利用深度强化学习与边界自适应遮蔽技术自动生成住宅用地规划布局
《BUILDING AND ENVIRONMENT》:Automated generation of residential site plan layouts via deep reinforcement learning and boundary-adaptive masking
【字体:
大
中
小
】
时间:2026年07月02日
来源:BUILDING AND ENVIRONMENT 8.4
编辑推荐:
郑航仁|李子康|边洪斌|赵健天津大学建筑学院,中国天津300072摘要住宅用地规划布局的设计属于组合优化问题,且需遵循严格的法规限制。在规划布局生成的初始阶段,了解在边界、间距及日照时长等约束条件下的场地容量范围,对于项目的可行性及后续设计决策至关重要。然而,现有的计算方法在处理
郑航仁|李子康|边洪斌|赵健天津大学建筑学院,中国天津300072摘要住宅用地规划布局的设计属于组合优化问题,且需遵循严格的法规限制。在规划布局生成的初始阶段,了解在边界、间距及日照时长等约束条件下的场地容量范围,对于项目的可行性及后续设计决策至关重要。然而,现有的计算方法在处理高维搜索空间及紧密关联的法规约束时,往往需要手动指定放置规则或依赖标注好的布局数据集。本研究提出了一种基于深度强化学习 的自动规划布局生成框架。该框架将布局任务视为马尔可夫决策过程,并运用近端策略优化算法引导智能体探索最优放置策略。同时引入了边界自适应掩码机制,以实现针对未知场地几何形态的零样本迁移。此外,还开发了高性能的基于张量的日照模拟引擎,以解决环境反馈带来的计算瓶颈。实验结果表明,该深度强化学习智能体无需任何手动设定的布局规则,即可自主发现符合规划逻辑的放置方案。在实际及小型住宅场地的验证中,训练得到的策略通常能实现与传统方法相当甚至更高的场地利用率,且推理时间可控制在亚秒级。这些结果表明,所提出的框架为在法规约束下进行以容量为导向的住宅用地初期规划提供了高效且可重复的计算方法。
引言住宅用地规划布局设计直接影响居民的生活质量、城市空间效率以及可持续发展[1][2]。随着城市面积的不断扩大以及土地资源的日益稀缺[3],如何在严格的法规约束下充分挖掘场地潜力并实现高效的土地利用,已成为当代城市发展中的关键挑战[4][5][6]。在规划布局设计的初期阶段,首要任务是进行场地整体规划——通过初步探索来回答这样一个基本问题:“该场地合法可容纳多少栋建筑?”[7]本研究将场地整体规划作为生成规划布局的计算模型。具体而言,布局生成问题被定义为在边界、间距及日照时长等强制约束条件下,以固定原型为基础的、以容量为导向的顺序放置问题。与关注能源效率或热舒适度的性能优化不同,场地整体规划本质上是一个复杂的几何约束满足问题[8][9]:给定一个场地和一组建筑原型,目标是在满足日照时长、建筑间距及消防安全距离等相互关联的严格约束的同时,找到能够最大化开发强度的布局方案[10][11]。这样的合规布局为后续的所有精细化设计及性能优化提供了基础条件。从计算科学的角度来看,这个问题被公认为是NP难问题[12]。由于布局空间的维度极高,且各种约束条件之间存在非线性耦合,设计师往往难以在海量可能性中找到既能完全满足所有严格约束又能实现最大土地利用效率的解决方案。此外,实际工程不仅需要确定场地的容量上限,还需要生成多种高质量、符合要求的布局方案以便进行多方案比较,这进一步增加了自动化布局技术面临的难度。长期以来,住宅用地布局设计一直高度依赖建筑师的专业经验及手工迭代。在初期场地规划阶段,设计师必须快速测试在满足场地边界、建筑间距及日照时长等强制规划约束的前提下,能够容纳多少标准化的住宅单元。这一过程通常需要反复试错,从而限制了实际可探索的方案数量[13]。近期一些着眼于可持续发展的住宅用地布局研究也强调了需要在有限的计算时间内生成大量多样化的候选设计方案[13][14]。为满足这一需求,以往的研究开发出了多种计算方法。主要方法包括基于约束的及基于优化的场地布局生成方法,以及用于城市和场地布局的数据驱动生成模型。