Procedural Content Generation Using Reinforcement Learning for Disaster Evacuation Training in a Virtual 3D Environment

Cette recherche répond au besoin de méthodes efficaces de formation à l'évacuation en cas de catastrophe en proposant un système de réalité virtuelle qui utilise des algorithmes de génération de contenu procédural d'apprentissage par renforcement (RL-PCG). L'objectif de cette étude est de fournir un moyen rentable et sûr de mener une formation sur la préparation à l'évacuation en cas de catastrophe, dépassant les limites des exercices traditionnels de la vie réelle. Les objectifs de l'article comprennent la conception d'une nouvelle architecture PCG à 3 couches pour générer des simulations de catastrophes réalistes en réalité virtuelle, la mise en œuvre d'un prototype fonctionnel pour les scénarios de catastrophe d'incendie et l'évaluation de l'efficacité du système proposé par comparaison avec les agents RL existants. Les résultats significatifs incluent la supériorité de l'agent RL-PCG dans la génération de scénarios de catastrophe divers et réalistes avec un temps de formation plus rapide et un nombre d'étapes moindre, même avec des capacités de processeur limitées. En conclusion, cette recherche établit que le scénario RL-PCG pour la formation à l'évacuation en cas de catastrophe en RV est une méthode plus efficace, conduisant à une meilleure préparation aux catastrophes pour les individus, et ouvre la voie à de nouvelles avancées dans la formation aux catastrophes en utilisant la réalité virtuelle et les technologies d'apprentissage par renforcement. Pour une démonstration vidéo de ce travail, veuillez visiter https://youtu.be/3WZnQOfUP94.
Esta investigación aborda la necesidad de métodos efectivos de capacitación en evacuación de desastres al proponer un sistema de realidad virtual que utiliza algoritmos de generación de contenido procedimental de aprendizaje por refuerzo (RL-PCG). El objetivo de este estudio es proporcionar una forma rentable y segura de llevar a cabo la capacitación de preparación para la evacuación de desastres, superando las limitaciones de los simulacros tradicionales de la vida real. Los objetivos del documento abarcan el diseño de una nueva arquitectura PCG de 3 capas para generar simulaciones de desastres realistas en realidad virtual, la implementación de un prototipo de trabajo para escenarios de desastres de incendios y la evaluación de la efectividad del sistema propuesto mediante la comparación con los agentes de RL existentes. Los hallazgos significativos incluyen la superioridad del agente RL-PCG en la generación de escenarios de desastre diversos y realistas con un tiempo de capacitación más rápido y un menor número de pasos, incluso con capacidades limitadas del procesador. En conclusión, esta investigación establece que el Escenario RL-PCG para la Capacitación en Evacuación de Desastres en VR es un método más efectivo, que conduce a una mejor preparación para desastres para las personas, y abre vías para nuevos avances en la capacitación en desastres utilizando la realidad virtual y las tecnologías de aprendizaje de refuerzo. Para obtener una demostración en video de este trabajo, visite https://youtu.be/3WZnQOfUP94.
This research addresses the need for effective disaster evacuation training methods by proposing a virtual reality system that utilizes Reinforcement Learning Procedural Content Generation (RL-PCG) algorithms. The aim of this study is to provide a cost-effective and safe way to conduct disaster evacuation preparedness training, surpassing the limitations of traditional real-life drills. The paper's objectives encompass the design of a novel 3-layer PCG architecture for generating realistic disaster simulations in virtual reality, the implementation of a working prototype for fire disaster scenarios, and the evaluation of the proposed system's effectiveness through comparison with existing RL agents. Significant findings include the superiority of the RL-PCG agent in generating diverse and realistic disaster scenarios with faster training time and lesser number of steps, even with limited processor capabilities. In conclusion, this research establishes that the RL-PCG Scenario for Disaster Evacuation Training in VR is a more effective method, leading to improved disaster preparedness for individuals, and opens avenues for further advancements in disaster training using virtual reality and reinforcement learning technologies. For a video demo of this work, please visit https://youtu.be/3WZnQOfUP94 .
يتناول هذا البحث الحاجة إلى أساليب تدريب فعالة للإجلاء في حالات الكوارث من خلال اقتراح نظام واقع افتراضي يستخدم خوارزميات إنشاء المحتوى الإجرائي لتعلم التعزيز (RL - PCG). الهدف من هذه الدراسة هو توفير طريقة آمنة وفعالة من حيث التكلفة لإجراء التدريب على التأهب للإجلاء في حالات الكوارث، متجاوزة قيود التدريبات الواقعية التقليدية. تشمل أهداف الورقة تصميم بنية PCG جديدة من 3 طبقات لتوليد محاكاة واقعية للكوارث في الواقع الافتراضي، وتنفيذ نموذج أولي عامل لسيناريوهات كارثة الحرائق، وتقييم فعالية النظام المقترح من خلال المقارنة مع وكلاء RL الحاليين. تشمل النتائج المهمة تفوق وكيل RL - PCG في توليد سيناريوهات كوارث متنوعة وواقعية مع وقت تدريب أسرع وعدد أقل من الخطوات، حتى مع قدرات المعالج المحدودة. في الختام، يثبت هذا البحث أن سيناريو RL - PCG للتدريب على الإخلاء من الكوارث في الواقع الافتراضي هو طريقة أكثر فعالية، مما يؤدي إلى تحسين التأهب للكوارث للأفراد، ويفتح السبل لمزيد من التقدم في التدريب على الكوارث باستخدام الواقع الافتراضي وتقنيات التعلم المعزز. للحصول على فيديو توضيحي لهذا العمل، يرجى زيارة https://youtu.be/3WZnQOfUP94.