Vadere人群仿真参数调优：让疏散模拟更接近真实行为

把已经建好的Vadere场景跑起来很容易，难的是参数设置。场景文件决定能不能跑，参数调整决定跑得像不像人。我最早用Vadere做某高校教学楼疏散模拟时，第一次跑出来的结果差点让我以为软件装错了：一百多人从二楼涌向室外，前后只用了四十多秒，画面里所有人都像急着下班一样笔直往外冲。后来回头逐项检查默认参数才发现，时间步长、行人期望速度、斥力作用距离这几个参数叠加在一起，等于把所有人都设置成了“无感加速超人”。这篇就专门聊一聊人群仿真里的参数调整——不是教你逐项翻译界面，而是讲清楚每个关键参数背后的物理含义、影响方向、合理区间，以及我实际调参时踩过的坑。适合已经会搭建Vadere基本场景、但总觉得仿真结果“不对劲”的朋友。

1. 参数设置为什么值得单独开一篇：一个“看起来能跑”的错误案例

1.1 我那次“过于顺利”的疏散仿真

先说那次让我警觉的经历。场景本身不复杂：某高校教学楼一层到二层的某个疏散分区，三个小教室共一百二十人左右，两个出口通向室外。地形搭建、人群生成、出口目标这些步骤我之前已经跑通过，便直接用了软件默认参数启动仿真。屏幕上，代表行人的小圆点确实会避开障碍物，也确实会在门口减速排队，但我总觉得哪里不对。

把导出数据拉出来一看：平均每人从起点到室外的总耗时不到四十秒，出口处最大密度只有每平方米一点多人，全程几乎没有出现明显的拥堵排队。这个结果放在纸面上非常漂亮，但我很清楚现实里同时从三个教室涌向同一个楼梯间是什么场面——不堵个一两分钟根本出不去。问题不在场景，而在参数：默认期望速度是按开阔道路散步标准设置的，斥力作用距离又太短，导致行人之间保持的距离远小于真实社交边界，整个出口区域变成了“高效流水线”。

这次经历让我彻底改掉了“建好场景直接跑”的毛病。人群仿真跟CFD仿真有个特别像的地方：网格、边界和物理模型只是基础，真正决定结果可信度的，是那一堆看起来不起眼的数值参数。Vadere允许你事后再调，但如果你不知道每个参数在改什么，调十遍也还是在碰运气。

1.2 参数到底在改什么：给虚拟行人“定性格”

我一直觉得，把Vadere里的每个行人看作一个“有脾气的演员”，参数设置就相当于给演员写人设说明书。期望速度决定他走路是悠闲还是匆忙；斥力范围决定他讨厌别人靠多近；身体力和摩擦力决定他被挤到时的反应是硬扛还是侧身让开；噪声系数则决定他的步态是笔直笃定还是走走停停。

默认参数本质上来自经典论文的平均标定值，它的适用场景是一个“中等偏空旷”的理想环境。一旦你的场景是狭窄走廊、高密度排队、对向人流相撞，或者人群里有老人、儿童、携带行李者，默认值就会失真。这也是为什么参数调整必须成为Vadere工作流里的正式环节，而不是出问题后再补救的动作。建模的人常说“垃圾进，垃圾出”，在参数没校准时，这句话会被放大十倍。

2. 核心参数逐项拆解：物理含义、常见取值与调试方向

2.1 时间步长：整个仿真的“节拍器”

先看一个最容易被忽略的参数——仿真时间步长。Vadere的连续型模型（比如社会力模型）本质上是在每个时间步里对位置和速度做数值积分。步长越小，轨迹越平滑，但相同仿真时长下的计算次数成倍增加；步长太大，行人可能在一次更新中“跳”过半个身体的距离，出现穿模、抖动、速度突变等肉眼可见的假象。

我通常的做法是：先看默认值跑出来的轨迹文件，如果轨迹线是锯齿状、或者行人会在平地上莫名其妙地来回抖动，第一时间把时间步长从默认值调小。常用的起步值是0.1秒，放到0.05秒会更稳，但除非你是要拿轨迹做精密分析，否则没必要把计算量翻五倍。做流量统计或疏散总时间这类宏观指标时，0.1到0.2秒是性价比很高的区间。有个判断原则：一个时间步内，最快行人移动的距离不要超过他自身半径的一半，否则碰撞检测形同虚设。

