“智绘蓝图”——基于生成式AI的建筑布局自动生成技术研究

近年来，人工智能（Artificial Intelligence，AI）的迅猛发展为各行各业带来了革命性的变革。建筑学，这一古老而富有创意的领域，在经历了模数化、计算性设计和参数化等阶段后，也步入了人工智能的新时代。在人工智能与建筑布局不断融合的未来，我们不应担心机器会完全取代人类设计师。相反，建筑布局的最终评价仍然以人为核心，因为建筑布局设计的根本目的是满足人类的需求和审美。人工智能的介入并非为了替代设计师，而是为了为建筑师提供更丰富的灵感、更高效的工作流程和更精确的数据支持，从而帮助他们节约不必要的时间本，将更多的精力投入到创意和细节的优化中。对于AI驱动的建筑布局方法而言，其总体框架如图1所示。

图1 人工智能作为建筑布局方法的框架

作为人工智能领域中的核心力量，深度学习技术已经发展至新的高度，特别是在卷积神经网络（Convolutional Neural Network，CNN）、循环神经网络（Recurrent Neural Network，RNN）以及生成对抗网络（Generative Adversarial Network，GAN）等关键领域取得了显著突破。这些先进的网络结构在图像识别、语音识别以及生成式处理等多元化领域中展现出了卓越的性能。我们的目标正是借助这些前沿的人工智能技术，以实现自动生成既具创新性又切实可行的建筑布局，从而推动建筑设计的智能化发展。

深度学习能够充分利用现有的建筑布局图作为训练数据集，通过深度挖掘这些布局图中的核心特征进行学习。在理解这些特征的基础上，深度学习模型能够加入创新性的元素，并在满足实际工程要求的约束条件下，生成既创新又可行的建筑布局图。这种方法在一定程度上实现了建筑布局图的自动化设计，为建筑设计师提供了强大的辅助工具。

1.卷积神经网络在建筑布局特征学习中的应用。本项目将采用前沿性的衍生CNN模型来分析和理解历史和现代建筑布局图，通过对建筑布局图的特征学习，模型将能够识别和提取关键的设计元素和布局规律。

2.生成对抗网络模型的训练与优化。本项目将重点研究和实施生成对抗网络，这是一种强大的生成式模型，能够创造出新的数据实例。通过细致的训练和调整，确保GAN模型能够准确模仿建筑布局的风格和结构，从而产生新颖而又符合实际设计原则的布局方案。

3.自动化生成创新且实用的建筑布局方案。利用经过充分训练的GAN模型，本项目将探索自动生成具有创新性和实用性的建筑布局设计。这包括根据特定的设计要求和约束，如地块形状、功能需求等，生成一系列可行的建筑布局选项，以供设计师和规划者进一步审查和选择。

建筑布局生成技术已经成为人工智能在建筑设计领域中的研究焦点。当前在建筑领域的发展总体框架如图所示。其中，基于CNN、GAN等深度网络模型的建筑布局生成算法最为常用，能够辅助设计师快速生成初始设计草案，并进行设计优化、设计变体等方面。在知网上选定关键词生成对抗网络与建筑布局获得数据，可得图2关键词聚类图，反应了生成对抗网络已经成为建筑布局领域的研究热点。

图2 关键词聚类图

目前，建筑布局自动生成方向的研究大部分以住宅或单个房间为例进行，相关学者有的来自计算机视觉与人工智能领域，也有的拥有建筑设计专业背景。Wang等将CNN应用到室内场景合成领域，通过自顶向下的模型训练，使得提出的算法能够在仅仅输入房间轮廓信息的条件下迭代生成室内场景布局。Huang等首先在155张住宅户型平面图上绘制功能色块图，并以不同颜色标记房间功能，然后用其训练一个GAN的衍生模型Pix2PixHD，训练后的网络模型能够根据新输入的功能色块图自动生成相对应的户型平面图。国内的小库团队于2017年宣布启动“罗塞塔计划”，通过StyleGAN模型学习海量的建筑设计案例，自动生成百万级的现代主义建筑风格素材库供设计师们参考。Steinfeld比较分析了Pix2PixHD和StyleGAN这两种模型在建筑设计领域的应用潜力，GAN结构网络对抽象特征强大的识别与归纳能力再次得到了验证。赵晶等也基于GAN模型在小尺度空间布局生成方面做了有益的探索，并指出今后的研究方向应着重考虑如何在确定约束框架下发挥GAN解决发散性问题的能力。

参考文献：

[1]     K. Wang, M. Savva, A. X. Chang, et al. Deep Convolutional Priors for Indoor Scene Synthesis[J]. ACM Transactions on Graphics, 2018, 37(4): 1-14.

