彭 陽，余芳強，楊 祺，許璟琳

(上海建工四建集團有限公司，上海 201103)

0 引言

醫(yī)院是承載生命希望的地方，其安全防護要求極高，良好的疏散指引是保證人民生命安全的基本手段[1]。在火災(zāi)、地震、電氣事故等緊急情況下，如何快速、有序、安全地引導(dǎo)醫(yī)院樓內(nèi)人員及時完成疏散,是設(shè)計和后期管理必須嚴(yán)加考慮的問題[2]。近年來,大型綜合醫(yī)院建筑的體量越來越大，空間更為復(fù)雜，令緊急情況下的疏散指引變得困難，出現(xiàn)一系列待解決的問題,例如：為實現(xiàn)自動化指引，必須建立1個拓撲上完善的空間導(dǎo)航網(wǎng)，如果以房間為單位，則大廳位置的節(jié)點過于稀疏[3]，如果采用點云路徑生成導(dǎo)航地圖，大型醫(yī)院的數(shù)據(jù)量將過大[4]。疏散路線計算常采用靜態(tài)的最短尋路算法[5-7]，沒有考慮不同方向上的安全性差別[8]。對疏散行為的模擬一般采用群體模型[9-10]或更微觀地假設(shè)個體智能單元模擬的方法，如Agent模型、元胞自動機[4,11-16]、社會力模型[17]等，提升了指引的科學(xué)性，但全局性智能水平仍較低。目前，部分學(xué)者將智能硬件技術(shù)用于疏散決策和指引[18]，但主要著眼于定位和信號輸出設(shè)備，1個完整的消防應(yīng)用系統(tǒng)必須建立感知層[19]，因此，仍需要研究如何集成復(fù)雜環(huán)境危險狀況的感知終端。

鑒于此，本文將結(jié)合空間導(dǎo)航模型自動生成和深度神經(jīng)網(wǎng)絡(luò)技術(shù)，構(gòu)建大型建筑內(nèi)智能應(yīng)急疏散導(dǎo)航模型，并提出采集多維度環(huán)境信息、反饋最佳疏散方向的一站式智能物聯(lián)網(wǎng)裝置。研究結(jié)果可為火災(zāi)地震等緊急狀況下，應(yīng)用人工智能與物聯(lián)網(wǎng)方法指引大型建筑內(nèi)的人群進行應(yīng)急疏散提供參考。

1 空間導(dǎo)航模型和智能指引網(wǎng)絡(luò)

1.1 空間連通關(guān)系精細模型

采用Revit軟件建立醫(yī)院BIM(建筑信息模型)，將墻圍合形成的封閉空間劃分為自然房間，門實體指示房間之間幾何連通關(guān)系，需要完整正確建模[20]。醫(yī)院候診就診區(qū)、醫(yī)療設(shè)備間、潔凈區(qū)域等面積遠大于普通住宅，且走廊連通關(guān)系多、形狀復(fù)雜，不能直接采用自然房間作為疏散指引單位。

子空間與連通關(guān)系生成示意如圖1所示，提取自然房間邊界點和門實體；然后簡化原邊界，沿結(jié)構(gòu)設(shè)計軸線剖切邊界，形成子空間，并且在剖切處和門內(nèi)外建立連通關(guān)系；以子空間中心為代表坐標(biāo)，連接相鄰子空間；指定底層安全疏散口和每層樓梯出口與上下層的連接位置，形成1個地圖狀的連通關(guān)系精細模型。該模型利用設(shè)計階段軸線信息，保證室內(nèi)拓撲關(guān)系的精確描述，同時避免節(jié)點數(shù)過多。

圖1 子空間與連通關(guān)系生成示意

1.2 疏散路線訓(xùn)練集自動生成

醫(yī)院危險源分為靜態(tài)危險源和動態(tài)危險源，見表1。靜態(tài)危險源信息預(yù)先錄入，是指醫(yī)院內(nèi)長期存在、無法避免的危險因素，點位和危險度取值由醫(yī)院原設(shè)計單位給定。動態(tài)危險源是在發(fā)生緊急疏散情況時，由物聯(lián)網(wǎng)裝置探測得到的，其危險度參考靜態(tài)危險源，由設(shè)計人員測算。高溫異常大致相當(dāng)于存在易燃物品(危險度0.10)，而3 m走廊聚集20人的擁擠相當(dāng)于同樣的危險程度，故危險度系數(shù)為0.005/人。

表1 醫(yī)院危險源類型

為訓(xùn)練疏散指引AI模型，采用計算機模擬方式生成醫(yī)院內(nèi)各個空間位置的幾萬條疏散路徑，模擬選擇疏散方向時，綜合考慮最快到達和前方危險程度2種因素，如果路徑方向上存在靜態(tài)或動態(tài)危險源，則選擇該方向的概率會降低，使模擬路線具有初步避險能力。生成完畢后，按式(1)式計算綜合評分S以篩選優(yōu)質(zhì)路線作為最終訓(xùn)練集：

(1)