2.2 社会力模型的三大核心力：斥力、摩擦与身体力

Vadere里最常用的连续型模型是社会力模型，它的核心思想是：行人的运动受到“驱动力”和“相互作用力”的合力驱动。相互作用力里三个最值得调的参数是斥力强度、摩擦系数和身体力。

这三个数据之间也存在明显的“联动关系”。如果你发现行人身体重叠严重，第一反应不该是无脑调大斥力，而是先看看时间步长是不是太大导致穿透，再看身体力是否足以在接触时产生排开效果。反过来，如果你发现行人之间的距离明显大于现实中并肩行走的状态，说明斥力强度或斥力范围偏大。下面给出一组我习惯的起步参考值。

2.3 行人个体参数：期望速度、速度分布与半径

行人个体参数直接影响“这个人走得多快、体型多大”。Vadere默认的行人期望速度通常基于开阔平地的步行统计数据，均值大约每秒1.34米，标准差约0.26米每秒。这个组合代表的是一个健康成年人在无阻碍情况下的自然步速分布，适合常规办公或教学场景。

但真实疏散有自己的特殊性。疏散场景里有人会快走甚至小跑，有人会犹豫、回头、停下来确认路线。如果只是把速度均值从1.34调到2.0，会让所有行人都变成匀速快走，画面整齐得反而不像人流。我的建议是：低速端和高速端都要覆盖，把标准差适当放宽到0.3到0.4，再配合噪声参数制造“个体差异感”。如果你模拟的是地铁站早高峰，均值1.2到1.4没问题；如果模拟的是商场火灾疏散，均值可以上到1.6到1.8，但一定要保持标准差，否则所有人会在同一时间涌到出口，产生虚假的峰值拥堵。

行人半径同样重要。默认半径通常在0.18到0.2米左右，对应的身体宽度比较接近正常成年人的单人通行需求。当你把半径调大到0.25以上，走廊和出口的通过能力会肉眼可见地下降，这在模拟轮椅、推车或携带大件行李的场景里是有意为之。调半径之前先想清楚：你的目标是模拟“普通人群”还是“某类特殊人群”。

2.4 噪声与随机种子：可重复性与“真实感”之间的平衡

Vadere里给行人速度施加随机扰动，是为了避免仿真变成“所有人都在走平行线”的机械化运动。真实行人走路不会保持恒定速度，会有微小加减速、方向试探和犹豫。噪声系数就是用来表达这种不确定度的。

但噪声不是越大越好。我见过有人把噪声调得过高，结果行人轨迹变成布朗运动，明明一条直走廊，每个人都在原地扭来扭去，疏散时间被无意义地拉长。噪声的合适尺度应该是：让轨迹有轻微摆动，但宏观上仍然顺着最优路径走。如果你发现仿真结果对随机种子特别敏感，同一组参数换一个种子，疏散时间就波动百分之十几，那说明噪声偏大，或者场景本身存在瓶颈导致排队状态对初始扰动过于敏感。

随机种子本身也有用途。做方案对比时，不同方案应该用同一批种子，否则你会把“随机波动”误判成“方案优劣”。做结果汇报时，则应该跑多个种子取平均值和标准差，才能给出可信的区间。Vadere里的随机种子设置了以后，同一参数可以完全复现结果，这是排查参数问题的好帮手——你觉得哪个参数影响了行为，固定种子改一个值，跑两次，差异就清晰可见。

3. 一个真实调参过程：从异常拥堵到基本成型

3.1 目标场景与第一版参数

为了避免空谈，我用一个实际调过的案例复盘整个过程。场景是一个单层建筑模块：一段三十米长的走廊，两侧分布四个房间，走廊尽头一个三米宽的大门作为唯一出口。初始人数两百人，分布在各房间内，模拟的是课间集中离开教学楼的状态。这个场景的特点是走廊不够宽、出口相对集中，天然容易形成排队。

