主要集中在1.0至1.3 m/s。

热情、活跃的个体，其步行速度普遍
较快，因此人格的E维度决定了Agent的最大速度，具体计算公式如下：
5) 耐心度ψp
耐心度是评价个体在群体环境中是否遵守秩序、稳重行事的指标，其表现形式主要包括排队行进、静候避让等。

自律、内向的个体，其耐心度较高，因此人格的E
维度和C维度共同决定了Agent的耐心度，具体计算公式如下：
其中ωpC+ωpE=1.0。

6) 危机感ψc
危机感是评价个体在群体环境中是否情绪稳定、心理焦虑及敏感程度的指标，其表
现形式主要包括推搡、四处张望和突然变向等。

意志薄弱、无序、敏感的个体，其焦虑度较高，因此人格的N和C维度共同决定了Agent的危机感，具体计算公式如下：
其中ωcN+ωcC=1.0。

运动路径规划能够保证人类在现实生活中不与其它个体或障碍物发生碰撞，顺利到达目标位置，属于人类基本的行为能力之一。

在人群仿真中，要达到合理逼真的仿真效果，对虚拟人群路径规划的方法研究尤为重要。

传统的路径规划方法缺少个体的心理因素影响，即不同个体在相同环境中的行为选择相同，这与现实不符，大大降低了模拟的真实性。

本文采用由人格因素影响的全局路径规划与局部路径规划相结合的方法，在实现宏观群体自然合理的行进路径的同时，实现微观个体间真实迥异的运动选择。

在路径规划算法的设计中，需对Agent建立运动的仿真数学模型Magent，以便
在仿真循环中计算使用，公式如下：
式中G表示Agent的目的地位置，需要在仿真循环运行前规划确定；P表示Agent的当前位置，Vpref表示期望速度，Vcur表示当前速度，这三个参数均在
仿真循环中通过实时计算获得；Vmax表示正常情况下行走的最大速度，由步行速度ψv决定，DobstDist表示导航时需要考虑的静态障碍物的最远距离，由探索范围ψe决定，DneighorDist表示智能避碰时需要考虑的其他Agent的最远距离，由最远近邻ψn决定，r表示正常情况下Agent保持的个人最小适宜空间，由ψs
决定。

这些参数均受Agent的人格因素影响。

全局路径规划的主要目标是为虚拟人群选择从出发地至目的地的最优路径，一般以路径长度最短作为优化标准。

在进行全局规划之前，需先进行环境建模，关键技术是将已知静态障碍物的平面正射区域投影到二维平面上，并用矢量多边形进行表示，这里将生成的矢量多边形的节点定义为认知路标。

个体在寻找最优路径时，由于障碍物的阻挡，不能直接到达目的地，必须通过认知路标(中间节点)链接，才能分段组合完成。

本文采用最短距离即为最优路径，设定两点连线不穿透任何静态障碍物时为连通，MinDist(PS,PG)表示点S到点G的最
短距离，Dist(PS,PG)表示点S到点G的直线距离。

求最优路径的具体计算流程如下：
1) 通过“可视”的方法，利用直线相交判断，求得目的地与认知路标、认知路标
之间的连通性；将连通的目的地与认知路标、认知路标与认知路标链接在一起。

2) 采用Dijkstra算法，求得目的地位置PS与所有可连通认知路标位置PI的最短
路径MinDist(PI,PS)，其中I∈{A,B,C,…}。

3) 判断Agent当前位置PS与目的地位置PG是否连通；若不连通则跳转至4)；
若连通则MinDist(PS,PG)=Dist(PS,PG)，跳转至6)。

4) 链接Agent当前位置PS与其可见的认知路标位置PI，并获得它们的直线距离Dist(PS,PJ)，其中J⊆I。

5) 计算PS至PG的最短距离
MinDist(PS,PG)=min(Dist(PS,PJ)+MinDist(PJ,PG))。

6) 根据MinDist(PS,PG)获得本条链接的所有节点，进而得到S→G的最优路径。

局部路径规划的主要目标是解决智能体之间、智能体与障碍物的碰撞避免问题，其中智能体与障碍物的碰撞又可以视为智能体A与静止的智能体B的碰撞问题。

本
文采用Berg等人[14]在VO算法的基础上提出的RVO(Reciprocal Velocity Obstacles)算法。

该算法的核心思想是一定范围内将要发生碰撞的智能体都为避碰付出一定的努力，通过调整自身的速度，将新速度设定在其他智能体互惠式速度障碍区外，并选取与期望速度最接近的速度作为当前速度。

