Simulation de foule

La simulation de foule est le procédé de simulation du mouvement d'un grand nombre de personnages, appelés agents ou entités[1]. Elle est fréquemment employée en animation par ordinateur pour la réalisation de films ou de jeux vidéo. Elle est également utilisée pour la formation à des situations de crise[2] , la simulation des évacuations[3], les études de sécurité lors de la construction de bâtiments ou de l’organisation d’événements[4]. Elle intervient aussi pour le design d'architecture et la planification urbaine[5], afin d’améliorer la qualité de service offert aux usagers. En simulant ces foules, l'interaction des comportements humains observés est prise en compte pour reproduire les comportements collectifs. Ces procédés sont pluridisciplinaires, et intègrent aussi bien des notions issues des sciences sociales et des sciences cognitives que des concepts de mathématiques, d'informatique et d’animation par ordinateur, de physique, de biologie et de sciences du transport[6].

Modélisation d'une entité en 3D à partir d'une méthodes basée squelette.

Le besoin d'une simulation de foule se fait sentir dès lors qu'une scène a besoin de plus de personnages qu'il n'est possible en d'animer avec les systèmes conventionnels, tels que les méthodes basées squelette[7]. Simuler des foules offre l'avantage d'être rentable tout en permettant un contrôle total de chaque personnage ou agent simulé. Les animateurs 3D créent généralement une bibliothèque de mouvements, soit pour l'ensemble du personnage, soit pour certaines parties du corps. Ils ont parfois recours au morphing ou à des logiciels d'animation.

Le comportement d'une foule peut être abordé soit de manière macroscopique s’il reproduit fidèlement les phénomènes de foule à l’échelle globale, soit de manière microscopique si les trajectoires sont jugées conformes à la réalité [6].

Historique

L'animation comportementale a été introduite et développée par Craig Reynolds en 1987 : il a créé un programme informatique de vie artificielle, le Boids, qui simule le comportement d'une nuée d'oiseaux en vol, afin d'étudier l'intuition et le mouvement de groupe[8]. Tous les agents de cette simulation ont un accès direct aux positions et vitesses respectives des agents environnants. Il montre ainsi que les règles locales d’interaction entre individus permettent l’émergence d’une coordination dans un groupe d’animaux en déplacement[8].

Ces travaux ont été perfectionnés et adaptés à l'étude de banc de poissons en 1994 par Demetri Terzopoulos, Xiaoyuan Tu et Radek Grzeszczuk[9]. Ici, les agents individuels sont équipés d'une vision synthétique et d'une vue générale de l'environnement dans lequel ils résident, ce qui permet une prise de conscience perceptive de leurs habitats dynamiques, améliorant la qualité réaliste de la simulation.

Les premières recherches dans le domaine de la simulation de foule ont débuté en 1997 sous la direction de Daniel Thalmann, qui encadra la thèse de doctorat de Soraia Raupp Musse. Ces deux derniers présentent un nouveau modèle de comportement de foule, pour créer une simulation de populations génériques[10]. Ils ont établi une relation entre le comportement autonome de l'individu au sein de la foule et le comportement émergent qui en découle[11].

En 1999, Craig Reynolds a complété son premier modèle par un ensemble de règles, correspondant à une réaction spécifique dans l'environnement. Elles décrivent différents comportements humains basiques comme suivre un chemin, atteindre une cible, éviter les obstacles et les collisions, fuir, poursuivre, maintenir la cohésion de groupe ou suivre un leader. Une combinaison de ces comportements simples permet d'en créer de plus complexes. Craig Reynolds a ainsi recréé des comportements réalistes à partir de briques élémentaires simple[12].

S'appuyant sur ces travaux, Soraia Raupp Musse et Daniel Thalmann ont proposé un système de simulations en temps réel, ViCrowd, pouvant créer une foule virtuelle offrant des niveaux d'autonomie parmi les agents : ils ont constitué des groupes d'agents aux comportements déterminés par leurs relations sociales, sous le contrôle d'une entité logique qui représente la foule[13].

Matt Anderson, Eric McDaniel et Stephen Chenney ont pour leur part ajouté des contraintes comportementales[14]. Ils effectuent la sélection des chemins de façon basique, en deux étapes : tout d'abord en déterminant l'ensemble initial de trajectoires répondant aux objectifs à atteindre, ensuite en filtrant ces chemins pour ne conserver que ceux qui respectent les contraintes.

Les travaux de Wei Shao et Demetri Terzopoulos ont par la suite enrichi encore plus les comportements de foules, pour animer des foules dans des simulations de vie artificielle[15]. Ils utilisent un cadre hiérarchique de modélisation de l'environnement, pour synthétiser efficacement de nombreux agents autonomes réalisant des activités variées.

Dynamique des foules

Une foule humaine constitue un système dont la dynamique collective est difficile à appréhender : un groupe de piétons en déplacement est un système complexe, dont les propriétés reposent en grande partie sur des processus d’auto-organisation[16]. Une des difficultés de la simulation de foule est d'arriver à représenter les trajectoires des agents de manière réaliste et de recréer des comportements dynamiques humains. Plusieurs approches tentent de décrire au mieux le comportement piétonnier.

