学术干货 | 空间中的人工智能技术，透析AI智能建筑与城市发展的学术创新点与研究新趋势 Vol.1
The following article is from TechArt学究科研社 Author TechArt科研社
空间中的人工智能技术
数据+场景+技术
图片来源：Archistar-Intelligent Architecture Demo
人工智能作为当下最热门的话题之一，在建筑、城规、艺术设计领域技术上的应用与学术研究越来越广泛，关于人工智能将如何影响我们未来环境变化的问题也引起了建筑师、城市规划师以及学者们的实验研究。AI对于数据的判别、学习以及预测能力将如何协助未来学科，或是否会给我们带来看待问题的全新视角？本期我们一起来看一下人工智能在建筑城市研究领域的现有创新点和未来创新方向。文章最后也有相关的文献资料可向小助手领取。
AI空间生成类问题 | Generation Issues1）空间排布问题2）空间图像生成问题3）空间形态生成问题
文章全文6800字，阅读时间10分钟
人工智能基本概念
深度学习对人工智能的发展有大比重的影响，机器学习也是人工智能领域发展最快的分支。在进入具体项目的讲解之前，我们先来看一下关于这些AI技术的基本分类和我们领域常用的神经网络类型。
人工智能-机器学习-深度学习的关系框架
机器学习的过程可以分为以下几步：1）判断问题类型（需要解决的是分类还是回归问题），2）数据收集、处理与特征提取，3）选择合适的机器学习算法，4）构建训练模型与对应的训练与测试数据集，5）模型评估，6）得到预测结果。相比于常规的算法程序过程，机器学习用适当的训练数据来学习由初始至最终效果的过程，代替了原本层层优化的步骤，也将解决方案扩大到了难以用具体算法描述的问题，自动化程度与效率更高。以下是机器学习的详细操作过程：
机器学习基本概念与实操步骤，选自文章Challenges Deploying Machine Learning Models to Production，MLOps: DevOps for Machine Learning
AI技术空间领域应用主方向
总结近几年间在参数化人工智能领域建筑城市领域发表的创新项目与学术发展方向，现阶段人工智能的创新点可大致分为两个大方向的问题：1）人工智能空间判别类问题-AI Classification Issues，和2）人工智能空间生成类问题- AI Generation Issues，并基于这两个方向可展开在不同场景的应用，目前相关的研究方向有：
Issue 1. AI Classification Issues
人工智能空间判别类问题当下主要研究：
1）空间图像和模型分类
如: 空间类型分类、数据特征分类
2）空间指标的评估与优化
如: 结构形式分析、能耗性能分析，环境指标与优化
Issue 2. AI Generation Issues
人工智能空间生成类问题当下主要研究：
1）空间排布问题
如: (平面图问题)建筑城市环境平面图预测与生成
2）空间图像生成问题
如:(广泛图像问题)大环境预测图像，效果图等生成
3）空间形态生成问题
如: 由二维图像至三维体素空间的生成
人工智能空间问题-前沿研究讲解
AI Issue 1. AI Classification Issues
人工智能空间判断类问题
1）图像与模型分类，2）指标评估与优化
“空间图像和模型分类”
数据判别与快速统计
"Global Urban Cityscape - Unsupervised Clustering Exploration Of Human Activity And Mobility Infrastructure", 全球城市景观-无监督聚类活动探索和基础设施的流动性
城市数据领域和四大分析指标（人口统计、人群活动、交通基础设施、环境质量）
城市发展伴随着高流动性，相比于以往同质化的人群活动，现今城市各个空间地点混合着不同的人群数据与活动类型。及时推出可持续的城市规划及交通政策变得格外重要，了解城市实时结构的变化也成为了城市研究的热点之一。该项目对于回应以上城市问题，结合城市流动性的相关指标以描述不同人群所在城市的位置，并利用无监督聚类算法提取识别这些数据的特征，得到四个方面代表人类活动模式相似的中心区域类型以及交通基础设施，以指导可持续政策的制定。
