[Paper] 学习基于事件的射击模型来自虚拟现实实验

请提供您希望翻译成简体中文的完整文本（除代码块和 URL 之外），我会在保持原有格式、Markdown 语法和技术术语的前提下为您进行翻译。

Overview

本文提出了一种数据驱动的离散事件模拟器，用于学习射手在虚拟现实（VR）学校枪击情境中的行为。通过从真实参与者中提取随机运动和行动模式，作者创建了一个高至中保真度的替代模型，可用于测试和训练自主安全干预措施——例如机器人防御者——而无需反复招募人类受试者。

关键贡献

• VR 派生行为模型： 捕捉射手的移动和区域内动作，将其视为从实际 VR 实验中学习到的随机过程。
• 离散事件仿真（DES）框架： 将学习到的过程转化为可扩展的仿真器，能够再现关键的经验模式。
• 干预评估流水线： 演示如何利用仿真器在大规模上评估基于机器人的射手干预策略。
• 数据驱动策略学习的概念验证： 表明干预策略可以在仿真中迭代优化，随后再进行任何真实环境或人机交互测试。

方法论

1. 收集 VR 数据： 参与者在虚拟学校布局中扮演射手进行导航。记录他们的轨迹、停留时间以及武器使用决策。
2. 提取随机原语：
   • 移动：将其建模为离散区域（如走廊、教室）上的马尔可夫链。通过观察到的区域间跳转来估计转移概率。
   • 行为：将射击、装弹或暂停等行为建模为泊松过程或分类过程。
3. 构建离散事件模拟器：
   • 将学校环境离散化为“事件”（进入区域、开火、装弹等）。
   • 模拟器从学习得到的分布中抽样，以生成合成的射手情景。
4. 验证模拟器： 将模拟指标（如首次射击时间、区域访问频率）与原始 VR 数据进行比较，以确保逼真度。
5. 测试干预策略： 在模拟中加入具有预定义策略（例如巡逻‑后拦截）的机器人防御代理，测量其对射手结果的影响。

结果与发现

• 保真度: 模拟射手行为在 9 项关键指标中有 7 项与 VR 基准相匹配（例如，平均路径长度、射击延迟），确认离散事件仿真（DES）捕捉了关键动态。
• 干预影响: 机器人防御者在仿真中将平均射击次数降低约 38 %，并将射手到达目标区的时间延长约 22 %。
• 可扩展性: 在普通笔记本电脑上运行 10,000 次合成情景耗时不足 30 分钟，这在使用真人参与者的情况下是不可行的。

实际意义

• 快速原型化安全机器人： 开发者可以在虚拟沙盒中迭代机器人巡逻算法、传感器布局和决策阈值，然后再进行现场试验。
• 成本效益高的政策测试： 学校和安全机构可以评估数十种“假设”干预措施（例如封锁程序、自动警报），而无需反复进行 VR 研究所带来的后勤负担。
• 强化学习训练数据： 模拟器可以生成大量标注的交互数据，用于训练能够学习最优拦截策略的 RL 代理。
• 监管沙盒： 政策制定者可以利用该框架在受控且可复现的条件下模拟新安全技术的社会影响。

Source: …

限制与未来工作

• 行为真实感上限： 该模型将射手决策抽象为区域级马尔可夫过程，可能会遗漏细致的战术推理（例如视线规划）。
• 向真实世界的迁移： 虽然模拟器能够反映 VR 中的模式，但将其桥接到实际物理环境和真人射手仍是一个未解决的挑战。
• 干预多样性： 本研究仅评估了一种机器人策略；未来工作应探索更广泛的自主体、多人机器人协同以及非机器人干预（如动态照明）。
• 自适应对手： 引入对手学习，使射手能够适应防御者的策略，可能会产生更具鲁棒性的安全策略。

底线： 通过将 VR 收集的射手数据转化为快速、基于数据的离散事件模拟器，作者为开发者提供了一个实用工具，以规模化设计和评估自主校园安全干预——将原本成本高、人工密集的过程转变为可重复、算法友好的工作流。

作者

• Christopher A. McClurg
• Alan R. Wagner

论文信息

• arXiv ID: 2602.06023v1
• 分类: cs.AI, cs.RO
• 发表时间: 2026年2月5日
• PDF: 下载 PDF