  • Approche macroscopique
  • Approche microscopique

Approche macroscopique

Les modèles macroscopiques sont les premiers modèles de simulation de foule à être apparus[17]. Ils considèrent la foule dans son ensemble, et la représentent par une densité de personnes [18], sans se référer directement aux comportements des individus[19] : les agents n'ont aucune autonomie; leurs caractéristiques comportementales est déterminée suivant une loi, souvent issue de la physique[17], qui régit la foule qu'ils composent.

Notes et références

  1. (en) Daniel Thalmann, Encyclopedia of computer graphics and games, , 1–8 p. (ISBN 978-3-319-08234-9, DOI 10.1007/978-3-319-08234-9_69-1), « Crowd Simulation »
  2. (en) Jérôme Comptdaer, Emmanuel Chiva, Stéphane Delorme, Henri Morlaye et Jérôme Volpoët, Multi-scale behavioral models for urban crisis training simulation (lire en ligne)
  3. (en) Steven Gwynne, E.R. Galea, Matthew Owen, Peter J. Lawrence et Lazaros Filippidis, « A review of the methodologies used in the computer simulation of evacuation from the built environment », Building and Environment, vol. 34, no 6, , p. 741–9 (DOI 10.1016/S0360-1323(98)00057-2)
  4. Aude Roudneff, Modelisation macroscopique de mouvements de foule (Thèse d'exercice), Université Paris Sud, (lire en ligne [PDF])
  5. (en) George Drettakis, Maria Roussou, Alex Reche et Nicolas Tsingos, « Design and evaluation of a real-world virtual environment for architecture and urban planning », Presence: Teleoperators and Virtual Environments, vol. 16, no 3, , p. 318–32 (DOI 10.1162/pres.16.3.318)
  6. Samuel Lemercier, Simulation du comportement de suivi dans une foule de piétons à travers l’expérience, l’analyse et la modélisation (Thèse d'exercice), Université de Rennes 1, (lire en ligne [PDF])
  7. (en) L. Herda, P. Fua, R. Plänkers, R. Boulic et D. Thalmann, Skeleton-based motion capture for robust reconstruction of human motion (lire en ligne), p. 77
  8. (en) Craig W. Reynolds, « Flocks, herds and schools: A distributed behavioral model », ACM SIGGRAPH Computer Graphics, vol. 21, no 4, , p. 25-34 (lire en ligne, consulté le 5 mars 2019)
  9. (en) Demetri Terzopoulos, Xiaoyuan Tu et Radek Grzeszczuk, « Artificial fishes: autonomous locomotion, perception, behavior, and learning in a simulated physical world », Artificial Life, vol. 1, no 4, , p. 327–51 (DOI 10.1162/artl.1994.1.4.327)
  10. (en) Daniel Thalmann et Soraia Raupp Musse, Crowd simulation, Springer science & business media, (ISBN 978-1-4471-4449-6, lire en ligne)
  11. (en) S. R. Musse et D. Thalmann, Computer animation and simulation '97, , 39–51 p. (ISBN 978-3-211-83048-2, DOI 10.1007/978-3-7091-6874-5_3), « A model of human crowd behavior : group inter-relationship and collision detection analysis »
  12. (en) Craig W. Reynolds, Steering behaviors for autonomous characters., Game Developers Conference, , 763 p. (lire en ligne)
  13. (en) Soraia R. Musse et Daniel Thalmann, « Hierarchical model for real time simulation of virtual human crowds », IEEE Transactions on Visualization and Computer Graphics, IEEE, vol. 7, no 2, 2001- mois= avril-juin, p. 152–164 (DOI 10.1109/2945.928167)
  14. (en) Matt Anderson, Eric McDaniel et Stephen Chenney, Constrained animation of flocks, Eurographics symposium on Computer animation, , 286-297 p. (ISBN 1-58113-659-5)
  15. (en) Wei Shao et Demetri Terzopoulos, Autonomous pedestrians, Graphical Models, (lire en ligne)
  16. Mehdi Moussaid, Étude expérimentale et modélisation des déplacements collectifs de piétons (Thèse d'exercice), Université de Toulouse III, (lire en ligne [PDF])
  17. (en) L.F. Henderson, « The statistics of of crowd fluids », Nature, Nature Publishing Group, vol. 229, , p. 381–383 (DOI 10.1038/229381a0)
  18. (en) Christophe Chalons, « Numerical approximation of a macroscopic model of pedestrian flows », SIAM Journal on Scientific Computing, Society for Industrial and Applied Mathematics, vol. 29, no 2, , p. 539–555 (DOI 10.1137/050641211)
  19. (en) Pierre Degond, Laurent Navoret, Richard Bon et David Sanchez, « Congestion in a macroscopic model of self-driven particles modeling gregariousness », Journal of Statistical Physics, Springer, no 138, , p. 85-125 (DOI 10.1007/s10955-009-9879-x, lire en ligne)
  • Portail de l’animation
Cet article est issu de Wikipedia. Le texte est sous licence Creative Commons - Attribution - Sharealike. Des conditions supplémentaires peuvent s'appliquer aux fichiers multimédias.