突出聚类的t-SNE二维特征空间可视化；Mean-shift算法的结果
研究结构分为两部分：数据收集与聚类分析。第一部分数据收集，首先是城市指标的选择。作者提出四个指标：人口统计、人类活动、交通基础设施、和环境质量用以描述人群活动与运输指标，并挖掘开放的众包数据将四个指标的数据细化（如交通基础设施中的停车设施、出租车站和公共交通站的POI数据、街道密度、网络结构数据等）。
集群在全球的分布和特征的箱线图
第二部分是聚类分析，包括降维和均值漂移聚类阶段。对于聚类的识别和相似性检测分析，作者分别使用了t-SNE算法和Mean-Shift算法以识别城市中的相似行为与动态特征，如上图中对于四种特征的快速聚类效果。作者也在实验中尝试加入了更多细分的活动类型以增加数据统计结果的丰富性，如上图对于Outdoors & Recreation、public_transp_stop_count等数据在全球进行相似性的判别分析以引导更具有通用性策略分析。
"Machines’ Perception of Space Employing 3D Isovist Methods and a Convolutional Neural Network in Architectural Space Classification", 机器的空间感知，三维等视域法与CNN在建筑空间分类中的应用
AI空间体验分类工具的工作流（训练与测试阶段）
对于每栋建筑，不同的空间元素可组成不同的空间类型，并给使用者带来不同的空间体验；然而由于建筑空间的表现多样，空间体验与评判的过程往往会过于主观也缺乏有效的方法能够快速且定量地进行体验评估。本项目对应该问题，基于人工智能深度学习技术(CNN卷积神经网络)，旨在创建一套建筑空间元素的智能图像分类器，以快速输出需要检验的建筑的体验系数混合比。
左：15种不同的空间分类对应的体验类型，右：对于训练数据空间体验的标签
具体的方法论包括训练与测试两部分。在训练阶段，作者根据不同的空间分类设置t0-t14共15种体验类型；其次选择适合训练模型的样本数据（空间的三维等视视图），并根据空间类型标签这些视图由t0至t14的体验类型。在以上的操作后，再基于数据特征选择卷积神经网络进行训练。初始的三维视图作为输入，标签后的图像数据作为输出，以此训练得到可判断体验分类的神经网络。在测试阶段，同样选择适合测试模型的空间三维等视视图作为输入，通过训练得到的神经网络对三维视图所属的体验分类进行判断，并检验该分类系统对于新采样的空间是否能够给出合理的空间类型假设。这套深度学习的训练网络在空间体验的评估上省去了因主观而导致的不准确性；同时也能作为开发商在前期判别建筑实际装配对应体验的效果工具，可简化开发商、设计师以及用户之间的意见问题。
不同空间类型对应空间体验所在的位置，以及空间体验数据的统计表，Barcelona Pavilion（左），Exhibition House, Berlin model（右）
“空间指标的评估与优化”
减少算量提高设计效率快速产出预测效果
“An Interactive Structural Optimization of Space Frame Structures Using Machine Learning”，基于机器学习的空间结构交互式优化方法
左：结构系统抽象、优化和数据集生成，右：训练结构的几何形状：初始线（绿线），可放置元件的边界（黑线），生成的解决方案（红线）
结构优化（在给定约束条件下,按某种目标,如重量最轻、刚度最大等,求出最好的设计方案）在传统设计或者优化过程中，改动迭代模拟如常用的遗传算法，都需要较多的评估运算与运算时间。本项目通过人工智能对于数据判别与预测的特点，对结构优化领域的运算量问题提出了解决方案，将原本繁复耗时的迭代过程用ANN网络进行代替与快速预测。
测试结构：左侧母结构，中变形分析，右侧最终变形分析
对于小型结构，作者将矢量结构数据作为输入和最终生成的模拟评估数据作为输出，用ANN学习有限元分析中的结构受力方法，以得到代替原本评估过程的神经网络。最后将训练好的神经网络根据用户新给定的结构受力条件，可直接快读地生成对于结构的评估结果。对于大型结构问题，作者首先将整体结构拆分成不同的小结构单元，再将拆分后的单元各经过ANN快速生成结构评估，再将单体的评估结果反馈给整体结构，提高整体的设计效率。
