Ранние подходы, основанные на правилах (1970-е–1980-е годы)
Поиски способов автоматизации проектирования планов этажей начались еще в 1970-х годах. Одним из первых концептуальных прорывов стало введение в 1971 году Стини и Гипсом грамматики форм — формальной системы на основе правил для генерации проектов, включая архитектурные макеты, с помощью рекурсивных правил преобразования форм. Эти ранние подходы были в основном символическими или основанными на правилах: например, в своей работе 1971 года Фридман предпринял попытку алгоритмического планирования пространства, а в теории Митчелла 1976 года был изложен метод перечисления возможных вариантов расположения комнат. В конце 1970-х и 1980-х годах исследователи изучали экспертные системы и эвристические правила для решения «проблемы распределения пространства». Работы Шавива 1974 и 1987 годов по компьютеризированному распределению пространства иллюстрировали логические методы планирования планировок, характерные для той эпохи.
Оптимизация и эволюционные методы (1990-е–2000-е годы)
В 1990-е годы искусственный интеллект в архитектуре сместился в сторону алгоритмов поиска и оптимизации для решения комбинаторных задач, связанных со сложностью планировок. Пионерская работа Джона Геро и его коллег представила эволюционные алгоритмы для проектирования планов этажей: Джо и Геро (1996) смоделировали простые архитектурные планы с помощью генетических алгоритмов, а Розенман и др. (1997) расширили эту работу, совместив генетические алгоритмы с генетическим программированием. В течение конца 1990-х годов многие исследователи применяли эволюционные стратегии для генерации пространственных конфигураций.
К началу 2000-х годов в этой области появилось множество эвристических методов, таких как имитация отжига и гибридные методы, сочетающие эволюционные алгоритмы с программированием ограничений или грамматиками форм. Заметной тенденцией стало использование многоцелевой оптимизации для балансирования функциональных требований и критериев производительности.
Парадигмы, основанные на данных, и ключевые поворотные моменты (2010–2015)
Ключевой сдвиг произошел с появлением в 2010 году статьи Пола Мерелла и др. под названием «Компьютерные макеты жилых зданий». В ней была представлена байесовская сеть, обученная на реальных планах этажей для изучения схем соединения комнат, а также стохастический этап оптимизации для геометрии планировки. Эта работа ознаменовала начало референциальных методов, которые обучаются на основе предыдущих данных о проектировании.
Вслед за этим появились первые попытки применения машинного обучения для анализа и маркировки архитектурных чертежей. Это были переходные годы, когда традиционные методы, основанные на правилах, сосуществовали с моделированием на основе данных в ожидании появления более крупных наборов данных и более мощных обучающих фреймворков.
Революция глубоких генеративных моделей (2016–2020)
Благодаря глубокому обучению автоматическое создание планов этажей значительно продвинулось вперед. Крупные наборы данных, такие как RPLAN (2019) и LIFULL Home Dataset, позволили обучить глубокие нейронные сети. Первоначальные методы на основе CNN испытывали трудности с обеспечением согласованности между несколькими комнатами, но генеративные состязательные сети (GAN) изменили ситуацию.
- House-GAN (2020): Внедрена GAN с ограничениями графа для генерации макетов из пузырьковых диаграмм с использованием графовых нейронных сетей.
- Graph2Plan, FloorplanGAN и House-GAN++ еще больше улучшили реалистичность и согласованность макетов.
- Модели теперь могут генерировать как растрированные планы этажей, так и точные векторные макеты с высокой степенью точности.
Также была усовершенствована функция условного генерации, что позволило создавать макеты в пределах фиксированных границ или с учетом ограничений, связанных с соседством помещений.
Последние достижения: графовые сети, многоуровневые и диффузионные модели (2021–2025)
Последние модели нацелены на генерацию многоуровневых структур и уточнение макетов с использованием передовых архитектур:
- Building-GAN (2022) и Building-GNN (2023): генерация многоуровневых планов этажей с помощью графовых нейронных сетей.
- HouseDiffusion (2023): применение диффузии с шумоподавлением для генерации многоугольников комнат из пузырьковых диаграмм.
Новые модели учитывают строительные нормы и ограничения реального мира при создании макетов. Диффузионные модели обеспечивают большую стабильность по сравнению с GAN, а тесты для оценки стали более стандартизированными.
Также все больше внимания уделяется генерации на основе текста и интеграции с большими языковыми моделями (LLM) для краткой интерпретации и совместного проектирования.
В будущее
Разработка ИИ для генерации планов этажей эволюционировала от символьных систем к моделям глубокого обучения, способным генерировать жизнеспособные архитектурные макеты на основе простых входных данных.
Ключевые поворотные моменты:
- 1971: Форма грамматики
- 1990-е: Генетические и оптимизационные алгоритмы
- 2010: Байесовский синтез макета Мерелла
- 2020-е: Глубокие GAN, диффузионные модели и графовые сети
В этой области продолжается переход к интеллектуальным системам, которые понимают замысел человека и создают функционально обоснованные, креативные архитектурные планы. Искусственный интеллект быстро становится партнером в архитектурном проектировании.