論文の概要: Enhancing Building Safety Design for Active Shooter Incidents: Exploration of Building Exit Parameters using Reinforcement Learning-Based Simulations

• arxiv url: http://arxiv.org/abs/2407.10441v1
• Date: Mon, 15 Jul 2024 05:08:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-16 16:20:45.753250
• Title: Enhancing Building Safety Design for Active Shooter Incidents: Exploration of Building Exit Parameters using Reinforcement Learning-Based Simulations
• Title（参考訳）: アクティブシュータインシデントにおけるビルの安全性設計の強化:強化学習に基づくシミュレーションによるビルの出口パラメータの探索
• Authors: Ruying Liu, Wanjing Wu, Burcin Becerik-Gerber, Gale M. Lucas,
• Abstract要約: 本研究では,既存研究のギャップに対処する強化学習に基づくシミュレーション手法を提案する。 現実的なオフィス環境下でアクティブシューティングをシミュレートする自律エージェントを開発した。
• 参考スコア（独自算出の注目度）: 1.3374504717801061
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: With the alarming rise in active shooter incidents (ASIs) in the United States, enhancing public safety through building design has become a pressing need. This study proposes a reinforcement learning-based simulation approach addressing gaps in existing research that has neglected the dynamic behaviours of shooters. We developed an autonomous agent to simulate an active shooter within a realistic office environment, aiming to offer insights into the interactions between building design parameters and ASI outcomes. A case study is conducted to quantitatively investigate the impact of building exit numbers (total count of accessible exits) and configuration (arrangement of which exits are available or not) on evacuation and harm rates. Findings demonstrate that greater exit availability significantly improves evacuation outcomes and reduces harm. Exits nearer to the shooter's initial position hold greater importance for accessibility than those farther away. By encompassing dynamic shooter behaviours, this study offers preliminary insights into effective building safety design against evolving threats.
• Abstract（参考訳）: 米国におけるアクティブ・シューティング・インシデント(ASI)の急増により、建築設計による公共安全の強化が迫られている。 本研究では,シューターの動的挙動を無視した既存研究のギャップに対処する強化学習に基づくシミュレーション手法を提案する。 本研究では,現実的なオフィス環境下でアクティブシューティングをシミュレートする自律エージェントを開発し,設計パラメータとAII結果の相互作用に関する洞察を提供することを目的とした。 建築出口数(アクセス可能な出口の総数)と構成(出口が利用可能か否かの配置)が避難や被害率に与える影響を定量的に検討する。 出口の可用性が向上すると避難結果が大幅に改善し、害が軽減される。 射手の最初の位置に近い射手は、遠くにあるものよりもアクセシビリティが重要である。 ダイナミックシューターの挙動を包含することにより、進化する脅威に対する効果的な安全設計に関する予備的な洞察を提供する。

関連論文リスト

• Variable-Agnostic Causal Exploration for Reinforcement Learning [56.52768265734155]
  強化学習のための新しいフレームワークVACERL(Variable-Agnostic Causal Exploration for Reinforcement Learning)を導入する。 本手法は,注目機構を用いて,重要変数に関連する重要な観測行動ステップを自動的に同定する。 これらのステップを接続する因果グラフを構築し、エージェントをタスク完了に対する因果的影響の大きい観察-作用ペアへと導く。
  論文  参考訳（メタデータ） (2024-07-17T09:45:27Z)
• Unlearning Backdoor Threats: Enhancing Backdoor Defense in Multimodal Contrastive Learning via Local Token Unlearning [49.242828934501986]
  マルチモーダルコントラスト学習は高品質な機能を構築するための強力なパラダイムとして登場した。 バックドア攻撃は 訓練中に モデルに 悪意ある行動を埋め込む 我々は,革新的なトークンベースの局所的忘れ忘れ学習システムを導入する。
  論文  参考訳（メタデータ） (2024-03-24T18:33:15Z)
• HAZARD Challenge: Embodied Decision Making in Dynamically Changing Environments [93.94020724735199]
  HAZARDは、火災、洪水、風などの3つの予期せぬ災害シナリオで構成されている。 このベンチマークにより、さまざまなパイプラインで自律エージェントの意思決定能力を評価することができる。
  論文  参考訳（メタデータ） (2024-01-23T18:59:43Z)
• Safeguarded Progress in Reinforcement Learning: Safe Bayesian Exploration for Control Policy Synthesis [63.532413807686524]
  本稿では、強化学習(RL)におけるトレーニング中の安全維持の問題に対処する。 探索中の効率的な進捗と安全性のトレードオフを扱う新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-12-18T16:09:43Z)
• Adversarial Robustness Unhardening via Backdoor Attacks in Federated Learning [13.12397828096428]
  敵のロバストネス・アンハードニング(ARU)は、分散トレーニング中にモデルロバストネスを意図的に損なうために、敵のサブセットによって使用される。 本研究は,ARUの対人訓練への影響と,中毒やバックドア攻撃に対する既存の堅牢な防御効果を評価する実証実験である。
  論文  参考訳（メタデータ） (2023-10-17T21:38:41Z)
• BARReL: Bottleneck Attention for Adversarial Robustness in Vision-Based Reinforcement Learning [20.468991996052953]
  本研究では、視力に基づく強化学習エージェントの、勾配に基づく敵攻撃に対する感受性について検討する。 本稿では,学習した注意マップを用いて,畳み込み層の活性化を回復する方法を示す。 多くのRL環境において、BAMで強化されたアーキテクチャは推論中にロバスト性を高めた。
  論文  参考訳（メタデータ） (2022-08-22T17:54:34Z)
• Fixed Points in Cyber Space: Rethinking Optimal Evasion Attacks in the Age of AI-NIDS [70.60975663021952]
  ネットワーク分類器に対するブラックボックス攻撃について検討する。 我々は、アタッカー・ディフェンダーの固定点がそれ自体、複雑な位相遷移を持つ一般サムゲームであると主張する。 攻撃防御力学の研究には連続的な学習手法が必要であることを示す。
  論文  参考訳（メタデータ） (2021-11-23T23:42:16Z)
• Where Did You Learn That From? Surprising Effectiveness of Membership Inference Attacks Against Temporally Correlated Data in Deep Reinforcement Learning [114.9857000195174]
  深い強化学習を産業的に広く採用する上での大きな課題は、プライバシー侵害の潜在的な脆弱性である。 本稿では, 深層強化学習アルゴリズムの脆弱性を検証し, メンバーシップ推論攻撃に適応する対戦型攻撃フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-08T23:44:57Z)
• Deep reinforcement learning with a particle dynamics environment applied to emergency evacuation of a room with obstacles [3.031582944011582]
  本研究では,最も速い避難経路を見つけるためにエージェントを訓練するために,社会力モデルと連動して深層強化学習アルゴリズムを開発する。 まず, 障害のない部屋の場合, 結果として生じる自己駆動力は, 社会的力モデルのように出口に直接向けられることを示す。 本手法は, 障害物が凸である場合に, 社会力モデルと類似した結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-11-30T19:34:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。