第一版参数我直接沿用了前一个项目的一组设定：社会力模型、时间步长0.4秒、期望速度均值1.34米每秒、标准差0.26、斥力强度800牛、斥力范围0.3米、摩擦系数120牛、身体力1700牛。当时想的是“反正是标准配置，先跑一版看看”。

3.2 首轮运行的异常现象与诊断

第一轮结果出来后，我导出疏散时间曲线和密度热图，发现了三个值得注意的现象。

第一个现象是出口前出现了明显的“菱形堆积”。密度热图上，出口前一小片区域的密度超过了每平方米五人，但周围两米外密度迅速跌到每平方米一人以下。这说明行人没有被有效疏导，所有人都在最后两米才开始减速排队，缺乏提前调整路径的行为，和真实中“在远处就开始选择队列”有明显差距。

第二个现象是部分行人轨迹出现了高频抖动。把单个行人的轨迹放大看，他在接近出口等候区域时会前后往复小幅移动，看起来像是“犹豫不决”。这通常由时间步长过大、斥力作用范围过短共同导致：行人每一步都走得太远，一进入排斥区域就猛踩刹车，下一步又因为驱动力而加速，形成振荡。

第三个现象是整体疏散时间偏长。两百人花了近三分钟才全部撤离，按这个门的宽度和走廊尺寸来看，明显高于合理预期。

3.3 逐项调整：一次只动一个旋钮

我按“先调步态、再调社交距离、最后调出口博弈”的顺序来做，每次只改一个参数并保留前后对比记录。

第一步把时间步长从0.4秒降到0.1秒。复跑之后，轨迹抖动基本消失，疏散时间略微缩短，说明之前有一部分时间浪费在了原地振荡上。但出口前的高密度堆积依然明显。

第二步把斥力作用范围从0.3米扩大到0.5米，同时把斥力强度从800牛降到600牛。这样做的逻辑是：让行人更早感知到前方人群并提前减速，但又不至于在较远距离产生过强的排斥，否则走廊里的行人会分散得过于松散。复跑后，出口前的密度峰值从每平方米五人降到每平方米不到三人，排队区域变长、更均匀，视觉上已经接近真实排队。

第三步调整噪声系数并重设随机种子。之前用的噪声强度偏高，导致行人到达出口时选择路径的随机性太强，经常出现“左看一眼右看一眼再决定走哪边”的反复。我把噪声降低三分之一后，整体行为稳定了很多。固定同一批随机种子，连续跑了五组，疏散时间的波动从原来的正负十五秒缩小到正负六秒。

3.4 调整后的结果对比

调整前后的关键指标放在一起看会非常直观。

疏散时间变短并不是因为我把行人调得更快，而是因为减少了无效振荡和无效等待。密度峰值降下来，意味着排队行为更接近真实：人们从远处就开始放慢脚步，而不是冲到门口再挤成一团。对我而言，这个“变了慢反而更快”的结果，恰恰说明参数调整不是调速度，而是调行为。

4. 参数是否靠谱：用经验规律和数据说话

4.1 视觉“顺眼”不等于可信

很多新手判断参数好坏只有一个标准：画面看起来舒服不舒服。画面顺眼当然重要，但它只能说明“没有明显的物理穿模”，不能说明“行为符合人群运动规律”。

举个例子，一条四点五米宽的走廊里，两百个人排成绝对等间距的整齐队列鱼贯而行，画面非常“顺眼”，可现实中根本不会出现如此规整的队形。真实人流会自然形成局部簇拥和间歇性空档，前方的人稍微一慢，后面就堆成一团，过一会儿又散开。这种“时密时疏”的波状特征，是社会力模型最擅长复现的东西。如果你的仿真从头到尾都均匀得像沙丁鱼罐头，那大概率是噪声设低了或斥力设置把人与人之间的交互过度平滑了。

所以我的建议是：不要只盯着3D视角看，养成导出定量指标的习惯。疏散总时间、出口通过率、密度热图、单个行人轨迹，这四样东西结合着看，才能判断参数是“看起来好”还是“真的对”。

