针对公共场合密集人群在紧急情况下疏散的危险性和效果不理想的问题，提出一种基于深度Q网络（DQN）的人群疏散机器人的运动规划算法。首先通过在原始的社会力模型中加入人机作用力构建出人机社会力模型，从而利用机器人对行人的作用力来影响人群的运动状态；然后基于DQN设计机器人运动规划算法，将原始行人运动状态的图像输入该网络并输出机器人的运动行为，在这个过程中将设计的奖励函数反馈给网络使机器人能够在"环境-行为-奖励"的闭环过程中自主学习；最后经过多次迭代，机器人能够学习在不同初始位置下的最优运动策略，最大限度地提高总疏散人数。在构建的仿真环境里对算法进行训练和评估。实验结果表明，与无机器人的人群疏散算法相比，基于DQN的人群疏散机器人运动规划算法使机器人在三种不同初始位置下将人群疏散效率分别增加了16.41%、10.69%和21.76%，说明该算法能够明显提高单位时间内人群疏散的数量，具有灵活性和有效性。

针对公共场合紧急情况下人群疏散困难和效果有限的问题，提出一种基于人机社会力模型的机器人疏散人群的方法。首先，基于原始社会力模型提出了一种新的人机社会力模型，该模型在原始社会力模型的基础上加入了机器人对人作用的人机作用力；然后，基于人机社会力模型提出一种新的利用机器人疏散人群的方法，该方法在人群疏散场景中加入运动机器人，通过机器人自身的运动，利用人机作用力影响周围行人的运动状态，减小行人之间的压力，从而达到加快人群运动速度、提高人群疏散效率的目的。在室内封闭场景人群逃生、两群行人交错这两种典型的疏散场景中分别进行仿真实验，并将实验结果与未加入机器人的人群疏散结果进行对比分析，实验结果表明，基于人机社会力模型的机器人疏散人群的方法能够明显加快人群的运动，提高人群的疏散效率。