Rané přístupy založené na pravidlech (70. a 80. léta)
Snaha o automatizaci návrhu půdorysů začala již v 70. letech. Jedním z prvních koncepčních milníků bylo zavedení gramatik tvarů Stiny a Gipse v roce 1971 – formálního systému založeného na pravidlech pro generování návrhů, včetně architektonických dispozic, pomocí rekurzivních pravidel transformace tvarů. Tyto rané přístupy byly převážně symbolické nebo řízené pravidly: například Friedmanova práce z roku 1971 se pokusila o algoritmické plánování prostoru a Mitchellova teorie z roku 1976 stanovila metodu pro výčet možných uspořádání místností. Na konci 70. a v 80. letech 20. století výzkumníci zkoumali expertní systémy a heuristická pravidla pro „problém alokace prostoru“. Shavivova práce z let 1974 a 1987 o počítačovém přidělování prostoru byla příkladem logicky řízených metod plánování rozvržení té doby.
Optimalizace a evoluční metody (90. a 2000. léta)
V 90. letech se umělá inteligence v architektuře posunula směrem k vyhledávacím a optimalizačním algoritmům, aby zvládla kombinatorickou složitost rozvržení. Průkopnická práce Johna Gera a jeho kolegů zavedla evoluční algoritmy pro návrh půdorysů: Jo a Gero (1996) simulovali jednoduché architektonické plány pomocí genetických algoritmů a Rosenman et al. (1997) tento přístup rozšířili kombinací genetických algoritmů s genetickým programováním. V průběhu druhé poloviny 90. let použilo několik výzkumníků evoluční strategie k generování prostorových konfigurací.
Na počátku 21. století se v této oblasti rozšířily heuristické metody, jako je simulované žíhání a hybridní metody, které kombinovaly evoluční algoritmy s programováním omezení nebo tvarovými gramatikami. Významným trendem bylo použití multi-objektivní optimalizace k vyvážení funkčních požadavků s kritérii výkonu.
Paradigmata založená na datech a klíčové body zlomu (2010–2015)
Zásadní změnu přinesla studie Paula Merrella a kol. z roku 2010 s názvem „Computer-Generated Residential Building Layouts” (Počítačem generované dispozice obytných budov). Představila bayesovskou síť, která byla trénována na reálných půdorysech, aby se naučila vzorce propojení místností, a stochastický optimalizační krok pro geometrii dispozice. Tato práce znamenala začátek referenčních metod, které se učí z předchozích návrhových dat.
Následně se objevily první pokusy o strojové učení zaměřené na analýzu a označování architektonických výkresů. Jednalo se o přechodné období, kdy tradiční metody založené na pravidlech koexistovaly s modelováním založeným na datech a čekalo se na větší datové soubory a výkonnější rámce pro učení.
Revoluce hlubokých generativních modelů (2016–2020)
Díky hlubokému učení došlo k významnému pokroku v automatizovaném generování půdorysů. Velké datové soubory, jako jsou RPLAN (2019) a LIFULL Home Dataset, umožnily trénování hlubokých neuronových sítí. Počáteční metody založené na CNN měly potíže s konzistencí více místností, ale generativní soupeřící sítě (GAN) změnily situaci.
- House-GAN (2020): Zavedení GAN s grafickými omezeními pro generování rozvržení z bublinových diagramů pomocí grafických neuronových sítí.
- Graph2Plan, FloorplanGAN a House-GAN++ dále zlepšily realističnost a soudržnost rozvržení.
- Modely nyní mohou generovat jak rastrové půdorysy, tak přesná vektorová rozvržení s vysokou věrností.
Pokročila také podmíněná generace, která umožňuje generování rozvržení v rámci pevných hranic nebo na základě omezení sousedství místností.
Nejnovější pokroky: grafové sítě, víceúrovňové a difúzní modely (2021–2025)
Nejnovější modely se zaměřují na generování víceúrovňových modelů a zdokonalování rozvržení pomocí pokročilých architektur:
- Building-GAN (2022) a Building-GNN (2023): Generování vrstvených půdorysů pomocí grafových neuronových sítí.
- HouseDiffusion (2023): Používá difúzní odšumování k generování polygonů místností z bublinových diagramů.
Novější modely integrují stavební předpisy a reálná omezení do generování rozvržení. Difúzní modely zlepšují stabilitu oproti GAN a hodnotící benchmarky jsou více standardizované.
Rovněž se stále více zaměřuje pozornost na generování podmíněné textem a integraci s velkými jazykovými modely (LLM) pro stručnou interpretaci a společný návrh.
Směrem k budoucnosti
Vývoj umělé inteligence pro generování půdorysů se vyvinul od symbolických systémů k modelům hlubokého učení, které jsou schopné generovat proveditelné architektonické návrhy na základě jednoduchých vstupů.
Klíčové mezníky:
- 1971: Tvarové gramatiky
-
- léta: Genetické a optimalizační algoritmy
- 2010: Merrellova bayesovská syntéza rozvržení
-
- léta 21. století: Hluboké GAN, difúzní modely a grafové sítě
Oblast se nadále posouvá směrem k inteligentním systémům, které rozumějí záměru lidského designu a vytvářejí funkčně platné, kreativní architektonické plány. Umělá inteligence se rychle stává spolupracujícím partnerem v architektonickém designu.