UNIVERSITÉ NATIONALE DU VIETNAM, HANOI INSTITUT FRANCOPHONE INTERNATIONAL ANJARA NOBBY RAKOTOARIVELO COMPARAISON DES MODÈLES DE MOBILITÉ DE PIÉTONS EN ESPACE URBAIN SO SÁNH CÁC MƠ HÌNH DI CHUYỂN CỦA NGƯỜI ĐI BỘ TRONG KHÔNG GIAN ĐÔ THỊ MÉMOIRE DE FIN D’ÉTUDES DU MASTER INFORMATIQUE HANOI - 2018 UNIVERSITÉ NATIONALE DU VIETNAM, HANOI INSTITUT FRANCOPHONE INTERNATIONAL ANJARA NOBBY RAKOTOARIVELO COMPARAISON DES MODÈLES DE MOBILITÉ DE PIÉTONS EN ESPACE URBAIN SO SÁNH CÁC MƠ HÌNH DI CHUYỂN CỦA NGƯỜI ĐI BỘ TRONG KHÔNG GIANĐÔ THỊ Spécialité : Systèmes Intelligents et Multimédia Code : Programme Pilote MÉMOIRE DE FIN D’ÉTUDES DU MASTER INFORMATIQUE Sous la directionde: Dr Julie DUGDALE, Maˆıtre de conférences LIG-MAGMA Dr Anne SPALANZANI, Maˆıtre de conférences INRIA Dr Carole ADAM, Maˆıtre de conférences LIG-MAGMA HANOI -2018 ATTESTATION SUR L’HONNEUR J’atteste sur l’honneur que ce mémoire a été réalisé par moi-même et que les données et les résultats qui y sont présentés sont exacts et n’ont jamais été publiés ailleurs La source des informations citées dans ce mémoire a été bien précisée LỜI CAM ĐOAN Tôi cam đoan công trình nghiên cứu riêng tơi Các số liệu, kết nêu Luận văn trung thực chưa cơng bố cơng trình khác Các thơng tin trích dẫn Luận văn rõ nguồn gốc Signature de l’étudiant ANJARA NOBBY RAKOTOARIVELO Remerciements La réalisation de ce mémoire n’aurait été possible sans l’intervention de certaines personnes de près ou de loin Qu’elles trouvent ici l’expression de nos plus sincères remerciements Nous tenons, tout d’abord, exprimer notre reconnaissance et nos remerciements envers l’AUF (Agence Universitaire Francophone) de nous avoir accordé une bourse d’études de Master Nous remercions également l’IFI (Institut Francophone International), son administration et son corps professoral pour la richesse et la qualité de son enseignement en déployant de grands efforts pour assurer ses étudiants une formation actualisée Nous tenons également manifester notre profonde gratitude l’endroit de notre responsable de formation du Master Monsieur Tuong Vinh HO : non seulement il nous a donné goˆ ut la recherche mais il s’est efforcé de repousser davantage nos limites personnelles Nos sincères remerciements au LIG (Laboratoire Informatique de Grenoble), en particulier l’équipe MAGMA (Modélisation d’agents autonomes en univers multi-agents) pour les commodités qu’il nous a accordées en nous ouvrant ses portes, l’accueil chaleureux réservé et les bonnes conditions dont nous bénéficions tout au long de notre séjour dans ses murs Nous adressons nos vifs remerciements Madame Julie DUGDALE, notre encadrant principal, pour le soutien et les dispositions qu’elle nous apportés tout au long du stage Nos autres encadrants : Madame Carole ADAM et Madame Anne SPALANZANI, pour leurs critiques constructives qui nous ont aidées améliorer notre travail Le reste de l’équipe : collègues stagiaires et doctorants pour l’ambiance de travail, merci pour la collaboration, l’écoute et la disponibilité tout au long de notre stage Enfin, nous manifestons notre plus sincères remerciements nos parents, notre famille et nos amis pour l’encouragement apporté durant la réalisation de ce mémoire i Résumé Dans ce travail, nous nous sommes principalement intéressés la comparaison des modèles de simulation de piétons en milieu urbain, pour pouvoir proposer une amélioration L’analyse des travaux existants, nous a orienté vers deux principaux modèles : force sociale et boids Bref, nous avons expérimenté ces deux modèles en proposant une amélioration partir des analyses vidéos et aussi des autres fonctionnalités disponibles sur d’autres modèles, telles que : automate cellulaire et leader and follower Après avoir terminé la conception de nos deux modèles, nous les avons expérimentés sur deux axes : la trajectoire et la vitesse Les résultats que nous avons obtenus sont une vitesse moyenne de piétons de 1.33 m/s pour force sociale et 1.27 m/s pour boids, par rapport la vitesse 1.34 m/s dans les littératures En outre, pendant l’analyse de la trajectoire, nous avons vu apparaˆıtre des comportements émergents comme la formation de files dans nos deux modèles, lorsqu’on augmente le nombre de piétons Par ailleurs, les deux résultats