4.2 用密度-流量基本图给参数做体检

人群仿真领域有一个非常经典的定量工具叫基本图，描述的是人流密度与流量之间的关系。简单来说，在走廊这类线形空间里，刚开始人越多，单位宽度通过的流量越大；但密度超过某个阈值后，人与人之间互相阻碍，流量反而下降。真实测量数据显示，单向行人流的流量峰值大致出现在密度接近两人每平方米的位置，对应的单位宽度通过流量在每秒每米一点二到一点五人之间。

这个经验值可以直接用来给Vadere参数做“体检”。我的做法是在Vadere里单独建一条长走廊测试段：一端持续生成行人，另一端设置目标，中间拉一条横向测量线统计流量。让行人数量从少到多逐步递增，记录每个密度下的流量，画出来的曲线如果峰值密度和峰值流量与经验范围偏离过大，就说明参数有问题。比如我曾经调出一组参数，流量峰值出现在密度三人每平方米才出现，明显过于“耐挤”，后来把摩擦系数调低一些才回到正常范围。

4.3 疏散时间的经验估算与多次运行统计

除了基本图，疏散总时间也有粗略的估算办法。一个三米宽的门，按常见的单股人流通行能力来估算，单位宽度最多通过每秒一点二到一点五人。如果两百人从房间到出口的平均步行距离是四十米，最快行人走过去大约需要三十秒，排队部分是疏散时间的绝对大头——保守估计一百五十秒左右是合理的。如果你的仿真结果比这个估算快一倍，十有八九是参数把出口通行能力放大了。

同时要养成多次运行取平均的习惯。人群仿真自带随机性，跑一次的结果只能算一个样本。我通常固定五到十个随机种子，跑完以后看均值和标准差。标准差大说明场景对初始扰动敏感，这时候与其继续调参数，不如先思考瓶颈设计是否合理。真实疏散中，一个宽度设计不足的门口，随机性影响就是很大，这一点参数再怎么调也掩盖不了。

5. 我反复踩过和见过的参数陷阱

5.1 最大的坑：把参数微调当成“玄学”

接触Vadere两年左右的时候，我一度陷入一种状态：看到结果不对，不先分析原因，而是凭感觉把斥力、摩擦、噪声各调一点，期望“歪打正着”。这种做法偶尔能碰对，但多数时候越调越乱，因为参数之间存在交互，你根本无法判断是哪一步起到的作用。

后来定了一个强制流程：每次只改一个参数，记录改动前后的指标变化；任何一组对比都固定随机种子；每一次调参之前先写下“我认为这个改动会产生什么影响”的预测。如果实测结果与预测相反，那才是最有价值的信息——说明我对某个参数的理解有偏差，需要回去翻文献或重新读模型原理。这套流程听起来笨，但效率远高于乱试。

5.2 高密度场景下的模型选型问题

再强调一次，参数调整不能脱离模型谈。Vadere里有社会力模型、梯度导航模型、最优步速模型等多种选择，它们的参数体系不同，适用场景也不同。社会力模型在低密度、平滑流动场景里表现很好，但在高密度、强拥堵场景下容易出现振荡和卡死。最优步速模型基于空间栅格做决策，在出口拥堵、狭窄通道这类场景里更稳定，但它的栅格大小会直接影响结果精度。

我遇到过一位同行，用社会力模型模拟早高峰地铁站台，怎么调参数都不对，出口流量总是忽高忽低。后来换成空间离散类的模型，同样的场景和人数，几分钟就调出了稳定结果。与其在一个模型里死磕参数，不如先评估模型选择是否匹配场景。参数调整的边界，就是模型能力本身的边界。

5.3 一组在我项目中比较稳妥的起始参数

最后分享一组我目前在常规建筑疏散项目中比较常用的起始参数，供参考。它不是万能配方，但至少不会让你第一轮跑出来的结果离谱。

这些数值来自我对多个项目结果的回溯，针对普通成年人群、常规公共建筑场景。真要做到和特定场地吻合，建议配合实际人流观测或参考已发表的实验数据做标定。我也还在持续调整自己的参数库，每一轮新的仿真项目结束，都会把结果填进对照表里，看看哪些参数在哪种场景下表现稳定、哪些参数需要按场景换挡。这种“把经验沉淀成表格”的习惯，比记住任何单一一组推荐值都更有用，希望你也能在调参过程中建立起属于自己的参数档案。