国際会議ICDCN2026で16件の研究発表・受賞
2026年1月に奈良で開催されたICDCN 2026にて計16件の研究発表・2件の受賞
研究発表 受賞
国際会議 · 2026
Bayesian Optimization Approach for Crowd Flow Modeling on Railway Station Platforms
Abstract
Accurately reproducing pedestrian behavior on railway station platforms is essential for safety management and congestion mitigation. This paper presents a digital-twin framework that integrates real video analysis and crowd simulation through Bayesian optimization. The method combines flow-level information from optical flow and person-level information from object detection and tracking, and reduces discrepancies between observations and simulation by automatically updating parameters. RAFT estimates pixel-level motion vectors, while ByteTrack provides individual positions and counts. From these data, differences in flow distributions, crowd counts, and positional matching are computed to form an objective function for parameter optimization. Using 360 frames of real footage over 100 iterations, the framework showed a clear reduction in error and achieved about one-third of ByteTrack’s MAE and RMSE, accurately reproducing real crowd density and movement patterns.
解説
駅のホームは、限られた幅の空間に電車の到着に合わせて人が一気に流れ込む場所なので、混雑の管理と安全の確保という点で歩行者の振る舞いを正確に再現できることの価値が高い場所です。ただ、歩行者シミュレーションには歩く速さや他人との間隔の取り方といったパラメータが多数あり、それを現場に合わせて手で調整するのは骨が折れます。
ベイズ最適化というのは、評価に手間のかかる関数の最適な入力を、少ない試行回数で探すための手法です。これまでに試した点から関数の形を確率的に推定し、次にどこを試せば最も情報が得られるかを判断して探索を進めます。シミュレーションを一回走らせるたびに時間がかかるパラメータ調整のような問題に向いています。
本研究では、実際の映像解析と群衆シミュレーションをベイズ最適化でつなぐデジタルツインの枠組みを提案しています。映像からは二種類の情報を取り出していて、RAFT によるオプティカルフローが画素単位の動きベクトルという流れ全体の情報を、ByteTrack による物体検出と追跡が個々の人の位置と人数という個人単位の情報を与えます。この二つから、流れの分布の違い、人数の違い、位置の対応づけという三つを組み合わせた目的関数を作り、それを小さくする方向にパラメータを自動更新します。
実映像 360 フレームを使って 100 回の反復を回したところ、誤差が明確に減少し、MAE と RMSE が ByteTrack のおよそ三分の一まで下がって、実際の群衆密度と移動パターンを再現できました。
関連する研究室活動
関連プロジェクト