que nous avons obtenus montrent toujours une meilleure performance du modèle force sociale par rapport au modèle boids Enfin, la validation du modèle est alors acquise partir de ces deux résultats obtenus qui sont : l’écart d’erreur entre la vitesse moyenne ainsi que l’apparition des comportements émergents qui sont la formation de files Mots clés : modèle de simulation de piétons, force sociale modèle, boids modèle, leader and follower modèle, cellular automate modèle, système multiagents, plateform GAMA ii Abstract In this work, we mainly focused on the comparison of pedestrian simulation models in urban areas, in order to propose an improvement The analysis of the existing works led us to two main models : social force and boids In summary, we tested these two models by providing an improvement from the video analysis and also from the other functionalities available on other models, such as : cellular automaton, leader and follower After completing the design of our two models, we tested them on two axes : trajectory and speed The results we have obtained are an average pedestrian speed of 1.33 m/s for social force and 1.27 m/s for boids, compared to the speed 1.34 m/s in literature In addition, we have seen emerging behaviors such as queuing appear in both our models as the number of pedestrians increases Moreover, the two results that we obtained always show a better performance of the social model force compared to the model boids Finally, the validation of the model is then acquired from these two results obtained which are : the error gap between the average speed as well as the appearance of emerging behaviors which are the formation of queues keywords : pedestrian simulation model, social force model, boids model, leader and follower model, cellular automaton model, multi-agent system, plateform GAMA iii Table des matières Remerciements i Résumé ii Abstract iii Liste des figures vi Liste des tableaux vii Introduction générale Chapitre : Analyse des existants 1.1 Modèles de simulation de piétons 1.1.1 Modèle macroscopique 1.1.2 Modèle microscopique 1.1.3 Modèle hybride 1.1.4 Résumé des modèles de navigation de piéton 1.2 Données disponibles sur le comportement des piétons 1.2.1 Résultat d’analyse vidéo 1.3 Outils de simulation de piétons existants Chapitre : Solution conceptuelle 2.1 Proposition de solutions 2.1.1 Architecture du modèle 2.1.2 Description et fonctionnalités des agents 2.1.3 Règles d’interaction des agents 2.2 Contributions apportées Chapitre : Solution pratique 3.1 Présentation des outils de réalisation 3.2 Implémentation 3.2.1 Implémentation du SIG 3.2.2 Implémentation des modèles iv 5 10 11 12 13 14 16 16 16 17 18 20 21 21 22 22 24 Table des matières v 3.2.2.1 Présentation du modèle « force sociale » 3.2.2.2 Présentation du modèle « boids » 3.2.2.3 Présentation des modèles complémentaires 3.3 Validation du modèle 3.4 Expérimentations et analyse des résultats 3.4.1 Présentation des scénarios 3.4.2 Expérimentations 3.4.3 Analyse des résultats 3.4.3.1 Analyse de la relation entre trajectoire et densité 3.4.3.2 Analyse de la relation entre vitesse et densité 24 25 25 26 27 29 30 33 33 36 Conclusion et perspectives 42 Bibliographie 44 Liste des figures 0.1 Place des piétons dans la rue 1.1 1.2 Disposition des piétons dans un groupe Exemple de modèle hybride 10 2.1 2.2 2.3 Méthodologie adoptée Diagramme des classes Diagramme des séquences 16 18 19 3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 3.9 3.10 3.11 3.12 3.13 3.14 3.15 3.16 Présentation de l’environnement reproduire Reproduction de l’environnement Modèles proposés Position initiale des agents Mode de déplacement des parents et leurs enfants Exemple de formation de files Méthodologie pour l’expérimentation Nomination des itinéraires Présentation de l’environnement Expérimentation sur la trajectoire Représentation de la formation de files sur une simulation Expérimentation sur la vitesse faible densité Expérimentation sur la vitesse densité élevée Légende Expérimentation du modèle boids Expérimentation du modèle force sociale 22 23 24 25 26 27 28 29 32 35 36 38 39 40 40 41 vi Liste des tableaux 1.1 1.2 1.3 Vitesse moyenne des piétons Résumé des modèles de simulation de piétons Résumé