Les premières approches basées sur des règles (années 1970-1980)
La quête de l'automatisation de la conception des plans d'étage a commencé dès les années 1970. L'une des premières étapes conceptuelles importantes a été l'introduction des grammaires de formes par Stiny et Gips en 1971, un système formel basé sur des règles permettant de générer des conceptions, y compris des agencements architecturaux, via des règles de transformation récursive des formes. Ces premières approches étaient largement symboliques ou basées sur des règles : par exemple, les travaux de Friedman en 1971 ont tenté une planification algorithmique de l'espace, et la théorie de Mitchell en 1976 a présenté une méthode pour énumérer les agencements possibles des pièces. À la fin des années 1970 et dans les années 1980, les chercheurs ont exploré les systèmes experts et les règles heuristiques pour le « problème de l'allocation de l'espace ». Les travaux de Shaviv en 1974 et 1987 sur l'allocation d'espace informatisée illustrent les méthodes logiques utilisées à l'époque pour la planification de l'aménagement.
Optimisation et méthodes évolutives (années 1990-2000)
Dans les années 1990, l'IA en architecture s'est orientée vers les algorithmes de recherche et d'optimisation afin de gérer la complexité combinatoire des agencements. Les travaux pionniers de John Gero et de ses collègues ont introduit les algorithmes évolutifs pour la conception de plans d'étage : Jo et Gero (1996) ont simulé des plans architecturaux simples à l'aide d'algorithmes génétiques, et Rosenman et al. (1997) ont prolongé cette approche en combinant les algorithmes génétiques avec la programmation génétique. Tout au long de la fin des années 1990, de nombreux chercheurs ont appliqué des stratégies évolutives pour générer des configurations spatiales.
Au début des années 2000, le domaine a connu une prolifération de méthodes heuristiques telles que le recuit simulé et les méthodes hybrides combinant des algorithmes évolutionnaires avec la programmation par contraintes ou les grammaires de formes. Une tendance notable a été l'utilisation de l'optimisation multi-objectifs pour équilibrer les exigences fonctionnelles et les critères de performance.
Paradigmes basés sur les données et tournants décisifs (2010-2015)
Un changement décisif est survenu avec la publication en 2010 de l'article de Paul Merrell et al. intitulé « Computer-Generated Residential Building Layouts » (Aménagements de bâtiments résidentiels générés par ordinateur). Il présentait un réseau bayésien entraîné sur des plans d'étage réels afin d'apprendre les schémas de connectivité des pièces, ainsi qu'une étape d'optimisation stochastique pour la géométrie des plans. Ce travail a marqué le début des méthodes référentielles qui apprennent à partir de données de conception antérieures.
Par la suite, les premiers efforts d'apprentissage automatique ont vu le jour pour analyser et étiqueter les dessins architecturaux. Il s'agissait d'une période de transition où les méthodes traditionnelles basées sur des règles coexistaient avec la modélisation basée sur les données, dans l'attente de jeux de données plus importants et de cadres d'apprentissage plus puissants.
Révolution des modèles génératifs profonds (2016-2020)
Grâce à l'apprentissage profond, la génération automatisée de plans d'étage a connu des progrès significatifs. De grands ensembles de données tels que RPLAN (2019) et LIFULL Home Dataset ont permis l'entraînement de réseaux neuronaux profonds. Les premières méthodes basées sur les CNN ont rencontré des difficultés en matière de cohérence entre plusieurs pièces, mais les réseaux antagonistes génératifs (GAN) ont changé la donne.
- House-GAN (2020) : Introduction d'un GAN contraint par un graphe pour générer des agencements à partir de diagrammes à bulles à l'aide de réseaux neuronaux graphiques.
- Graph2Plan, FloorplanGAN et House-GAN++ ont encore amélioré le réalisme et la cohérence des agencements.
- Les modèles peuvent désormais générer à la fois des plans d'étage tramés et des agencements vectoriels précis avec une grande fidélité.
La génération conditionnelle a également progressé, permettant la génération de plans dans des limites fixes ou en fonction de contraintes d'adjacence des pièces.
Progrès récents : réseaux graphiques, modèles multi-étages et modèles de diffusion (2021-2025)
Les modèles récents visent la génération multi-étages et le raffinement de la disposition à l'aide d'architectures avancées :
- Building-GAN (2022) et Building-GNN (2023) : génèrent des plans d'étage empilés à l'aide de réseaux neuronaux graphiques.
- HouseDiffusion (2023) : applique la diffusion par débruitage pour générer des polygones de pièces à partir de diagrammes à bulles.
Les modèles plus récents intègrent les codes de construction et les contraintes du monde réel dans la génération des plans. Les modèles de diffusion améliorent la stabilité par rapport aux GAN, et les critères d'évaluation sont plus standardisés.
On s'intéresse également de plus en plus à la génération conditionnée par le texte et à l'intégration avec les grands modèles linguistiques (LLM) pour une interprétation rapide et une conception collaborative.
Vers l'avenir
Le développement de l'IA pour la génération de plans d'étage a évolué, passant de systèmes symboliques à des modèles d'apprentissage profond capables de générer des agencements architecturaux viables à partir de données simples.
Étapes clés :
- 1971 : grammaires de formes
- Années 1990 : algorithmes génétiques et d'optimisation
- 2010 : synthèse bayésienne de Merrell
- Années 2020 : GAN profonds, modèles de diffusion et réseaux de graphes
Le domaine continue d'évoluer vers des systèmes intelligents qui comprennent l'intention de conception humaine et produisent des plans architecturaux créatifs et fonctionnellement valables. L'IA devient rapidement un partenaire collaboratif dans la conception architecturale.