基于规则、基于网格、参数化及基于优化的方法长期以来一直被用于建筑和城市布局生成,因为它们能够将专业设计知识转化为明确的几何操作指令。在更广泛的领域中,这类方法已被应用于住宅布局设计[15]、集体住宅决策支持系统[16]、城市街区生成[17],以及基于真实城市场景的建筑物布局草图生成[18]。在住宅用地及公寓群规划方面,这类方法的优势尤为明显:场地边界、建筑间距规则、建筑密度指标、建筑覆盖率、建筑高度限制等规划要求都可以以透明且可控的方式被编码进来。例如,Sung和Jeong提出了一种基于Grasshopper的网格计算方法,用于高层公寓群的规划,该方法根据建筑轮廓及最小间距规则,依次将场地边界内的区域标记为可用、已占用或空闲状态[13]。Wu等人进一步提出了一种注重可持续发展的住宅用地布局框架,该框架在地块比例、场地覆盖度及最大建筑高度等规划约束条件下,整合了开发潜力计算、布局生成以及基于代理模型的可持续性评估功能[14]。基于约束的及基于优化的方法的优点在于其规范性强。由于场地边界、间距要求、建筑密度指标、建筑覆盖率、高度限制等规划约束都被明确编码,因此整个生成过程具有透明度,易于理解,建筑师或工程师可以方便地进行检查和调整。在住宅用地规划中,这一点尤为重要,因为遵守法规是必要条件,而非可选的设计偏好。不过,这种机制也存在一定的局限性。首先,启发式及多变量优化方法可能严重依赖于用户指定的建筑数量及初始布局,且可能需要较长的计算时间,或者容易陷入局部最优解[13]。其次,基于规则和基于网格的方法通常要求设计者或算法开发者亲自编写放置逻辑。它们的透明性和可控性源于预定义的规则,如放置顺序、网格搜索逻辑、优先级规则及距离标记流程。因此,生成布局的质量和适应性取决于这些人工制定的规则的质量;算法无法从约束条件和目标中自主发现隐含的放置策略。数据驱动的生成模型则通过从真实的城市或场地布局数据集中学习空间模式,提供了另一种解决方案。在建筑环境领域,基于GAN的模型已被视为适用于不同数据类型和空间尺度的通用方法体系[19]。在城市设计层面,Urban-GAN展示了如何通过对抗性学习生成多样化的城市形态,从而支持多元化的城市设计理念[20]。在建筑物布局生成方面,基于场地的GAN模型能够根据场地特征及建筑数量、建筑面积、平均高度等设计参数来生成布局方案[21],而CAIN-GAN则进一步整合了规划指导原则、情境约束条件以及注重可持续性的性能评估功能,用于自动化场地规划[22]。最近的研究还探索了基于扩散模型的城市形态生成方法,该方法能够处理多模态输入,展现了生成式人工智能在场地及城市形态探索方面的巨大潜力[23]。总体而言,这些研究表明,生成式人工智能能够减少手工布局的工作量,扩大设计搜索空间,并为早期规划阶段提供多样化的视觉方案。这类生成方法主要适用于学习形态模式、合成符合情境需求的替代方案,以及辅助视觉场景的探索。根据所使用的模型及应用场景的不同,这类方法的目标通常侧重于视觉真实性、语义合理性、属性一致性、空间多样性或可持续性表现。然而,对于初期需符合法规要求的场地规划而言,任务有所不同:布局方案不仅要具备合理性和多样性,还必须在探索场地容量范围的同时,始终符合边界、间距及日照时长等约束条件。Jiang等人指出,许多基于深度学习的生成式布局研究采用图像到图像的转换思路,但其输出结果多为二维像素图像,需要在后续处理才能用于性能评估或决策制定[21]。Sheng等人进一步发现,虽然生成式建筑布局模型具有一定效果,但往往需要大量由建筑师设计或处理的过往设计数据作为输入[24]。此外,除非引入额外的约束检查或后处理机制,否则生成的布局方案未必能满足场地边界有效性、建筑间距及日照条件等严格的规划约束。这些观察结果表明,自动化视觉布局生成与符合严格约束的容量探索虽存在关联,但并非同一类任务。总体来看,现有的方法为住宅用地规划布局的自动化生成做出了重要贡献。基于约束的及基于优化的方法在确保合规性方面优势明显,但往往需要手动指定放置规则、初始布局或反复调整参数。数据驱动的生成模型则提升了自动化程度并增加了设计方案的多样性,但它们主要是为学习空间模式及生成合理的布局方案而开发的,并非专为在严格规划约束下进行场地整体规划而设计。