des outils de simulation de piéton 12 15 2.1 Description des agents 17 3.1 3.2 3.3 Présentation des données générées par la plateforme GAMA Présentation des itinéraires Protocole d’expérimentation 28 30 33 vii 3.4 Expérimentations et analyse des résultats 34 bleu) sur les courbes de nos expérimentations représente la trajectoire d’un piéton Les analyses que nous pouvons déduire de nos résultats (voir figure 3.10) sont : — Dans le cas de faible densité, les deux modèles nous donnent presque le même résultat (voir les figures 3.10a et 3.10b) Les piétons se déplacent de manière cohérentes sans modification brusque de direction Comme les courbes sont parallèles, alors, nous pouvons dire que les personnes se déplacent sur les côtés Donc, l’hypothèse : "à faible densité, les piétons se déplacent sur les côtés pour favoriser la communication", dans les travaux de Wu et al (2013) sont vérifiés — Par contre, si la densité est élevée, on remarque la formation de files sur une partie de l’itinéraire des résultats obtenus (voir figures 3.10e et 3.10f) La figure ( 3.11) est une représentation de la formation de files Néanmoins, il existe encore une partie de l’itinéraire qui est encore en parallèle, cela s’explique par le fait par la présence des trous où l’espace est moins dense (voir la figure 3.9b) — Enfin, si on compare les résultats de la simulation un niveau de densité faible, par rapport un niveau de densité élevée ; nous pouvons remarquer que lorsque la densité est élevée, alors, les trajectoires deviennent moins cohérents En effet, cela s’explique par le fait que les piétons sont obligés d’éviter la collision et doivent essayer plusieurs trajectoires En outre, si on se base sur ces résultats obtenus : (voir les figures 3.10e et 3.10f, 3.10c et 3.10d), nous pouvons dire que la trajectoire formée par le modèle force sociale est plus rectiligne par rapport la trajectoire du modèle boids Donc nous pouvons conclure qu’à faible densité, les deux modèles reproduisent les mêmes résultats Par contre, si la densité est élevée, la trajectoire formée par force sociale modèle est plus rectiligne 3.4 Expérimentations et analyse des résultats 35 (a) Boids modèle faible densité (b) Force sociale faible densité modèle (c) Boids modèle forte densité (d) Force sociale modèle modèle forte densité (e) Boids modèle forte densité (f) Force sociale modèle modèle forte densité Figure 3.10 – Expérimentation sur la trajectoire modèle 3.4 Expérimentations et analyse des résultats 36 Figure 3.11 – Représentation de la formation de files sur une simulation 3.4.3.2 Analyse de la relation entre vitesse et densité Dans la partie suivante, nous allons étudier la relation entre la vitesse et la densité En effet, nous avons adopté le même principe lors de notre première expérimentation : c’est-à-dire, nous avons calculé la vitesse moyenne des piétons appartenant aux mêmes groupes ; mais en plus, nous avons fait un tableau qui regroupe la vitesse moyenne des piétons pour chaque simulation Donc les résultats que nous avons obtenus peuvent être regroupés en deux catégories : la vitesse moyenne des groupes au niveau local (voir les figures 3.12 et 3.13)et la vitesse moyenne globale de l’ensemble des piétons de la simulation (voir le tableau ?? et ??) Niveau local : comme dans nos autres expérimentations, nous avons toujours séparé nos résultats faible densité (voir la figure 3.12) et forte densité (voir figure 3.13) 3.4 Expérimentations et analyse des résultats 37 À faible densité, nous pouvons voir qu’il y a une petite perturbation au début de chaque marche des piétons qui ne dure pas beaucoup de temps, avant que sa vitesse se stabilise et qu’on appelle « vitesse de confort » Par ailleurs, les littératures comme exemple (Pascucci et al., 2015) ont montré que : les piétons essaient de garder le plus possible cette vitesse tout au long de leur trajet, ils préfèrent même changer de direction plutôt que de changer de vitesse ; mais, dans certaine situation, comme une urgence ou une collision imminente, les piétons modifient quand même leur vitesse En même temps, nous pouvons voir aussi dans nos résultats que le temps où les piétons restent sur leur vitesse de confort qui est assez élevé Enfin, si on compare les résultats