动态风险感知的火灾疏散路径规划：一种增量可靠性评估方法

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Dynamic risk-informed path planning for fire evacuation: An incremental reliability assessment approach

　　何文华 | 宋伟国 | 张军
中国科学技术大学火灾科学国家重点实验室，安徽省合肥市金寨路96号，230026

摘要
建筑疏散系统的可靠性受到时变火灾隐患的严重挑战。本文提出了一种增量重新规划框架RTT-D* Lite（风险阈值与时间调整的D* Lite），用于火灾疏散。该框架将路径选择问题表述为一个动态可靠性评估问题，并整合了双阈值风险触发（DTRT）、时间限制可达性约束（TBRR）和风险规避成本重构（RACR）机制。消融研究表明，在火灾后期，该综合机制能够实现100%的疏散可靠性，而单阈值模型则会失效；同时计算开销降低了14%。与五种基线规划算法的比较评估显示，RTT-D* Lite在规划延迟稳定的情况下，累积风险降低了40%；在几种基线算法失效的情况下，RTT-D* Lite仍能保持100%的疏散可靠性。在不同点火位置进行的验证以及与生理基准的强相关性（r=0.98）进一步支持了其通用性。该框架在动态火灾环境中平衡了风险控制、计算效率和实时响应性。

引言
现代建筑朝着更大、更加一体化的结构发展，这使得消防安全管理的复杂性不断上升，成为城市面临的关键挑战[1],[2]。最近的灾难性事件凸显了高效疏散的迫切需求。从系统角度来看，火灾疏散是一个涉及多物理场耦合和人群行为互动的复杂动态过程[3],[4]。在火灾中，高温、有毒烟雾和能见度降低等因素会不断恶化疏散环境，损害人员的意识和决策能力，可能引发恐慌，从而影响静态标志和预设路线的可靠性[5]。因此，开发能够实时感知风险、定量评估路径和动态生成路线的智能路径规划方法对于提高疏散和救援安全性具有重要意义。核心挑战在于多个物理场（如热辐射、烟雾扩散）的动态时空耦合，这导致了高度不确定性[6],[7],[8]。烟雾在生理上（降低能见度和损害健康）和心理上（引发恐慌和削弱判断力）对疏散产生严重影响[9]。个人因素如应对能力和对建筑物的熟悉程度也会影响行为[10]，而烟雾可能会扭曲风险评估，导致次优的路径选择[11]。因此，仅依靠常受烟雾影响的静态标志是不够的。从可靠性工程的角度来看，这种不足反映了更深层次的挑战：火灾疏散是一个时间依赖的动态可靠性问题，系统状态通过随机危险传播、信息不完全以及人机交互演变——这些是传统静态可靠性评估方法难以适应的条件[8]。

可靠性工程的最新进展越来越关注动态的、基于风险的疏散规划。栾等人[12]开发了一种基于代理的风险评估模型，将CFD气体扩散与行人运动结合起来，用于机场终端的紧急情况。在路径规划方面，何等人[13]扩展了D*搜索算法，增加了动态风险分析，用于多灾害化学事故，通过基于风险感知的成本函数实现实时路径更新。Golshani和Fang[14]同样将FDS火灾模拟与动态标志相结合，使用改进的Dijkstra算法考虑了旅行时间、火灾影响和拥堵情况。然而，在动态火灾疏散中，线上增量更新与计算受限路径规划的整合仍需进一步探索。当前方法通常依赖于预先计算的危险场景或在条件变化时重新计算完整路径——这些计算要求可能在快速变化的危险情况下影响实时响应能力。定量研究探索了宏观层面的关系（例如，人群密度与疏散时间[15]），并开发了用于动态危险评估的工具，如“可用安全出口时间”（ASET）[16]。研究还考察了建筑对行人流动的限制[17]并推导出了经验疏散时间公式[18]，而疏散标志可以改善引导[19],[20],[21]。尽管如此，这些方法在涉及社会互动和拥堵的复杂动态火灾条件下往往不够有效[22]。

当前实践的一个关键限制是依赖于预先定义的静态疏散计划[23]，这些计划无法适应火灾和疏散的并行动态演变。一旦路线被阻塞或充满烟雾，静态策略就会失效[24]。有效的引导需要实时信息处理和动态反馈[25]。因此，突破静态规划的束缚，实现实时、自适应的路径规划是提高建筑火灾抵御能力的关键研究问题[26]。

