医院智能应急疏散导航方法与物联网应用研究*

彭 阳，余芳强，杨 祺，许璟琳

(上海建工四建集团有限公司，上海 201103)

0 引言

医院是承载生命希望的地方，其安全防护要求极高，良好的疏散指引是保证人民生命安全的基本手段[1]。在火灾、地震、电气事故等紧急情况下，如何快速、有序、安全地引导医院楼内人员及时完成疏散,是设计和后期管理必须严加考虑的问题[2]。近年来,大型综合医院建筑的体量越来越大，空间更为复杂，令紧急情况下的疏散指引变得困难，出现一系列待解决的问题,例如：为实现自动化指引，必须建立1个拓扑上完善的空间导航网，如果以房间为单位，则大厅位置的节点过于稀疏[3]，如果采用点云路径生成导航地图，大型医院的数据量将过大[4]。疏散路线计算常采用静态的最短寻路算法[5-7]，没有考虑不同方向上的安全性差别[8]。对疏散行为的模拟一般采用群体模型[9-10]或更微观地假设个体智能单元模拟的方法，如Agent模型、元胞自动机[4,11-16]、社会力模型[17]等，提升了指引的科学性，但全局性智能水平仍较低。目前，部分学者将智能硬件技术用于疏散决策和指引[18]，但主要着眼于定位和信号输出设备，1个完整的消防应用系统必须建立感知层[19]，因此，仍需要研究如何集成复杂环境危险状况的感知终端。

鉴于此，本文将结合空间导航模型自动生成和深度神经网络技术，构建大型建筑内智能应急疏散导航模型，并提出采集多维度环境信息、反馈最佳疏散方向的一站式智能物联网装置。研究结果可为火灾地震等紧急状况下，应用人工智能与物联网方法指引大型建筑内的人群进行应急疏散提供参考。

1 空间导航模型和智能指引网络

1.1 空间连通关系精细模型

采用Revit软件建立医院BIM(建筑信息模型)，将墙围合形成的封闭空间划分为自然房间，门实体指示房间之间几何连通关系，需要完整正确建模[20]。医院候诊就诊区、医疗设备间、洁净区域等面积远大于普通住宅，且走廊连通关系多、形状复杂，不能直接采用自然房间作为疏散指引单位。

子空间与连通关系生成示意如图1所示，提取自然房间边界点和门实体；然后简化原边界，沿结构设计轴线剖切边界，形成子空间，并且在剖切处和门内外建立连通关系；以子空间中心为代表坐标，连接相邻子空间；指定底层安全疏散口和每层楼梯出口与上下层的连接位置，形成1个地图状的连通关系精细模型。该模型利用设计阶段轴线信息，保证室内拓扑关系的精确描述，同时避免节点数过多。

图1 子空间与连通关系生成示意

1.2 疏散路线训练集自动生成

医院危险源分为静态危险源和动态危险源，见表1。静态危险源信息预先录入，是指医院内长期存在、无法避免的危险因素，点位和危险度取值由医院原设计单位给定。动态危险源是在发生紧急疏散情况时，由物联网装置探测得到的，其危险度参考静态危险源，由设计人员测算。高温异常大致相当于存在易燃物品(危险度0.10)，而3 m走廊聚集20人的拥挤相当于同样的危险程度，故危险度系数为0.005/人。

表1 医院危险源类型

为训练疏散指引AI模型，采用计算机模拟方式生成医院内各个空间位置的几万条疏散路径，模拟选择疏散方向时，综合考虑最快到达和前方危险程度2种因素，如果路径方向上存在静态或动态危险源，则选择该方向的概率会降低，使模拟路线具有初步避险能力。生成完毕后，按式(1)式计算综合评分S以筛选优质路线作为最终训练集：

(1)

式中：L为路线实际长度，m；D为房间到最近安全疏散口的直线距离，m；Em为路线直接经过区域的危险度；En为经过区域的所有相邻区域的危险度；C是路线经过的子空间总数；ΣE是场景中总的危险度；C+ΣE表示补偿较长路径，因为较长的路径在安全度上失分更多，但长路径能给策略网络提供更多信息，所以得分增加。

若路线越长，经过的区域危险程度越大，路线上拥挤的人数越多，则评分越低。式(1)中系数的相对大小用于综合平衡，使得在所有路径中各因素平均具有相等权重。

1.3 疏散指引决策网络

本文提出一种描述建筑物分层结构中空间位置的神经网络即疏散指引决策网络，结构示意如图2所示，图中括号内数字为案例建筑的实际数量。疏散指引决策网络是1个组合式全连接网络，可适应每层不同的子空间数目，设建筑楼层数为N，网络第1层为按楼层组织的2N个输入端，上方空间位置子网络的N个输入指示当前路径在对应楼层的位置，下方危险情况子网络的N个输入表示危险状况在对应楼层的分布，输入端神经元数量为该楼层的子空间总数，隐层均为50个神经元的全连接层。

图2 疏散指引决策网络结构示意

从生成的疏散路线中选取得分S最高的前10%路线作为决策神经网络的优质训练集。将位置输入向量，当前子空间位置赋1，其余均为0；将危险状况输入向量，赋给每个子空间危险度值；网络输出是1个1维one-hot向量，指示下一步位置。使用前文生成的训练集，选择RMSprop优化器充分训练。