obtenus sur nos deux modèles, nous pouvons dire que c’est presque identique Par contre, lorsque le nombre de piétons augmente, sur la seconde expérimentation, le temps sur la vitesse de confort est très faible (voir figure 3.13) La vitesse varie tout au long du parcours de son itinéraire ; dans cette situation, les piétons ne peuvent pas imposer leur propre vitesse de confort, mais doivent s’adapter la vitesse moyenne de tous leurs voisins Ce phénomène a déjà fait l’objet d’une recherche réalisée par Kanmeugne et al (2013), dont le but est de concevoir un modèle macroscopique influence microscopique : faible densité, les piétons peuvent se déplacer suivant leur propre vitesse Par contre, forte densité, les piétons sont obligés de s’adapter la vitesse de leurs voisins 3.4 Expérimentations et analyse des résultats Figure 3.12 – Expérimentation sur la vitesse faible densité 38 3.4 Expérimentations et analyse des résultats 39 (a) Légende Figure 3.13 – Expérimentation sur la vitesse densité élevée Niveau global : La vitesse des piétons est obtenue partir de la moyenne des vitesses observées sur 10 expérimentations Pour les deux modèles, nous avons réalisé deux types de simulations : forte densité (représenté par la courbe de couleur bleu) et faible densité (représenté par la courbe de couleur rouge) voir figure 3.15 et 3.16 nous pouvons voir qu’à densité modérée : pour boids modèle, la vitesse moyenne est de 1,145 m/s et pour force sociale modèle 1,199 ; par contre, lorsque la densité a été augmentée, pour les deux modèles, la valeur de la vitesse des piétons aussi a augmenté de 0,12 près, la 3.4 Expérimentations et analyse des résultats 40 nouvelle valeur est devenue : 1,274 pour boids modèle et 1,33 pour force sociale modèle L’augmentation de ces valeurs s’explique par le fait que : forte densité, les piétons sont obligés de suivre la vitesse des piétons sur son entourage Kanmeugne et al (2013) Figure 3.14 – Légende Figure 3.15 – Expérimentation du modèle boids 3.4 Expérimentations et analyse des résultats Figure 3.16 – Expérimentation du modèle force sociale 41 Conclusion et perspectives De tout ce qui précède, ce projet de stage présente un caractère transversal en ce sens qu’il aborde plusieurs disciplines la fois, savoir le système multi-agents, l’intelligence artificielle et la simulation des piétons Les deux expérimentations réalisées sur les deux modèles boids et force sociale nous ont révélé : (1) À faible densité, ces deux modèles produisent approximativement les mêmes résultats Par contre, si la densité des piétons augmente, la trajectoire des piétons obtenue par les modèles boids devient moins cohérente par rapport la réalité (2) La deuxième expérimentation sur la vitesse démontre que les piétons ont tendance se déplacer lentement lorsque la densité est faible Alors que ces mêmes piétons augmentent leur vitesse moyenne lorsque la densité augmente En effet, ce changement de vitesse s’explique par le fait qu’à faible densité les personnes ont plus de liberté et de choix ; contrairement dans la foule, les personnes sont contraintes de suivre le mouvement de la foule En bref, les travaux de ce stage trouvent leur application dans divers domaines particulièrement le transport et la sécurité routière Il n’est pas nécessaire de rappeler le nombre et la gravité des accidents de circulation Selon certaines statistiques, les accidents de la route constituent une des causes majeures de mortalité dans les grandes agglomérations L’émergence et la mise en circulation des voitures autonomes risquent d’aggraver davantage la sécurité des piétons Effectivement, les travaux existants sur l’interaction entre ces voitures avec les piétons ne sont pas encore avancés et méritent donc une analyse approfondie Le temps donné la réalisation du projet est limité, alors quelques points n’ont pas pu être abordés, telle que la création des agents cognitifs, où les agents ne suivent pas seulement un ordonnancement d’instructions, mais peuvent s’adapter plusieurs situations différentes Le second point qui n’a pas été considéré aussi est l’interaction entre l’utilisateur de l’application et l’application elle-même Fort heureusement, ces deux limitations font partie 42 Conclusion 43 du projet