智能AI
morning
GPEvac：基于 GNN 的 PPO，用于射击事件期间的自适应疏散路由
摘要
arXiv:2609.16163v1 Announce Type: new Abstract: The sharp increase in mass shootings underscores an urgent need for systems that guide victims to safety in real time. An effective evacuation system mu...
and
that
systems
evacuation
the
are
layouts
The
for
victims
2026-09-17
1 阅读
约1分钟阅读
Daniel Perkins, Subhadeep Chakraborty
字号:
arXiv:2609.16163v1 公告类型：新 摘要：大规模枪击事件的急剧增加凸显了对实时引导受害者安全的系统的迫切需求。有效的疏散系统必须最大限度地减少威胁暴露，同时还要考虑对手的不确定性和拥挤动态。文献中当前的方法严格受限于特定于布局的策略，并且在大规模布局中计算起来很困难，而实用指南只是建议受害者“逃跑”、“隐藏”或“战斗”。我们提出了 GPEvac：一种基于 GNN 的 PPO 框架，可在枪击事件期间计算自适应疏散路线。为了捕获本地和长距离依赖关系，我们引入了具有可学习虚拟全局节点的边缘优先顺序消息传递方案。由此产生的图嵌入被集成到排列不变的评分机制中，该机制允许单个学习策略在不同拓扑和大小的建筑布局中运行。通过广泛的模拟，我们表明 GPEvac 在不同的架构布局中优于智能基线，显着减少了总体威胁暴露。至关重要的是，该系统在本地 CPU 硬件上仅需 14.73 毫秒即可计算出全球疏散路线，从而实现与实时监控系统的无缝集成。除了在枪击事件期间拯救生命之外，所开发的方法还可转移到其他图结构决策领域，包括关键基础设施、智能交通系统和自适应传感器网络。
这篇文章对您有帮助吗？
订阅66必读
每日精选科技资讯，直达你的邮箱