人群运动仿真的研究,就是研究人群在各种环境、情节下的运动特征与规律,建立人群运动的仿真模型,并在虚拟环境中在宏观或微观的尺度上模拟大人群的运动过程,在疏散演习、计算机游戏、电影等领域一直都有着非常重要的应用并且吸引着科研工作者们的研究。现有的人群仿真方法主要可以分为基于规则的方法以及数据驱动的方法在宏观或微观领域上进行人群仿真模拟,这两种方法都有着其各自的优势以及缺陷。传统基于规则的仿真方法可以随意生成并仿真虚拟行人的运动情况,但模拟出的行人运动方式与真实情况有着很大差异;传统的数据驱动仿真方法仿真效果与真实情况更为接近,但这些方法不仅需要依托于庞大的数据库,而且对于数据集之外的情况几乎束手无策。因此,基于真实数据训练的深度神经网络模型,由于其对数据高度的总结性和模拟灵活性逐渐成为了人群仿真中最重要的手段之一。生成对抗网络(GAN)所生成的行人路径是多模态、不固定的,与现实中行人路径规划的多样性相对应,为数据驱动的人群仿真方法提供了新的思路。基于以上背景,本论文提出了一种数据驱动的人群仿真方法,能够基于真实行人运动视频数据,在虚拟空间中复现出现实场景,并真实地模拟出本不存在与数据集中的虚拟行人在仿真场景中的运动轨迹,并对行人运动数据处理分析和虚拟现实仿真领域做了深入的研究。本文中的具体工作内容如下:(1)借助深度学习等相关领域的知识,利用Yolo网络模型配合Deep Sort跟踪算法从行人运动视频数据中提取出行人的运动轨迹数据,并且结合后续网络训练的要求对数据进行预处理。此外,通过使用K均值聚类的方法对数据集中的行人轨迹进行聚类,通过不同角度对行人轨迹进行划分为仿真模型生成多种类的虚拟行人的能力提供了数据支撑。(2)针对从现实数据集中学习行人运动模式,生成与真实人类轨迹更为相似的虚拟行人轨迹这一问题,本文提出了一个基于生成对抗网络训练的、新颖的并且能够生成真实可信的行人轨迹的数据驱动人群仿真模型IE-GAN。该模型以数据为驱动,从真实数据集中学习行人的运动规律,并通过独特的模型架构为数据集中不存在对应情况的虚拟行人仿真出完整的运动轨迹。同时,模型采用了生成对抗网络进行训练,从而使其仿真效果更具多样性。此外,模型中引入了注意力机制用于学习行人间的关联关系,使仿真的虚拟行人在运动过程中能够巧妙地避免与其他行人发生碰撞。(3)本论文中,完成了基于虚拟现实的人群仿真可视化系统的开发。该系统能够呈现数据集中行人的运动轨迹,并且结合本文中提出的人群仿真模型,可实时生成虚拟行人并模拟其运动轨迹。