“Multi-Objective Optimization of a Free-Form Building Shape to Improve the Solar Energy Utilization Potential Using Artificial Neural Networks”，基于ANN网络的自由曲面造型多目标优化以提高太阳能利用潜力
太阳辐射是建筑设计中最重要的因素之一，尤其对于自由形态建筑，在设计过程中也需要多目标优化模型以确定最终的最优方案。目前现有的研究主要利用遗传算法、或利用多目标优化模型，以最大化太阳辐射和空间效率、减少形状系数等。然而，虽然在最终成果上可以增强产出效果，其数据模拟优化的阶段同样非常耗时。该项目的出发点和上一篇的论文类似，针对问题提出了基于机器学习建模-多目标优化新方法框架，以提高自由建筑的太阳辐射利用率。
左：项目方法论的三大操作板块：1）基于摄影测量的 BIM 建模，2）基于ANN的预测建模，3）性能优化，右：优化结果与解决方案
作者所提出的方法论由三部分组成：1）基于摄影测量的 BIM 建模。通过低空摄影测量用于收集建筑物和场地环境信息，在 Grasshopper 中生成建筑环境的参数化模型。2）基于ANN的预测建模。根据优化目标和决策变量提出人工神经网络模型的结构，由控制形态生成的变量作为输入，并以太阳辐射的模拟结果作为输出。经过训练得到的ANN神经网络，对于新输入的形态控制点数据，可以直接快速预测得到太阳能辐射的模拟数值，代替了原本需要长时间运算与时间的步骤。3）性能驱动的优化过程，使用多目标优化的引擎并与 ANN 模型耦合得到最优解。遗传算法将ANN模型作为快速预测辐射数值的工具，进而求出夏季和冬季得热平衡的最优形态。
系统生成建筑方案，自动导出抽象指标用以ANN的预测
针对于现有建筑性能模拟工具耗费时间问题的，也有另一论文：Energy Model Machine (EMM) Instant Building Energy Prediction using Machine Learning。该项目的思路也类似于上一篇的方法论的第一和第二部分，使用机器学习模型来快速预测能耗模拟的结果。前文作者使用具象的形态参数作为输入，而本文作者使用的是抽象化的建筑指标（比如建筑面积，窗墙比等等）作为输入，并尝试了两种机器学习模型——ANN人工神经网络和BDT强化决策树。充分训练过的人工智能模型可以通过建筑指标来快速预测环境模拟结果。文章最后，作者以一个实际案例来验证了预测模型的可用性。
AI Issue 2. AI Generation Issues
人工智能空间生成类问题
1）空间排布，2）空间图像生成，3）空间形态生成
“空间排布问题”
图像应用中的平面排布问题
“Architectural Drawings Recognition and Generation through Machine Learning”，基于机器学习的建筑图纸识别与生成
机器学习除了我们以上提及的空间识别技术问题，其功能特征也可以作为生成类工具且已较广泛地应用于带有创造性的设计类领域。楼层平面图是最基本的建筑示意图，用于展示建筑房间中的布局，和如窗、门、墙等室内元素的布局。GAN生成性对抗网络，其特征主要用来学习和生成输出带有相似或相同特征的数据；Pix2pixHD作为GAN的改进版本，也用于学习图像数据并根据输入生成新图像。
上：输入的功能色块分布，输出的生成结果和真实结果的比较，下：浴室与厨房的细节生成效果
本项目对于现有平面图制作的过程，提出了新的AI平面图智能生成方案，提升了原本设计与绘制图纸的传统过程。平面图生成过程主要有三大部分：1）标签部分 Labeling，2）机器学习部分Training，3）生成部分Generating。作者首先将pix2pixHD应用于建筑图纸的生成，以相同色块表示具体功能，并通过输入房屋平面图的功能分布图，用GAN网络学习由边框至内部平面如的变化与生成过程。再该过程中，作者也将生成的效果与原版的结果进行比较与改进，最终得到一套较成熟的自动预测系统。通过学习训练总结得到的网络模型，当用户再输入任意色块组合的房间功能排布时，机器可自动输出内部新平面的生成图，以快速代替设计师原本的设计过程。
