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
Short-Term Crowd Prediction through Continuous Observation
Abstract
In this study, we propose a data assimilation–based crowd digital twin framework that integrates real-time sensing data with an agent-based simulation. The proposed system continuously updates virtual agents in a 3D building model based on pedestrian positions obtained from LiDAR sensors, enabling both short-term and long-term predictions of crowd dynamics. To correct the temporal discrepancy between real-world observations and simulated virtual time, we introduce a Lead–Chase framework: the Lead simulation performs high-fidelity future prediction, while the Chase simulation dynamically adjusts the results using the latest observations. Evaluation using real pedestrian tracking data collected by the LiDAR-based system installed on the campus building demonstrated that the Lead–Chase framework approach reduced the average displacement error by approximately 50% compared to a single simulation, while maintaining computation time suitable for real-time processing.
解説
駅や商業施設のように人が集まる場所では、いま何人いるかを測るだけでなく、この先数十秒から数分のあいだに人の流れがどう変わるかを読めると、誘導や案内を先回りして打てるようになります。ただ実際にそれをやろうとすると、観測とシミュレーションのあいだの食い違いが問題になります。シミュレーションは未来を計算するために現実より先の時刻を扱っているので、新しい観測が届いたときには既に別の時刻まで進んでしまっているという、時間のずれが必ず生じるためです。
データ同化というのは、シミュレーションを走らせながら実測値を継ぎ足して内部状態を現実に引き戻していく手法のことで、気象予報で長く使われてきた考え方です。人流に当てはめると、シミュレーション上の仮想的な歩行者を、センサが捉えた実際の歩行者の位置に合わせて随時修正していくことになります。これによってシミュレーションが現実から乖離していくのを防げます。
本研究では、この考え方をエージェントベースの群衆シミュレーションと 3D の建物モデルの上に組み、LiDAR で得た歩行者位置をもとに仮想エージェントを継続的に更新する枠組みを提案しています。時間のずれには Lead と Chase という二つのシミュレーションを併走させる形で対処しており、Lead が高精度に未来を予測する一方で、Chase が最新の観測を使って予測結果を動的に補正します。
キャンパスの建物に設置した LiDAR ベースのシステムで集めた実際の歩行者追跡データで評価したところ、単一のシミュレーションと比べて平均変位誤差がおよそ 50% 減り、しかも実時間処理に収まる計算時間を保てました。
関連する研究室活動
関連プロジェクト
地域を支える知のデジタライゼーションと共有基盤
JST（科学技術振興機構） 戦略的創造研究推進事業 CREST
「基礎理論とシステム基盤技術の融合によるSociety 5.0のための基盤ソフトウェアの創出」領域
