GPEvac：基于GNN的PPO自适应枪击事件疏散路径规划
事件
针对大规模枪击事件频发、受害者急需实时安全引导的问题，研究者提出GPEvac——一个基于图神经网络（GNN）与近端策略优化（PPO）的自适应疏散路径规划框架。现有方法要么被死死绑定在特定建筑布局上，要么在大规模场景中计算量爆炸，而现实中的官方指引往往只是简单建议“跑、躲、打”。
GPEvac的关键设计在于：采用边优先的顺序消息传递机制，并引入可学习的虚拟全局节点，从而同时捕捉局部与远距离依赖关系；生成的图嵌入被送入一个置换不变（permutation-invariant）的评分机制，使单一学习策略能够适用于拓扑结构和规模各异的建筑布局。大量仿真实验表明，GPEvac在不同建筑布局下均优于智能基线方法，显著降低了总威胁暴露量。
更值得关注的是效率：该系统在本地CPU硬件上仅需14.73毫秒即可计算出全局疏散路线，可与实时监控系统无缝集成。除枪击事件外，这套方法还可迁移到关键基础设施、智能交通等其他图结构决策领域，具备较强的通用性。
来源
本条目由采集管线自动抓取并发布，完整内容见下方来源链接。
*采集源：arXiv cs.AI*