Frühe regelbasierte Ansätze (1970er–1980er Jahre)
Die Suche nach einer Automatisierung der Grundrissgestaltung begann bereits in den 1970er Jahren. Einer der ersten konzeptionellen Meilensteine war die Einführung der Formgrammatiken durch Stiny und Gips im Jahr 1971 – ein formales regelbasiertes System zur Generierung von Entwürfen, einschließlich architektonischer Layouts, mittels rekursiver Formtransformationsregeln. Diese frühen Ansätze waren weitgehend symbolisch oder regelbasiert: So versuchte beispielsweise Friedman 1971 in seiner Arbeit eine algorithmische Raumplanung, und Mitchell legte 1976 in seiner Theorie eine Methode zur Aufzählung möglicher Raumaufteilungen dar. In den späten 1970er und 1980er Jahren untersuchten Forscher Expertensysteme und heuristische Regeln für das „Problem der Raumzuweisung”. Shavivs Arbeiten von 1974 und 1987 zur computergestützten Raumzuweisung veranschaulichten die logikgesteuerten Methoden der damaligen Zeit für die Layoutplanung.
Optimierung und evolutionäre Methoden (1990er–2000er Jahre)
In den 1990er Jahren verlagerte sich die KI in der Architektur hin zu Such- und Optimierungsalgorithmen, um die kombinatorische Komplexität von Grundrissen zu bewältigen. Pionierarbeit von John Gero und Kollegen führte evolutionäre Algorithmen für die Grundrissgestaltung ein: Jo und Gero (1996) simulierten einfache Architekturpläne mithilfe genetischer Algorithmen, und Rosenman et al. (1997) erweiterten dies durch die Kombination genetischer Algorithmen mit genetischer Programmierung. In den späten 1990er Jahren wandten mehrere Forscher evolutionäre Strategien an, um räumliche Konfigurationen zu generieren.
Anfang der 2000er Jahre kam es in diesem Bereich zu einer Verbreitung heuristischer Methoden wie Simulated Annealing und hybrider Methoden, die evolutionäre Algorithmen mit Constraint Programming oder Formgrammatiken kombinierten. Ein bemerkenswerter Trend war die Verwendung der Mehrzieloptimierung, um funktionale Anforderungen mit Leistungskriterien in Einklang zu bringen.
Datengesteuerte Paradigmen und wichtige Wendepunkte (2010–2015)
Eine entscheidende Wende brachte die Veröffentlichung von Paul Merrell et al. aus dem Jahr 2010 mit dem Titel „Computer-Generated Residential Building Layouts” (Computergenerierte Grundrisse für Wohngebäude). Darin wurden ein Bayesianisches Netzwerk vorgestellt, das anhand realer Grundrisse trainiert wurde, um Raumverbindungsmuster zu lernen, sowie ein stochastischer Optimierungsschritt für die Layoutgeometrie. Diese Arbeit markierte den Beginn referenzieller Methoden, die aus früheren Konstruktionsdaten lernen.
In der Folge entstanden erste Ansätze des maschinellen Lernens zur Analyse und Beschriftung von Architekturzeichnungen. Es handelte sich um Übergangsjahre, in denen traditionelle regelbasierte Methoden neben datengesteuerter Modellierung existierten und auf größere Datensätze und leistungsfähigere Lernframeworks gewartet wurde.
Revolution der tiefen generativen Modelle (2016–2020)
Mit Deep Learning wurden erhebliche Fortschritte bei der automatisierten Generierung von Grundrissen erzielt. Große Datensätze wie RPLAN (2019) und LIFULL Home Dataset ermöglichten das Training tiefer neuronaler Netze. Anfängliche CNN-basierte Methoden hatten Schwierigkeiten mit der Konsistenz mehrerer Räume, aber Generative Adversarial Networks (GANs) veränderten die Landschaft.
- House-GAN (2020): Einführung eines graph-constrained GAN zur Generierung von Layouts aus Blasendiagrammen unter Verwendung von graph neural networks.
- Graph2Plan, FloorplanGAN und House-GAN++ verbesserten den Realismus und die Layout-Kohärenz weiter.
- Die Modelle konnten nun sowohl gerasterte Grundrisse als auch präzise vektorbasierte Layouts mit hoher Genauigkeit generieren.
Auch die bedingte Generierung wurde weiterentwickelt, sodass nun Layouts innerhalb fester Grenzen oder unter Berücksichtigung von Raumangrenzungsbeschränkungen generiert werden können.
Jüngste Fortschritte: Graphennetzwerke, mehrstöckige Modelle und Diffusionsmodelle (2021–2025)
Aktuelle Modelle zielen auf die Erzeugung mehrstöckiger Gebäude und die Verfeinerung von Grundrissen mithilfe fortschrittlicher Architekturen ab:
- Building-GAN (2022) und Building-GNN (2023): Generieren von gestapelten Grundrissen mithilfe von graphischen neuronalen Netzen.
- HouseDiffusion (2023): Wendet Rauschunterdrückung an, um aus Blasendiagrammen Raumpolygone zu generieren.
Neuere Modelle integrieren Bauvorschriften und reale Einschränkungen in die Layoutgenerierung. Diffusionsmodelle verbessern die Stabilität gegenüber GANs, und die Bewertungsmaßstäbe sind standardisierter.
Zunehmend liegt der Fokus auch auf textbasierter Generierung und der Integration mit großen Sprachmodellen (LLMs) für kurze Interpretationen und Co-Design.
Auf dem Weg in die Zukunft
Die Entwicklung von KI für die Erstellung von Grundrissen hat sich von symbolischen Systemen zu Deep-Learning-Modellen weiterentwickelt, die aus einfachen Eingaben realisierbare architektonische Entwürfe generieren können.
Wichtige Wendepunkte:
- 1971: Formgrammatiken
- 1990er Jahre: Genetische und Optimierungsalgorithmen
- 2010: Merrells Bayes'sche Layout-Synthese
- 2020er Jahre: Deep GANs, Diffusionsmodelle und Graphennetzwerke
Der Bereich entwickelt sich weiter in Richtung intelligenter Systeme, die die Absichten der menschlichen Gestaltung verstehen und funktional valide, kreative Architekturpläne erstellen. KI wird rasch zu einem Kooperationspartner in der Architekturplanung.