当周围有大量智能体时，新速度范围可能被其他智能体互惠式速度障碍区占据，此时通过计算惩罚因子最小，在互惠式速度障碍区内选择新速度作为当前速度。

互惠式速度障碍区的定义如下：
式中VA表示智能体A原有速度，VB表示智能体B原有速度，表示智能体A调整后的速度；表示智能体A为避免与智能体B发生碰撞付出的努力权重，此处行为
参数耐心度ψp越大，则越大，，当智能体A与智能体B具有相同的耐心度时；(VB)表示智能体B对于智能体A的速度障碍区；)表示智能体A为避免与智能体B 碰撞而付出努力权重为时，智能体B对于智能体A的互惠式速度障碍区，如图3
所示。

惩罚因子的定义如下：
式中V′表示惩罚的待选速度，Vpref表示预期速度；tc(V′)表示预计发生碰撞的时间；ω反映了智能体在高密度群体中对周围环境的恐慌畏惧心理，此处行为参数
危机感ψc越大，ω则越小，这时相对于速度偏差智能体更关注预计碰撞时间的影响。

动作姿态的实现是虚拟人仿真的重要表现形式，通过对现实中人类的基本动作进行模拟，极大地丰富了可视化的内容，增强了用户体验。

与此同时，研究同一环境中不同个体间有差别的动作姿态，可以反映个体行为对群体事件的影响，特别是在公共场所安全和重大活动等方面，模拟恐怖分子或不法分子的行为，为安全部门提供应急策略。

本文基于三维角色动画库Cal3D对虚拟人的几何模型进行控制，采用
蒙皮骨骼动画实现虚拟人丰富多样的动作姿态，数据文件分为骨骼、网格和动画三个部分，由一个文本配置文件管理。

虚拟人动作姿态的选择，由特定场景的行为规则和人格特征共同决定，在此以推搡和静候避让为例进行说明。

当仿真场景是排队入场或上车时，危机感ψc>0的Agent拥有执行推搡动作的可能，当其周围人群密度大于阈值ρ，且与其他
Agent相距小于个人空间ψs时，触发条件满足，该Agent执行推搡他人的动作。

当仿真场景是两个Agent同在一扇门分别进出时，耐心度ψp较大的Agent会执
行静候避让的行为，让ψp较小的Agent先行通过，避免碰撞，这样既符合现实
情况，又可以避免死锁现象。

本文在Windows7操作系统下，采用Microsoft Visual Studio 2010编译软件和Open Scene Graph三维渲染引擎，实现了一个基于人格模型的三维人群仿真系统。