de travaux de thèse réaliser pour l’année prochaine Le sujet de thèse est « Analyse de situation collective et prise de décision individuelle : modélisation et simulation des interactions des piétons virtuels en environnement urbain », sera réalisé dans le laboratoire IFSTTAR (Institut Fran¸cais des Sciences et Technologies des Transports, de l’Aménagement et des Réseaux) l’Université de Paris Le premier objectif de la thèse est de concevoir un piéton autonome virtuel partir d’un modèle de décision Les actions du piéton sont obtenues en fonction de son environnement qui sont les autres piétons ou les obstacles Enfin, de concevoir une application de jeux sérieux permettant aux utilisateurs d’interagir avec le monde virtuel Bibliographie Alahi, A., Goel, K., Ramanathan, V., Robicquet, A., Fei-Fei, L and Savarese, S (2016), Social lstm : Human trajectory prediction in crowded spaces, in ‘Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition’, pp 961–971 Algar, S D., Stemler, T and Small, M (2019), From flocs to flocks, in ‘A Mathematical Modeling Approach from Nonlinear Dynamics to Complex Systems’, Springer, pp 157–175 Anvari, B., Bell, M G., Angeloudis, P and Ochieng, W Y (2016), ‘Calibration and validation of a shared space model : case study’, Transportation Research Record : Journal of the Transportation Research Board (2588), 43–52 Berrou, J L., Beecham, J., Quaglia, P., Kagarlis, M A and Gerodimos, A (2007), Calibration and validation of the legion simulation model using empirical data, in ‘Pedestrian and Evacuation Dynamics 2005’, Springer, pp 167–181 Bosina, E and Weidmann, U (2017), ‘Estimating pedestrian speed using aggregated literature data’, Physica A : Statistical Mechanics and its Applications 468, 1–29 Buchmueller, S and Weidmann, U (2006), ‘Parameters of pedestrians, pedestrian traffic and walking facilities’, IVT Schriftenreihe 132 Burger, M., Hittmeir, S., Ranetbauer, H and Wolfram, M.-T (2016), ‘Lane formation by side-stepping’, SIAM Journal on Mathematical Analysis 48(2), 981–1005 44 Bibliographie 45 Fujiyama, T and Tyler, N (2004), An explicit study on walking speeds of pedestrians on stairs, Japan Society of Civil Engineers/Transportation Research Board, USA Gao, Y., Luh, P B., Zhang, H and Chen, T (2013), A modified social force model considering relative velocity of pedestrians, in ‘Automation Science and Engineering (CASE), 2013 IEEE International Conference on’, IEEE, pp 747–751 Grignard, A., Taillandier, P., Gaudou, B., Vo, D A., Huynh, N Q and Drogoul, A (2013), Gama 1.6 : Advancing the art of complex agent-based modeling and simulation, in ‘International Conference on Principles and Practice of Multi-Agent Systems’, Springer, pp 117131 Hăanseler, F., Bierlaire, M., Molyneaux, N., Scarinci, R and Thémans, M (2015), Modeling pedestrian flows in train stations : The example of lausanne railway station, in ‘Swiss Transportation Research Conference, number EPFL-CONF-207899 Hăanseler, F., Farooq, B and Bierlaire, M (2013), An aggregated dynamic flow model for pedestrian movement in railway stations, in ‘Swiss Transportation Research Conference’, number EPFL-CONF-195889 Hirokawa, Y., Nishikawa, N., Asano, T., Terai, M and Matsuzawa, T (2016), ‘A study of real-time and 100 billion agents simulation using the boids model’, Artificial Life and Robotics 21(4), 525–530 Hussein, M and Sayed, T (2017), ‘Validation of an agent-based microscopic pedestrian simulation model at a scramble phase signalized intersection’, Transportation Research Record : Journal of the Transportation Research Board (2661), 30–42 Kanmeugne, P S., Beynier, A and Donnart, J.-Y (2013), Modèle microscopique influence macroscopique pour la simulation des déplacements de piétons autonomes en temps réel, in ‘Vingt-et-unièmes journées francophones sur les systèmes multi-agents (JFSMA’13)’ Kulakowski, A and Rogala, B (2017), Agent simulation of the evacuation process from a building during a fire, in ‘Computer Sciences and Informa- Bibliographie 46 tion Technologies (CSIT), 2017 12th International Scientific and Technical Conference on’, Vol 1, IEEE, pp 385–388 Lao, A and Teknomo, K (2016), ‘Multi exit configuration of mesoscopic pedestrian simulation’, arXiv preprint arXiv :1609.01475 Lee, K H., Choi, M G., Hong, Q and Lee, J (2007), Group behavior from video : a data-driven approach to crowd simulation, in ‘Proceedings of the 2007 ACM SIGGRAPH/Eurographics symposium on Computer animation’, Eurographics Association, pp 109–118 MANDAR, M and BOULMAKOUL, A (n.d.), ‘Vers une plateforme de simulation des piétons virtuels base dautomates cellulaires et de modốle de choix discret Moussaăd, M (2010a), Étude expérimentale et modélisation des déplacements collectifs de piétons, PhD thesis, Université de Toulouse, Université Toulouse III-Paul Sabatier MOUSSAID, M (2010b), ‘How we walk together ?’ URL: http ://www.mehdimoussaid.com/archives/58 Moussaăd, M., Perozo, N., Garnier, S., Helbing, D and Theraulaz, G (2010), ‘The walking behaviour of pedestrian social groups and its impact on crowd dynamics’, PloS one 5(4), e10047 Moussaăd, M and Theraulaz, G (2011), Comment les piộtons marchent dans la foule’, La recherche 450, 56–59 Parisi, D R., Gilman, M and Moldovan, H (2009), ‘A modification of the social force model can reproduce experimental data of pedestrian flows in normal conditions’, Physica A : Statistical Mechanics and its Applications 388(17), 3600–3608 Pascucci, F., Rinke, N., Schiermeyer, C., Friedrich, B and Berkhahn, V (2015), ‘Modeling of shared space with multi-modal traffic using a multilayer social force approach’, Transportation Research Procedia 10, 316– 326 Bibliographie 47 Pettré, J., Ondˇrej, J., Olivier, A.-H., Cretual, A and Donikian, S (2009), Experiment-based modeling, simulation and validation of interactions between virtual walkers, in ‘Proceedings of the 2009 ACM SIGGRAPH/Eurographics Symposium on Computer Animation’, ACM, pp 189–198 Rasouli, A and Tsotsos, J K (2018), ‘Autonomous vehicles that interact with pedestrians : A survey of theory and practice’, arXiv preprint arXiv :1805.11773 Sarmady, S., Haron, F and Talib, A Z (2014), ‘Simulation of pedestrian movements using fine grid cellular automata model’, arXiv preprint arXiv :1406.3567 Siddharth, S and Vedagiri, P (2018), Calibration of modified social force model to model the gender effects of pedestrians, Technical report Sieben, A., Schumann, J and Seyfried, A (2017), ‘Collective phenomena in crowds—where pedestrian dynamics need social psychology’, PLoS one 12(6), e0177328 Stein, P., Spalanzani, A., Santos, V and Laugier, C (2016), ‘Leader following : A study on classification and selection’, Robotics and Autonomous Systems 75, 79–95 Treuil, J.-P., Drogoul, A and Zucker, J.-D (2008), Modélisation et simulation base d’agents : exemples commentés, outils informatiques et questions théoriques, Dunod Wu, Q., Ji, Q., Du, J and Li, X (2013), Simulating the local behavior of small pedestrian groups using synthetic-vision based steering approach, in ‘Proceedings of the 12th ACM SIGGRAPH International Conference on Virtual-Reality Continuum and Its Applications in Industry, ACM, pp 4150 Yersin, B., Maăm, J., Morini, F and Thalmann, D (2008), ‘Real-time crowd motion planning’, The Visual Computer 24(10), 859–870 Yuan, Z., Jia, H., Liao, M., Zhang, L., Feng, Y and Tian, G (2017), ‘Simulation model of self-organizing pedestrian movement considering following Bibliographie 48 behavior’, Frontiers of Information Technology & Electronic Engineering 18(8), 1142–1150 Zanlungo, F., Brˇsˇci´c, D and Kanda, T (2014), ‘Pedestrian group behaviour analysis under different density conditions’, Transportation Research Procedia 2, 149–158 Zhou, B., Tang, X and Wang, X (2015), ‘Learning collective crowd behaviors with dynamic pedestrian-agents’, International Journal of Computer Vision 111(1), 50–68 ... RAKOTOARIVELO COMPARAISON DES MODÈLES DE MOBILITÉ DE PIÉTONS EN ESPACE URBAIN SO SÁNH CÁC MƠ HÌNH DI CHUYỂN CỦA NGƯỜI ĐI BỘ TRONG KHÔNG GIAN? ?Ô THỊ Spécialité : Systèmes Intelligents et Multimédia Code :... l’application peut prédire la source et la destination de la personne Néanmoins, une des principales limites de ces modèles est que les piétons ne sont pas étudiés de manière individuelle, mais plutôt... indique l’agent qui doit faire l’action Alors, les règles d’interaction que nous avons définies sont : — une personne évite une autre personne si l’autre personne se trouve l’intérieur de sa distance