Vroege regelgebaseerde benaderingen (jaren 70-80)
De zoektocht naar automatisering van het ontwerpen van plattegronden begon al in de jaren 70. Een van de eerste conceptuele mijlpalen was de introductie van vormgrammatica's door Stiny en Gips in 1971 – een formeel, op regels gebaseerd systeem voor het genereren van ontwerpen, waaronder architecturale lay-outs, via recursieve vormtransformatieregels. Deze vroege benaderingen waren grotendeels symbolisch of regelgestuurd: zo probeerde Friedman in 1971 algoritmische ruimteplanning en stelde Mitchell in 1976 een methode voor om mogelijke kamerindelingen op te sommen. Tegen het einde van de jaren 70 en in de jaren 80 onderzochten onderzoekers expertsystemen en heuristische regels voor het 'ruimteverdelingsprobleem'. Shavivs werk in 1974 en 1987 over geautomatiseerde ruimteverdeling was een voorbeeld van de logica-gedreven methoden voor lay-outplanning in die tijd.
Optimalisatie en evolutionaire methoden (jaren 90-2000)
In de jaren 90 verschoof AI in de architectuur naar zoek- en optimalisatiealgoritmen om de combinatorische complexiteit van lay-outs aan te pakken. Baanbrekend werk van John Gero en collega's introduceerde evolutionaire algoritmen voor het ontwerpen van plattegronden: Jo en Gero (1996) simuleerden eenvoudige architecturale plannen met behulp van genetische algoritmen, en Rosenman et al. (1997) breidden dit uit door genetische algoritmen te combineren met genetische programmering. Gedurende de late jaren 1990 pasten meerdere onderzoekers evolutionaire strategieën toe om ruimtelijke configuraties te genereren.
In het begin van de jaren 2000 zag het vakgebied een wildgroei aan heuristische methoden zoals simulated annealing en hybride methoden die evolutionaire algoritmen combineerden met constraint programming of shape grammars. Een opvallende trend was het gebruik van multi-objective optimization om functionele vereisten in evenwicht te brengen met prestatiecriteria.
Datagestuurde paradigma's en belangrijke keerpunten (2010–2015)
Een cruciale verschuiving kwam met het artikel uit 2010 van Paul Merrell et al., getiteld "Computer-Generated Residential Building Layouts" (Computergegenereerde plattegronden van woongebouwen). Hierin werd een Bayesiaans netwerk geïntroduceerd dat was getraind op basis van echte plattegronden om patronen in de connectiviteit van ruimtes te leren, en een stochastische optimalisatiestap voor de geometrie van de indeling. Dit werk markeerde het begin van referentiële methoden die leren van eerdere ontwerpgegevens.
Hierna ontstonden de eerste pogingen tot machine learning om bouwtekeningen te analyseren en te labelen. Dit waren overgangsjaren waarin traditionele, op regels gebaseerde methoden naast datagestuurde modellering bestonden, in afwachting van grotere datasets en krachtigere leerkaders.
De revolutie van diepe generatieve modellen (2016–2020)
Dankzij deep learning werd er aanzienlijke vooruitgang geboekt op het gebied van geautomatiseerde generatie van plattegronden. Grote datasets zoals RPLAN (2019) en LIFULL Home Dataset maakten het mogelijk om diepe neurale netwerken te trainen. De eerste op CNN gebaseerde methoden hadden moeite met de consistentie tussen meerdere kamers, maar Generative Adversarial Networks (GAN's) veranderden het landschap.
- House-GAN (2020): Introduceerde een grafiekgebonden GAN om lay-outs te genereren op basis van bubbeldiagrammen met behulp van grafische neurale netwerken.
- Graph2Plan, FloorplanGAN en House-GAN++ verbeterden het realisme en de samenhang van de lay-out nog verder.
- Modellen konden nu zowel gerasterde plattegronden als nauwkeurige vectorgebaseerde lay-outs met hoge getrouwheid genereren.
Ook conditionele generatie werd verder ontwikkeld, waardoor lay-outs konden worden gegenereerd binnen vaste grenzen of op basis van beperkingen met betrekking tot de nabijheid van ruimtes.
Recente ontwikkelingen: grafische netwerken, modellen voor meerdere verdiepingen en diffusiemodellen (2021–2025)
Recente modellen zijn gericht op het genereren van meerdere verdiepingen en het verfijnen van de indeling met behulp van geavanceerde architecturen:
- Building-GAN (2022) en Building-GNN (2023): Genereer gestapelde plattegronden met behulp van grafische neurale netwerken.
- HouseDiffusion (2023): Past ruisonderdrukkende diffusie toe om kamerpolygonen te genereren op basis van bubbeldiagrammen.
Nieuwere modellen integreren bouwvoorschriften en praktische beperkingen in het genereren van lay-outs. Diffusiemodellen verbeteren de stabiliteit ten opzichte van GAN's en evaluatiebenchmarks zijn meer gestandaardiseerd.
Er is ook steeds meer aandacht voor tekstgestuurde generatie en integratie met grote taalmodellen (LLM's) voor korte interpretatie en co-ontwerp.
Op weg naar de toekomst
De ontwikkeling van AI voor het genereren van plattegronden evolueerde van symbolische systemen naar deep learning-modellen die in staat zijn om op basis van eenvoudige invoer haalbare architecturale lay-outs te genereren.
Belangrijke keerpunten:
- 1971: Vormgrammatica's
- jaren 90: Genetische en optimalisatiealgoritmen
- 2010: Merrells Bayesiaanse lay-outsynthese
- jaren 2020: Diepe GAN's, diffusiemodellen en grafieknetwerken
De sector blijft zich ontwikkelen in de richting van intelligente systemen die de ontwerpintentie van mensen begrijpen en functioneel geldige, creatieve architecturale plannen produceren. AI wordt in snel tempo een samenwerkingspartner in architectonisch ontwerp.