式中：L為路線實際長度，m；D為房間到最近安全疏散口的直線距離，m；Em為路線直接經(jīng)過區(qū)域的危險度；En為經(jīng)過區(qū)域的所有相鄰區(qū)域的危險度；C是路線經(jīng)過的子空間總數(shù)；ΣE是場景中總的危險度；C+ΣE表示補償較長路徑，因為較長的路徑在安全度上失分更多，但長路徑能給策略網(wǎng)絡(luò)提供更多信息，所以得分增加。

若路線越長，經(jīng)過的區(qū)域危險程度越大，路線上擁擠的人數(shù)越多，則評分越低。式(1)中系數(shù)的相對大小用于綜合平衡，使得在所有路徑中各因素平均具有相等權(quán)重。

1.3 疏散指引決策網(wǎng)絡(luò)

本文提出一種描述建筑物分層結(jié)構(gòu)中空間位置的神經(jīng)網(wǎng)絡(luò)即疏散指引決策網(wǎng)絡(luò)，結(jié)構(gòu)示意如圖2所示，圖中括號內(nèi)數(shù)字為案例建筑的實際數(shù)量。疏散指引決策網(wǎng)絡(luò)是1個組合式全連接網(wǎng)絡(luò)，可適應(yīng)每層不同的子空間數(shù)目，設(shè)建筑樓層數(shù)為N，網(wǎng)絡(luò)第1層為按樓層組織的2N個輸入端，上方空間位置子網(wǎng)絡(luò)的N個輸入指示當(dāng)前路徑在對應(yīng)樓層的位置，下方危險情況子網(wǎng)絡(luò)的N個輸入表示危險狀況在對應(yīng)樓層的分布，輸入端神經(jīng)元數(shù)量為該樓層的子空間總數(shù)，隱層均為50個神經(jīng)元的全連接層。

圖2 疏散指引決策網(wǎng)絡(luò)結(jié)構(gòu)示意

從生成的疏散路線中選取得分S最高的前10%路線作為決策神經(jīng)網(wǎng)絡(luò)的優(yōu)質(zhì)訓(xùn)練集。將位置輸入向量，當(dāng)前子空間位置賦1，其余均為0；將危險狀況輸入向量，賦給每個子空間危險度值；網(wǎng)絡(luò)輸出是1個1維one-hot向量，指示下一步位置。使用前文生成的訓(xùn)練集，選擇RMSprop優(yōu)化器充分訓(xùn)練。

2 疏散導(dǎo)航物聯(lián)網(wǎng)Nav-IoT

本文提出的疏散導(dǎo)航物聯(lián)網(wǎng)系統(tǒng)及裝置簡稱為Nav-IoT,其結(jié)構(gòu)示意如圖3所示。由圖3可知，該結(jié)構(gòu)包括邊緣側(cè)物聯(lián)網(wǎng)智能裝置組(實拍圖如圖4所示)、4G網(wǎng)絡(luò)通信模塊和云端疏散指引決策服務(wù)器。邊緣側(cè)方面，物聯(lián)網(wǎng)裝置連接至樹莓派計算主板，3種負責(zé)信息輸入包括煙霧傳感器、溫濕度-氣壓傳感器和攝像頭模塊；2種負責(zé)疏散決策輸出即蜂鳴器和智能LED點陣屏。邊緣與云端之間通常采用成熟的內(nèi)網(wǎng)傳輸[5]，例如在室內(nèi)搭建ZigBee或LoRa站點[21]，但在緊急疏散情況下，需要考慮通信設(shè)備自身避災(zāi)和傳輸大量數(shù)據(jù)。因此，本文使用外部的4G網(wǎng)絡(luò)進行邊緣側(cè)和云端的通信。

圖3 Nav-IoT物理結(jié)構(gòu)

圖4 邊緣側(cè)物聯(lián)網(wǎng)智能裝置組實拍

Nav-IoT運行期間的信息流邏輯和組件工作方式如圖5所示。邊緣側(cè)計算主板上的控制-協(xié)調(diào)-分析集成模塊負責(zé)收集所有物聯(lián)網(wǎng)設(shè)備的數(shù)據(jù)，并進行必要分析，當(dāng)煙霧傳感器有可燃氣體和煙霧感應(yīng)信號或溫濕度有明顯偏離時，向網(wǎng)絡(luò)發(fā)送危險度升高信息，同時攝像頭實時拍攝點位附近照片和視頻流，通過AI識別人體，向網(wǎng)絡(luò)報告目前區(qū)域擁擠度信息和人數(shù)；4G網(wǎng)絡(luò)負責(zé)匯總邊緣側(cè)分析信息，輸入疏散決策網(wǎng)絡(luò)；拓撲存儲模塊負責(zé)對網(wǎng)絡(luò)輸出做解碼，得到指引方向?qū)?yīng)的現(xiàn)實世界位置，發(fā)送至4G網(wǎng)絡(luò)模塊，然后再分發(fā)決策指令至每個邊緣側(cè)裝置；邊緣側(cè)裝置通過蜂鳴器發(fā)出明確的聲音以指示位置，并通過LED屏幕輸出光信號，指示最優(yōu)疏散方向。