卷积层的变化过程
"Integrating Building Footprint Prediction And Building Massing", 建筑足迹预测与建筑体量集成
城市文脉是建筑设计的一个基本方面，在建筑设计中也包含着复杂的城市关系。本文为了探索深度学习在空间规划中的潜力，开发了一套从城市环境中提取建筑几何信息的方案，并提出关于城市空间中的步行公共区域的生成方法。
利用深度学习和模拟技术生成建筑足迹的全过程
这套研究的核心思路在于机器是否可以根据现有场地的边界以及场地内部的建筑排布条件，自动生成地块内部分步行的公共区域。项目中，作者以匹兹堡的部分城区为例，通过GIS数据收集了所选区域的建筑物覆盖区和地块几何图形。对于这些图像数据的处理，作者将目标生成地块（即步行公共区域）用红色表示，以黑色表示地块中的建筑部分，用2px宽的黑线划分地块，其余区域均留白，再通过图像旋转的方式增加训练集的数量。
左：地块区域的数据处理，右：四边形公共区域的多边形还原过程
在机器学习的过程中，作者首先将多边形的步行区域简化成基本的四边形并用矢量数据表示。输入为带有地块边界与建筑排布的平面图，输出为步行区域的矢量数据。对于该训练结果，作者最终训练得到了公共区域的VGG神经网络，以同样标记地块边界和建筑色块的方式，即可对全新的地块生成步行公共区域的预设。为了能够在生成结果后提供更加准确的规划决策，作者也在最后提出了对于简化的步行区域的还原方法将项目的完整度进行补充：参数式和形变式，将简化后的四边形进行多边投射以及地块形状适应性的形变。
“空间生成问题”
广泛的图像含义问题
"GAN Loci，Imaging Place using Generative Adversarial Network", 基于生成对抗网络的场所成像
空间图像是指具象的空间信息，一般以照片类型的数据为主，常见的有普通相机视角的照片，全景照片，立面照片等等。同样使用图像到图像的生成方法，本项目阐述了一种街景数据采集和生成的过程，使用了GAN来生成城市街景图。整体研究可以分为三个步骤：1）Data preparation | 数据收集与准备，2）Model training模型训练，3）Latent space exploration | 空间生成。
在技术层面，本文作者先是通过HTML脚本，批量化的在Google地图上指定坐标点，然后抓取每个坐标点的街景数据。原始的Google街景图像包括两个部分，一是街景照片，二是对应的深度图。我们可以将深度图的灰度值理解为当前视角下所看到的每个像素对应的物体离相机的距离。因此作者训练了GAN来让计算机学习从抽象的深度图生成具象的街景照片这一过程。使用训练过的GAN模型，设计师可以通过简易的城市建模，进而导出深度图，然后生成模拟的城市街景图。
“Generative Deep Learning in ArchitecturalDesign”, 建筑设计中的生成性深度学习-1
GAN同样可以被用于生成立面照片。立面照片和前文的街景照片区别是，其一般不具有透视关系，而是平行的图片。本文作者使用了CMP facades dataset（一个包含606张城市建筑立面图像的数据集）和一个包含239张哥特式教堂立面图像的数据集来分别训练DCGAN模型，让计算机学会生成立面图像。
DCGAN模型框架
本文与前文相比，有两个不同点。一是DCGAN的训练，作者使用随机的隐空间向量而不是对应的图像作为输入，因此实际上DCGAN是一种向量到图像的模型，使用训练的模型，设计师可以得到随机的若干种里面图像，但没有边界条件的限制。因此这种方法可以帮助快速生成形同数据集的图像，而不需要对数据集本身进行严密的标注。二是数据集的预处理上，作者使用了数据增强的算法，将原先不多的数据图像进行了位移，截取，镜像，旋转等操作，复制出了大量的数据，进而提高了训练的准确率。
生成的立面图像。从上到下：教堂立面；数据增强后的教堂立面；建筑立面；数据增强后的建筑立面