本研究所关注的初期场地规划任务更为具体:在固定住宅建筑原型的前提下,算法需要在满足边界、间距及日照时长等约束条件的同时,探索在未知场地上能够容纳多少标准化的住宅单元。由于每次放置都会改变剩余的可行空间,因此这项任务具有明显的顺序性。这就需要一种能够从约束条件和容量反馈中学习放置策略的决策框架。近年来,深度强化学习因其在处理复杂、高维空间决策任务方面的卓越能力,而在建筑和城市设计领域受到了广泛关注[25][26][27]。与传统优化方法不同,深度强化学习能够让智能体通过与环境的持续互动,学习出高度通用的空间组织策略[28]。迄今为止,深度强化学习已被应用于城市社区规划优化[24][29]、住宅室内布局生成[30],以及针对日照和风环境的需求进行性能驱动的设计优化[31]。鉴于深度强化学习能够通过与环境互动学习顺序决策策略,它为上述的自动化场地整体规划任务提供了理想的框架。本研究将深度强化学习引入规划布局生成过程,构建了一个集成张量加速模拟及动作掩码功能的自动化框架。其主要贡献如下:1. 一种无数据依赖、规则简单的顺序决策建模方法:该规划布局任务被建模为马尔可夫决策过程,其中的训练样本是通过智能体与环境的互动生成的,而非来自标注好的住宅布局数据集。智能体能够从约束条件和容量反馈中学习放置策略,从而减少对人工设计的布局序列、扫描顺序及初始放置设置的依赖。2. 在生成过程中考虑约束条件的容量探索:通过奖励设计、动作掩码以及STS日照反馈引擎,将边界、间距及日照时长等约束条件嵌入到决策过程中。这解决了以图像或模式为基础的生成方法的一个关键缺陷,即这类方法往往需要在生成之后再进行额外的合规性检查或后处理。在所提出的框架中,可行性评估是在顺序放置的过程中同步进行的,因此对更高标准化住宅容量的探索始终受到严格规划要求的约束。3. 边界自适应迁移机制:边界自适应掩码机制将场地边界及内部不可建设区域表示为标准化计算框架中的边界掩码。通过将场地几何信息作为推理时的掩码,相同的训练策略就可以应用于未知的场地边界,同时保留已学到的放置策略。
方法本研究提出了一种基于深度强化学习的自动规划布局生成方法。如图1所示,该方法包含三个关键阶段:1. 第一阶段:构建高性能的日照模拟引擎。借助M?ller–Trumbore算法和阴影模板减除算法,复杂的几何日照分析被转化为极快速的张量位移和减除运算,从而实现了高效的环境反馈。
实验设置与基准引擎日照模拟基准测试采用了两种引擎:Sunflower和Ladybug。Sunflower代表的是建筑设计实践中常用的基于Rhino/Grasshopper的商业日光分析工作流。Ladybug则是一种广泛应用于建筑物理及环境性能分析的工作流。这两种基准引擎的配置与STS方法相同,包括相同的建筑几何模型、采样区域、采样间隔、日期以及有效的日照时长窗口。
STS算法的计算复杂度与可扩展性STS算法的重要性不仅在于它能够大幅缩短计算时间,还在于它非常适合在强化学习中用于多次环境反馈。传统的日照模拟通常采用逐点累积的方式,每当布局发生变化时,都需要重新遍历所有的采样点、建筑遮挡物以及时间步。而STS算法则利用预先计算好的阴影模板,将整个场地的日照时长变化转化为张量位移操作。
结论本研究提出了一种基于深度强化学习的框架,用于在严格的规划约束条件下自动生成住宅用地规划布局。该框架整合了STS日照反馈引擎、基于PPO的顺序决策机制以及边界自适应掩码机制,从而能够高效地探索符合要求的住宅布局方案。主要结论如下:1. STS日照反馈引擎为布局生成提供了高效且一致的环境评估功能。根据CRediT作者贡献声明:任正航负责写作——审阅与编辑、写作——初稿撰写、可视化、方法论、研究设计、数据整理、概念构建。李子康负责可视化、验证、软件使用、数据整理。边洪斌负责监督、项目管理、概念构建。赵健负责监督、资源协调、项目管理、概念构建。利益冲突声明:作者声明不存在任何可能影响本文所汇报工作的已知财务利益或个人关系。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号