圖5 Nav-IoT信息流與協(xié)同工作示意

為增強Nav-IoT備災(zāi)能力，邊緣側(cè)裝置組封裝于阻燃硬質(zhì)亞克力材料外殼，可以較好地抵抗火災(zāi)和沖擊。正常情況下，主板使用適配器從普通插座獲得電源，同時對應(yīng)急電池進行充電；若嚴(yán)重火災(zāi)或電氣事故破壞本點位供電，則裝置組可立即切換至應(yīng)急電池，保證疏散指引功能仍可正常使用；4G網(wǎng)絡(luò)由外部提供，云端服務(wù)器在異地機房部署，都不會受現(xiàn)場供電環(huán)境和網(wǎng)絡(luò)中斷影響。因此，Nav-IoT在嚴(yán)重災(zāi)害下仍能發(fā)揮全部作用。

3 案例分析

在上海市某三甲醫(yī)院建筑中部署導(dǎo)航物聯(lián)網(wǎng)原型系統(tǒng)。醫(yī)院地上共18F，故策略網(wǎng)絡(luò)的輸入端有36個。該醫(yī)院空間導(dǎo)航模型建立過程如圖6所示。全樓包括1 224個房間、走廊、樓梯區(qū)域和1 341個連通門，經(jīng)自動空間分割成4 716個輸出節(jié)點，模擬約80萬條疏散路徑，選擇其中80 000個高分路徑作為訓(xùn)練集，使用TensorFlow-GPU框架和NVIDIAQuadro顯卡，訓(xùn)練時間30 min。

圖6 醫(yī)院導(dǎo)航模型構(gòu)建過程

疏散指引網(wǎng)絡(luò)輸出決策路徑示例如圖7所示。首先，固定8F和15F 2個房間起始點，圖7(b)為施加實際動態(tài)危險情況的路線，包括檢測到瞬時大客流、溫度突變、模擬煙霧報警等情況。由圖7可知，在2～4F有動態(tài)危險區(qū)域影響下，15F病房的路徑在低層有1個明顯避開危險區(qū)域的動作，選擇的樓梯也不同，且疏散目標(biāo)由東北出入口變成南側(cè)配鏡房出入口,8F輸血科的路線變化較小，接近最短疏散距離。

圖7 疏散指引示例

為驗證導(dǎo)航物聯(lián)網(wǎng)Nav-IoT裝置效果，招募16名對該醫(yī)院環(huán)境較為陌生的試驗人員，2人為1組進行4次不同條件的試運行，即2個出發(fā)位置和有無Nav-IoT導(dǎo)航的情況組合。跟蹤記錄經(jīng)過的區(qū)域，然后按式(1)計算路線長度扣分、危險度扣分和綜合評分S。物聯(lián)網(wǎng)導(dǎo)航與無導(dǎo)航對比圖如圖8所示，有導(dǎo)航得分明顯高于無導(dǎo)航的自由疏散，且主要差距在動態(tài)安全度的提升；此外，有導(dǎo)航時更容易在復(fù)雜的樓層平面找到合適的疏散樓梯；測量平均RSET(所需安全疏散時間)可知，有導(dǎo)航情況下的疏散時間可減少50～60 s。因此，導(dǎo)航物聯(lián)網(wǎng)可以大幅度減少疏散路徑危險程度，更好應(yīng)對動態(tài)危險因素。

圖8 物聯(lián)網(wǎng)導(dǎo)航與無導(dǎo)航對比

4 結(jié)論

1)提出適合復(fù)雜空間結(jié)構(gòu)的疏散拓撲地圖自動生成方法，兼顧空間細度與計算效率；為應(yīng)對醫(yī)院建筑中靜態(tài)和動態(tài)危險源，提出組合神經(jīng)網(wǎng)絡(luò)輸出疏散決策，并自動生成優(yōu)質(zhì)訓(xùn)練集進行網(wǎng)絡(luò)訓(xùn)練，可根據(jù)動態(tài)危險情況做出智能決策調(diào)整，提升疏散決策的及時性和安全程度。

2)智能疏散導(dǎo)航物聯(lián)網(wǎng)裝置Nav-IoT可集成多種物聯(lián)網(wǎng)智能設(shè)備，實時采集醫(yī)院多種危險情況，并發(fā)出明確移動指引信號，提升疏散決策科學(xué)性。

3)通過在醫(yī)院搭設(shè)導(dǎo)航物聯(lián)網(wǎng)系統(tǒng)，驗證本文方法和裝置可滿足大型復(fù)雜醫(yī)院建筑內(nèi)的智能化動態(tài)化的人員應(yīng)急疏散需求。后續(xù)研究方向應(yīng)包括進一步提升決策網(wǎng)絡(luò)的準(zhǔn)確性和敏感度以及如何降低物聯(lián)網(wǎng)裝置的制造成本和部署成本，以更好推廣至其它大型公共建筑。