[2]     W. Huang, H. Zheng. Architectural Drawings Recognition and Generation through Machine Learning[C]. Recalibration on Imprecision and Infidelity - Proceedings of the 38th Annual Conference of the Association for Computer Aided Design in Architecture, Dublin, Ireland, 2018: 156-165.

[3]     T. -C. Wang, M. -Y. Liu, J. -Y. Zhu, et al. High-Resolution Image Synthesis and Semantic Manipulation with Conditional GANs[C]. IEEE/CVF Conference on Computer Vision and Pattern Recognition, Salt Lake City, UT, USA, 2018: 8798-8807.

[4]     何宛余. 竞争、并存与共赢——智能设计工具与人类设计师的关系[J]. 景观设计学, 2019, 7(2): 76-83.

[5]     T. Karras, S. Laine, T. Aila. A Style-Based Generator Architecture for Generative Adversarial Networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2021, 43(12): 4217-4228.

[6]     K. Steinfeld. GAN Loci Imaging Place using Generative Adversarial Networks[C]. Ubiquity and Autonomy - Proceedings of the 39th Annual Conference of the Association for Computer Aided Design in Architecture, Dublin, Ireland, 2019: 392-403.

[7]     赵晶, 陈然, 鲍贝. 生成对抗网络在小尺度空间布局生成设计中的研究进展与未来展望[J]. 装饰, 2022, 3: 80-85.

l  创新点：

1. 生成式AI技术的集成。本项目将采用的生成式AI技术（如CNN、GAN等）应用于建筑布局设计领域，使得生成的布局方案符合用户需求，又具有一定的创新性和多样性。

2. 智能化需求分析。利用自然语言处理和计算机视觉技术，从用户输入中提取关键信息，如建筑风格、功能需求、预算限制等。

3. 智能优化与迭代。利用强化学习等技术，使AI模型能够不断学习和积累经验，提高生成方案的质量和效率。

l  项目特色：

1. 跨领域融合。本项目融合了建筑设计、人工智能、数据科学等多个领域的知识和技术，展现了跨领域融合的魅力和优势。

2. 实际应用前景广阔。本项目的研究成果可以广泛应用于城市规划、建筑设计、景观设计等领域，具有广阔的市场前景和应用价值。

3. 智能化与自动化。本项目通过集成AI技术和智能优化算法，实现了建筑布局设计的智能化和自动化，降低了设计师的工作强度，提高了设计效率和质量。

本项目将使用Python语言编写生成对抗网络的模型结构，并利用PyTorch深度学习框架构建项目平台。该技术基于生成对抗网络，并将已标注的建筑设计图作为数据集输入到判别器中，将其转译为图结构。同时，通过卷积神经网络构建的生成器来掌握输入图像和输出图像之间的内在建筑规则联系。随后，通过不断的训练和迭代，生成器与判别器将相互优化，最终得到一个针对该类型建筑的最佳模型。一旦拥有了这个最佳模型，面对新的用地需求时，只需对该模型提出适当的要求，即可生成相应的建筑设计布局图。拟定的技术路线详如图3所示。

图3 项目技术路线图

l  拟解决的问题：

1. 数据集的收集问题。网络上可供获取的建筑图纸数据集数量有限，且质量良莠不齐。在搜集这些数据时，必须谨慎考虑数据的合法性、隐私保护以及准确性，以确保所收集数据集的可靠性和有效性。收集到初步数据集之后，还需要采取措施对数据质量进行提升。经过这一系列严谨的步骤，能够为接下来的生成式AI模型训练打下坚实的数据基础，从而保障项目能够顺利推进并确保最终结果的精确性。

2. 生成建筑设计图的合理化问题。在遵循现有建筑法规、建筑构造规范、绿色建筑标准、人机工程学及可访问性标准，以及建筑信息模型规范等相关条例的基础上，我们将针对用户的特定需求，在空间布局和功能性等方面进行合理的建筑设计。通过组合与转化不同的建筑元素来掌握这些元素及其组合规则，并利用图神经网络结合人工设定的约束条件，对设计方案进行全面评估，以确定其合理性。

l  预期成果

1.     撰写研究报告一篇。

2.     撰写并公开发表学术论文1篇。

3.     将研究成果应用于实际，为建筑领域做出有益的推进。

1.第一阶段（2024.05-2024.10）

（1）完成相关文献资料收集和调研工作。

（2）进行建筑数据集的收集。

（3）通过对已有数据集进行生成对抗网络模型的训练得到建筑设计图纸，并对其结果进行分析。

第二阶段（2024.11-2025.04）

（1）通过模型训练结果不断调试与优化模型框架，从而获得一个较合理的生成式AI模型。

（2）撰写研究报告与学术论文各1篇。

解决方法

      1). 通过网络爬虫、寻找公开数据集或在相关机构网站寻找来获取建筑布局设计的图像和数据。

2). 与项目指导老师深入沟通以确保项目更加贴近实际，满足现实场景需求。