在路径规划研究领域，现有方法主要依赖于静态风险表示和先前的环境信息，缺乏时变危险条件所需的动态风险评估能力。这些方法在动态火灾环境中存在明显的局限性。图搜索方法（如Dijkstra和A*）通过BIM集成和风险指标实现了计算效率[27],[28]，但它们对先验信息的依赖从根本上限制了在火灾突然升级时的快速响应。群体智能算法（以蚁群优化为代表）通过集体行为模拟展示了多目标优化的优势[29]，但大量的迭代需求和有限的在线适应性阻碍了其实时部署。强化学习方法通过环境互动提供了序列决策能力[30]，有研究将火灾模拟与风险响应相结合[31],[32]；然而，高昂的训练成本和弱的场景泛化能力阻碍了其集成到实时疏散系统中。

总之，当前方法难以应对高环境动态性、严格的实时约束和空间不确定性。安全性与及时性的权衡以及对轻量级、自适应在线重新规划的需求值得进一步研究。为了解决这些双重需求，本文贡献了以下内容：
(1)Towards incremental reliability assessment: 我们将实时路径规划问题表述为一个动态可靠性问题，并提出了RTT-D* Lite，整合了DTRT进行主动检测、TBRR进行重点计算以及RACR进行风险规避决策，旨在以有限的计算复杂度提高疏散完成的可靠性。
(2)Reliability-efficiency trade-offs and model robustness: 我们研究了安全性冗余（η）和风险阈值（ΔRth）——这两个直接影响算法实时决策逻辑的参数——如何平衡风险降低和计算开销。补充这一系统级分析，对底层风险量化模型的鲁棒性（公式（6）进行了系统验证：在整个范围内疏散结果保持不变，而计算效率在超过某个操作点后趋于平稳。这些分析为实际部署提供了经验指导，并证实性能提升来源于算法机制设计，而非偶然的参数调整。
(3)Empirical reliability evaluation: 我们通过消融研究和与五种基线算法的比较，在多个火灾阶段和不同点火位置评估了该框架。结果表明，在几种基线算法失效的情况下，RTT-D* Lite仍能保持100%的疏散可靠性；与传统基线算法相比，累积风险降低了40%；并且提供了稳定的实时延迟（4.42±1.63秒）。该规划指标与生理基准有很强的相关性（r=0.98）。

本文的其余部分组织如下。第2节回顾相关工作。第3节详细介绍了RTT-D* Lite算法，包括系统框架（第3.1节）、火灾风险量化（第3.2节）、理论基础（第3.3节）和核心机制（第3.4节）。第4节展示了实验结果，第5节进行了总结。

文献综述
火灾疏散路径规划算法的研究已经从静态优化发展到智能启发式方法，再到数据驱动的决策制定。本节从三个角度回顾了现有方法：图搜索算法、群体智能算法和强化学习。

总体框架
如第2章所讨论的，现有的疏散规划方法在动态危险条件下难以维持系统可靠性。图搜索算法虽然高效，但对持续路径恶化的响应能力不足。群体智能算法难以满足实时要求，而强化学习在泛化和计算开销方面存在问题。这些范式缺乏一个能够不断适应决策的闭环机制，从而无法保持疏散可靠性。

实验设置和评估框架
为了评估所提出的RTT-D* Lite算法，本研究使用NIST开发的Fire Dynamics Simulator（FDS）构建了一个高保真模拟环境。测试场景复制了一个实际的教学建筑，尺寸为64m×47.5m，结构细节如图3所示。火灾传播使用t-squared（t2）增长曲线进行建模，点火源位于一个装有木质家具和聚氨酯泡沫的主要可燃物的教室中。

结论
本文通过将实时路径规划问题重新表述为一个动态可靠性评估问题，解决了在动态火灾隐患下维持疏散系统可靠性的关键挑战。我们提出了RTT-D* Lite，这是一种增量重新规划算法，整合了三种以可靠性为导向的核心机制：时间限制可达性区域（TBRR）约束以实现重点计算资源分配、双阈值风险触发（DTRT）以主动检测系统恶化、CRediT

作者贡献声明
何文华：撰写——原始草案、可视化、验证、软件、方法论、调查、形式分析、数据整理、概念化。
宋伟国：撰写——审阅与编辑、资源管理、项目管理、资金获取、概念化。
张军：撰写——审阅与编辑、监督、项目管理、形式分析。

利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系，这些关系可能会影响本文报告的工作。

致谢
感谢国家自然科学基金（项目编号52574284）提供的财政支持。