- 现有**数据驱动模型(data-driven models)** 在欧氏度量下轨迹预测精度高，但碰撞率过高，尤其在**双向流(bidirectional flow)** 和**多向流(multidirectional flow)** 场景中
- 人群移动模拟对**行人安全管理(pedestrian safety management)** 和**设施布局优化(facility layout optimization)** 至关重要，高碰撞率影响模拟真实性
- 提出**CPGAN(Collision-Penalized GAN)** 模型，基于**生成对抗网络(Generative Adversarial Network, GAN)** 架构
- 将**行人碰撞机制(pedestrian collision mechanism)** 纳入**损失函数(loss function)** 进行惩罚
- 设计**基于侧向加速度的碰撞损失函数(lateral-acceleration-based collision loss function)** 和**基于Voronoi的运动特征提取方法(Voronoi-based motion feature extraction)**
- **首次** 将行人碰撞机制直接融入**损失函数**，从优化角度减少碰撞，而非后处理或规则约束
- 提出**侧向加速度碰撞损失**，能有效抑制对向行人碰撞，使碰撞率降至与**受控实验(controlled experiments)** 相当
- 采用**Voronoi图** 提取运动特征，捕捉局部人群密度和空间结构，增强碰撞感知能力
- 模型在**双向流** 中不仅降低碰撞率，还能重现**车道形成(lane formation)** 和**N-t曲线** 等宏观现象
- 为**数据驱动人群模拟(data-driven crowd simulation)** 提供了一种将**行人动力学机制(pedestrian dynamics mechanism)** 融入损失函数的范式
- 在双向流场景下达到接近真实实验的碰撞率，显著优于传统数据驱动方法
- 研究成果可启发其他领域通过设计针对性损失函数来整合物理约束，提升模拟的物理合理性
- 开源模型（推测）为后续研究提供了可复现的基准