“Generative Deep Learning in ArchitecturalDesign”, 建筑设计中的生成性深度学习-2
在上面介绍的同一篇文章中，作者除了尝试DCGAN来训练立面图像，还尝试了一种三维的机器学习模型，3DGAN，来生成建筑的三维体素模型。简单来说，3DGAN和DCGAN的区别仅仅在于将原先二维的矩阵输入变为了三维的矩阵输入，并将网络模型中的卷积层同样扩展了一个维度。其目的还是通过一个随机的向量来生成一个三维矩阵，其中矩阵中的数值0表示空间，数值1表示实体。
左：构成三维IWGAN的发生器和鉴别器结构，右：三维GAN更多形态的效果
不过和DCGAN同样的，这种方法虽然不需要对数据进行标注，但也同样会失去对生成的结果的控制。而且在三维的模式下，体素边界大小被控制在32X32X32以内，因此结果具有明显的锯齿感，可以作为初步的生成，但精细的方案级别的生成还是会被诟病的。近些年的一些研究在解决这个问题，一种方法是提高算力来支持更高精度的模型计算，二是使用新的轻量化的数据结构来表示三维模型信息，进而降低训练的成本。
本期文献列表：
Aksöz, Z., & Preisinger, C. (2019, September). An Interactive Structural Optimization of Space Frame Structures Using Machine Learning. In Design Modelling Symposium Berlin (pp. 18-31). Springer, Cham.
Huang, W., & Zheng, H. (2018). Architectural drawings recognition and generation through machine learning.
Newton, D. (2019). Generative deep learning in architectural design. Technology| Architecture+ Design, 3(2), 176-189.
Papasotiriou, T., & Chalup, S. (2021). Global urban cityscape-Unsupervised clustering exploration of human activity and mobility infrastructure.
Peng, W., Zhang, F., & Nagakura, T. (2017). Machines’ perception of space: employing 3D Isovist methods and a convolutional neural network in architectural space classification.
Rahmani Asl, M., Das, S., Tsai, B., Molloy, I., & Hauck, A. (2017). Energy Model Machine (EMM)-Instant Building Energy Prediction using Machine Learning.
Rhee, J., Veloso, P., & Krishnamurti, R. (2020). Integrating building footprint prediction and building massing-an experiment in Pittsburgh.
Steinfeld, K. (2019). GAN Loci: Imaging Place using Generative Adversarial Networks.
Zhao, X., Han, Y., & Shen, L. (2021). Multi-objective Optimisation of a Free-form Building Shape to improve the Solar Energy Utilisation Potential using Artificial Neural Networks.