2 疏散导航物联网Nav-IoT

本文提出的疏散导航物联网系统及装置简称为Nav-IoT,其结构示意如图3所示。由图3可知，该结构包括边缘侧物联网智能装置组(实拍图如图4所示)、4G网络通信模块和云端疏散指引决策服务器。边缘侧方面，物联网装置连接至树莓派计算主板，3种负责信息输入包括烟雾传感器、温湿度-气压传感器和摄像头模块；2种负责疏散决策输出即蜂鸣器和智能LED点阵屏。边缘与云端之间通常采用成熟的内网传输[5]，例如在室内搭建ZigBee或LoRa站点[21]，但在紧急疏散情况下，需要考虑通信设备自身避灾和传输大量数据。因此，本文使用外部的4G网络进行边缘侧和云端的通信。

图3 Nav-IoT物理结构

图4 边缘侧物联网智能装置组实拍

Nav-IoT运行期间的信息流逻辑和组件工作方式如图5所示。边缘侧计算主板上的控制-协调-分析集成模块负责收集所有物联网设备的数据，并进行必要分析，当烟雾传感器有可燃气体和烟雾感应信号或温湿度有明显偏离时，向网络发送危险度升高信息，同时摄像头实时拍摄点位附近照片和视频流，通过AI识别人体，向网络报告目前区域拥挤度信息和人数；4G网络负责汇总边缘侧分析信息，输入疏散决策网络；拓扑存储模块负责对网络输出做解码，得到指引方向对应的现实世界位置，发送至4G网络模块，然后再分发决策指令至每个边缘侧装置；边缘侧装置通过蜂鸣器发出明确的声音以指示位置，并通过LED屏幕输出光信号，指示最优疏散方向。

图5 Nav-IoT信息流与协同工作示意

为增强Nav-IoT备灾能力，边缘侧装置组封装于阻燃硬质亚克力材料外壳，可以较好地抵抗火灾和冲击。正常情况下，主板使用适配器从普通插座获得电源，同时对应急电池进行充电；若严重火灾或电气事故破坏本点位供电，则装置组可立即切换至应急电池，保证疏散指引功能仍可正常使用；4G网络由外部提供，云端服务器在异地机房部署，都不会受现场供电环境和网络中断影响。因此，Nav-IoT在严重灾害下仍能发挥全部作用。

3 案例分析

在上海市某三甲医院建筑中部署导航物联网原型系统。医院地上共18F，故策略网络的输入端有36个。该医院空间导航模型建立过程如图6所示。全楼包括1 224个房间、走廊、楼梯区域和1 341个连通门，经自动空间分割成4 716个输出节点，模拟约80万条疏散路径，选择其中80 000个高分路径作为训练集，使用TensorFlow-GPU框架和NVIDIAQuadro显卡，训练时间30 min。

图6 医院导航模型构建过程

疏散指引网络输出决策路径示例如图7所示。首先，固定8F和15F 2个房间起始点，图7(b)为施加实际动态危险情况的路线，包括检测到瞬时大客流、温度突变、模拟烟雾报警等情况。由图7可知，在2～4F有动态危险区域影响下，15F病房的路径在低层有1个明显避开危险区域的动作，选择的楼梯也不同，且疏散目标由东北出入口变成南侧配镜房出入口,8F输血科的路线变化较小，接近最短疏散距离。

图7 疏散指引示例

为验证导航物联网Nav-IoT装置效果，招募16名对该医院环境较为陌生的试验人员，2人为1组进行4次不同条件的试运行，即2个出发位置和有无Nav-IoT导航的情况组合。跟踪记录经过的区域，然后按式(1)计算路线长度扣分、危险度扣分和综合评分S。物联网导航与无导航对比图如图8所示，有导航得分明显高于无导航的自由疏散，且主要差距在动态安全度的提升；此外，有导航时更容易在复杂的楼层平面找到合适的疏散楼梯；测量平均RSET(所需安全疏散时间)可知，有导航情况下的疏散时间可减少50～60 s。因此，导航物联网可以大幅度减少疏散路径危险程度，更好应对动态危险因素。

图8 物联网导航与无导航对比

4 结论

1)提出适合复杂空间结构的疏散拓扑地图自动生成方法，兼顾空间细度与计算效率；为应对医院建筑中静态和动态危险源，提出组合神经网络输出疏散决策，并自动生成优质训练集进行网络训练，可根据动态危险情况做出智能决策调整，提升疏散决策的及时性和安全程度。

2)智能疏散导航物联网装置Nav-IoT可集成多种物联网智能设备，实时采集医院多种危险情况，并发出明确移动指引信号，提升疏散决策科学性。

3)通过在医院搭设导航物联网系统，验证本文方法和装置可满足大型复杂医院建筑内的智能化动态化的人员应急疏散需求。后续研究方向应包括进一步提升决策网络的准确性和敏感度以及如何降低物联网装置的制造成本和部署成本，以更好推广至其它大型公共建筑。