实验一，以单出口空间的人群疏散为例，分析不同规模的人群中人格因素对群体事件的影响。

实验二，选取北京市游客密集的奥林匹克公园作为仿真环境，模拟了四种场景中人格因素对个体行为选择的影响。

最后，选取五种仿真场景，与其他心理建模方法在人群行为的多样性表达和个体行为差异控制方面，进行实验对比。

如图4所示，构建一个单出口的矩形空间，出口宽度为2 m，面积为25 m×25 m。

将Agent在空间内进行随机分布，选取100人规模代表人群稀疏条件，选取500人规模代表人群密集条件。

采用单变量控制的方法，来研究人格的五因素对人群疏散时间的影响，此时设其他因素V(k)=0，即不具有明显特征。

当人群规模为100人时，实验结果如表2所示。

可以看出，此条件下O维度、C
维度和N维度的大小，并不影响人群疏散的时间；E维度和A维度越大，则疏散
时间越短。

因为该场景只有一个出口，不存在选择最佳出口的问题，所以开放性的大小不会影响疏散时间。

又因为人群处于稀疏条件，通行顺畅，在出口处未发生拥塞现象，所以尽责性和神经质也不会影响疏散时间。

而外倾性通过影响Agent的
行走速度，宜人性通过影响Agent的个人适宜空间，进而影响人群的疏散时间。

在未发生拥塞的情况下，个体行走速度越快，通行时间越短，个体间距越小，同时通过出口的人数越多，导致整体的疏散时间较短。

当人群规模为500人时，实验结果如表3所示。

可以看出，与人群稀疏条件相同时，O维度的大小不影响人群疏散的时间，A维度越大，疏散时间越短。

但E维
度与上述情况不同，随着E变大，疏散时间先变短，到达临界值后又变长。

这是
因为在人群密集条件下，出口处发生了拥塞，然而外倾性太强的个体，期望速度过
大，这进一步加剧了拥塞的程度，产生欲速则不达的现象。

同样由于人群密集，受出口宽度的限制，人群在出口处出现争抢通过的现象，此时人格的C维度和N维度就会影响人群的疏散时间。

Agent的尽责性越强，越易遵守规则，减少了个体之间的争抢次数，导致疏散时间变短。

Agent的神经质越强，越不冷静，当人群密度过大时，会出现变向、回退等行为，导致人群流向的异动，进而延长了人群的疏散时间。

实验结果表明，人格的不同能深刻地影响群体事件的结果。

在人群稀疏条件下，疏散时间的长短取决于个体的外倾性和宜人性，与开放性、尽责性和神经质无关；在人群密集条件下，个体的尽责性和宜人性对人群的疏散时间影响最为明显，其次是神经质和外倾性。

仿真结果较能符合客观实际，对群体事件中的人格研究具有一定意义。

图5(a)模拟了开放性对个体行为选择的影响，黑框标识的Agent相比周围其他Agent具有更强的开放性，当发现原先行走的通道人数较多且自身处于队伍边缘时，试图寻找其他距离虽远但畅通的入口。

图5(b)模拟了尽责性对个体行为选择的影响，在交通路口通行时，黑框标识的Agent具有较弱的尽责性，他们没有遵守规则有序通行，企图通过奔跑超越他人。

图5(c)模拟了外倾性和宜人性对个体行为选择的共同影响，外倾性和宜人性在许多方面表现相似，例如在与人交往、个人空间等方面，不易明显区分；图中浅色Agent与深色Agent相比具有更强的外倾性和宜人性，他们行走速度快、个人适宜空间小、乐于交际；白框标识的位置位于队伍的头部，浅色Agent是深色Agent人数的将近两倍；黑框标识的位置人群密集，以浅色Agent为主。

图5(d)模拟了神经质对个体行为选择的影响，体育赛事入场时，由于人群密集且通行缓慢，人与人发生接触现象，黑框标识的Agent 具有较强的神经质，容易产生危机感，发生推搡行为。

根据实验仿真结果可以看出，通过五因素人格模型可以有效地实现人群行为的多样
性和个体间差异，使仿真模拟更加客观真实，极大增强了用户体验。

选取人群疏散、人群聚集、活动入场、入口选择、路口通行等五种仿真场景，对采用不同心理模型的人群行为多样性的仿真效果进行对比。

结果如表4所示，表中1表示该模型在相应场景中能够实现人群行为的多样性表达和个体行为的差异控制，0表示该模型在相应场景中不能实现人群行为的多样性表达和个体行为的差异控制。

PEN人格模型缺少描述虚拟人的自主性、探索精神等特征的表达，与OCEAN人
格模型相比，在兴趣点选择和全局路径规划方面模拟能力不足，在人群聚集和入口选择两种仿真场景中不能实现人群行为的多样性仿真。

心理动机模型是基于有限状态机实现的，当环境信息单一且人群目标相同时，只能触发虚拟人心理动机的某一层需求，所有个体此时均执行预定义的同一行为，故在人群疏散、活动入场、入口选择时，人群中个体的行为具有同质性。

好奇心理模型采用量化的好奇情绪作为主要影响因素，受事件内容、个体与事发地之间距离以及个体对事件了解程度的影响，在人群疏散或聚集中能够较逼真地实现人群行为的多样性仿真，但在活动入场、入口选择、路口通行中不能正确地实现人群行为的多样性仿真，仿真结果与客观现实不符。

对比结果表明，五因素模型与其他常用心理模型相比，在人群仿真中心理差异的表达方面更具有通用性，更能正确有效地模拟不同个体的心理差异对其行为产生的影响。

本文提出了一种基于五因素模型进行人群仿真的方法，通过对Agent进行人格建模，来驱动实现人群行为中的路径规划和动作姿态。

实验一模拟了人群稀疏和密集两种条件下，不同人格因素对人群疏散这一群体事件的影响；实验二模拟了多种场景中，不同人格的个体在人群中的行为差异。

实验结果表明，该方法不仅能更好地实现原有方法对宏观人群运动态势的真实模拟，还能实现微观个体间的行为差异，为群体事件中的细节研究提供参考依据。

通过与其他心理模型的仿真效果对比，基于五因素模型的人群仿真方法能够在更多的场景中实现人群行为的多样性表达，真。