END
关于人工智能技术在空间领域的更多研究项目，可以扫取小助手微信，得完整论文包：
声明：本文所用图片和论文资料源自于网络(论文配图)
相关版权归原作者所有
对于文章的文字解析属于TechArt学究科研社的原创内容
书籍资源
园林之美 | UniDesignLab免费建筑书籍分享（六）
琢磨设计 | UniDesignLab免费建筑书籍分享（七）
城市设计 | UniDesignLab免费建筑书籍分享（八）
视频资源
设计素材
设计素材.AI扁平插画风轴测图（含建筑、人物、植物、交通工具高清矢量素材）
设计素材.插画风素材第二弹！(文末含最新人物、动物、植物、室内及图表图标素材包）
设计素材.集装箱“变身”大house！（附创意集装箱建筑SU模型）
设计素材.现代商业综合体设计素材分享（含30套方案文本与32个综合体模型）
设计素材.SASAKI方案文本大放送（含35套文本、130张分析图与高级色卡等）
设计素材.国外前沿建筑设计事务所竞标方案（文末附55套方案文本资料）
设计素材.EL Croquis建筑杂志（文末附EL Croquis百位大师专辑）
设计素材.文化博物馆建筑设计方案（附CAD+PDF+SU+文本)
设计素材.EL Croquis建筑杂志（文末附EL Croquis百位大师专辑）
设计素材.2011-2019年ISARCH国际学生建筑设计竞赛高清图纸分享
设计素材.分析图素材大放送（含高级配色、人物素材、3500张高质量分析图合集）
设计素材.插画风效果图素材大放送（含人物、植物、建筑、参考图等）
设计素材.建筑效果图PS素材（文末附88套PSD文件和185张效果图参考）
教程
学习干货
材料分享 | 设计师如何自学人工智能？有哪些推荐的优质教程与有趣的线上平台？
工具分享 | 参数化软件 Grasshopper的高效插件整理（第一期）
工具分享 | 参数化软件 Grasshopper的高效插件整理（第二期）
实验室干货 | 建筑类实验室揭秘之——MIT-Media Lab City Science实验室
学术干货丨8大免费资源网站推荐，轻松获取分析图底图 [地图篇]
学术干货 | 英国名校艺术史博士如何申请？| 牛津-剑桥-UCL-华威-SOAS-考陶尔德等多所院校申请要求详解
学术干货 | 建筑景观生必备APP，分分钟摆脱拖延症！
学术干货 | ACADIA国际计算机辅助建筑设计协会-TechArt学员们再获2篇论文佳作收录！
学术干货 | 建筑历史经典理论合集：中国古建筑、宗教建筑、地域性建筑的研究方向和阅读资料干货分享
学术干货 | 什么是数字景观设计？可视化技术如何产生新的景观环境体验？
学术干货 | 如何写好高质量的建筑学术文章？怎样的文章才能发SCI呢？
学术干货 | 机械臂建造 Robotic Assembly & Fabrication 建筑应用汇总（第一期）
学术干货 | 人工智能风格迁移 Style Transfer的建筑应用工具与程序汇总
学术干货 | Conway’s Game of Life 生命游戏的建筑设计应用
学术干货 | 2020 Fabricate Conference 数字建造类国际学术会议-最新论文分享（一)
学术干货 | 如何准备博士申请？如何确定研究方向？学术型文书材料有哪些注意点？
学术干货 | 建筑技术 VS 建筑历史 | 什么是“博士”？有关读博常见疑问的详细解答
学术干货 | 机器人和全自动系统 Robotics and Autonomous System 建筑应用汇总
学术干货 | VR虚拟现实,AR增强现实,MR混合现实的最新技术与设计应用的方法整理
干货分享 | 建筑技术领域前沿热点合集：参数化形态-数字建造-人工智能的研究动向和学习资料
干货分享丨UCL空间句法：形态-认知-行为 | 城市-建筑-景观空间量化与信息数据分析
学术议题 | 智慧城市多源大数据处理与数据驱动式城市管理-文献解析与应用场景
留学干货
院校研究干货 | TUD Urbanism-代尔夫特理工大学城市方向博士研究主题整理 Vol.1
院校研究干货 | 加拿大仅有的五所提供景观建筑专业MLA英语教学的院校
院校研究干货 | 加拿大提供城市规划和城市设计专业的19所高校究竟有哪些？
学术干货 | 疫情期间一年制硕士的录取有多神奇？学长学姐申请故事合集（上）