引言
过去十年间，人工智能（AI）在建筑室内设计与智能家居布局优化领域的应用日益广泛。室内空间规划——即确定房间、家具及功能的布局——因其组合性质以及需要平衡美学、功能性与用户偏好，成为一项复杂的课题。
传统上，建筑师依赖经验、经验法则以及对布局进行反复的手动调整。近年来，机器学习、计算机视觉、生成式设计和优化算法的进步，使得设计流程能够实现更自动化和智能化。
本综述重点梳理了2015至2025年间学术研究领域的关键进展、方法及发展趋势。
早期基础（知识驱动方法）
- 早期系统主要基于规则或优化算法。
- 关键方法：约束满足、模拟退火、遗传算法。
- Merrell等人 (2011)：基于设计规则的交互式家具布置工具。
- Yu等人(2011)：采用随机搜索的自动家具布局方案。
- 挑战：难以适应新风格及编码复杂规则。
数据驱动设计的崛起（2015–2020）
- 从基于规则的模型转向数据驱动模型。
- 机器学习模型开始从海量设计数据集中学习。
- 主要进展：
- 采用卷积神经网络解析并分类平面图与室内风格。
- RPLAN数据集实现神经模型训练以生成布局方案。
- HouseGAN（2019–2020）：运用生成对抗网络（GAN）从草图生成完整公寓布局。
- LayoutGAN与基于Transformer的模型应用于序列化布局生成。
- 优点：增强真实感与生成速度；自动学习设计原则。
- 缺点：黑箱特性，可控性有限。
生成式设计与可视化突破
- 聚焦于2D与3D环境下的家具及室内场景合成。
- 核心模型：
- SG-Net、ATISS（2020–2021）：运用变换器与变换器网络实现3D房间布局。
- 3D-FRONT数据集（2021）：含家具与语义标注的18,000余间房间。
- SceneHGN：学习分层场景表示。
- 图像驱动AI：
- 应用生成对抗网络（GANs）与扩散模型（如Stable Diffusion）实现风格化渲染与逼真设计方案。
- Tanasra等（2023）：利用GANs自动为空置布局配置家具。
- 人工智能开始在设计流程中支持创意构思与方案生成。
强化学习与布局优化（2020–2025）
- 楼层规划作为序贯决策任务。
- SpaceLayoutGym（2024）：用于房间划分与优化的RL环境。
- PPO与DQN智能体学会在约束条件与动线规划下优化布局。
- 多智能体强化学习（2025）：智能体协同分配房间、调整尺寸、优化功能。
- Haisor框架（2024）：确保家具摆放满足人体导航、舒适度与无障碍通行需求。
- IGA+DE（2025）：混合进化交互式布局优化器，空间利用率达95%。
以用户为中心的设计与智能家居集成
- 从静态设计到动态个性化布局系统。
- 采用的人工智能协同设计平台：
- 素描输入
- 风格关键词
- 自然语言提示
- AI成为交互助手而非替代者
- 集成智能家居传感器：
- 根据用户移动轨迹与行为动态调整布局
- 应用于长者护理、跌倒预防及能效优化
- 伦理化的人本AI：
- 兼顾透明度、可解释性与可访问性
- AI与用户目标及价值观保持一致
数据集与框架
- RPLAN、3D-FRONT、SUNCG、LIFULL Home：核心数据集。
- 开源框架：
- 强化学习专用SpaceLayoutGym
- 行业工具：PlanFinder、Finch3D
- 评估指标：
- 空间利用率
- 邻接图准确度
- 流通效率
- 用户满意度评分
近期趋势与未来方向
- 混合智能：融合机器学习、优化算法与人类反馈。
- 扩散模型与变换器正树立新的性能基准。
- 重点领域：
- 可解释性与用户控制
- 实时自适应环境
- 专业工作流中的AI协同创作者
结论
过去十年间，人工智能在室内设计与智能家居布局优化领域的应用，已从基础自动化发展至智能协同阶段。主要趋势包括：
- 基于大规模数据集训练的数据驱动设计模型
- 强化学习在序列布局优化中的应用
- 用户反馈与智能家居数据的融合
- 基于生成对抗网络与扩散模型的可视化工具
- 日益突显的人文价值、伦理规范与可用性考量
深度学习、优化技术与建筑知识的融合，标志着室内环境未来发展的变革性时刻。