城市计划模子建筑设计

本文约2700字，建议阅读8分钟我们希望AI模型能加速空间布局并带来更大效益。


编辑：李宝珠，三羊

清华大学研究团队提出了强化学习的城市社区空间方案模型与方法，并实现了人类方案师与人工智能算法协作的城市方案流程，为智能城市的自动化方案供应了全新思路。

城市，不仅承载着人们对付安居乐业的热切期望，同时也是支撑各种经济活动的主要底座。
从农耕时期到工业时期，再到如今的数字时期，人们从未停滞提升城市舒适度与安全性的进程，在这个过程中，城市方案的主要性日益凸显。

近年来，以更加宜居为导向，「15 分钟城市」观点得到了更多关注，其核心是居民在 15 分钟内可步辇儿或骑行到基本做事举动步伐，表示了人们对付城市社区内高效率空间布局的期待。
然而，由于城市地理空间的多样性，城市用地布局和道路方案是一件非常繁芜且困难的任务，一贯高度依赖专业方案师的履历。

针对付此，清华大学电子系城市科学与打算研究中央和建筑学院跨学科互助，创新地提出了基于深度强化学习的城市社区空间方案方法，提出的 AI 模型能够从海量数据中学习城市方案，不断优化空间效率，并终极达到超越人类专家的方案水平。

MIT 可感知城市实验室 (MIT Senseable City Lab) 的研究科学家 Paolo Santi 表示，这成功展示了人类与 AI 协作完成空间布局方案任务的可行性，为城市科学供应了丰富的研究方向。
目前，该研究已发布于 Nature Computational Science。

论文地址：

https://www.nature.com/articles/s43588-023-00503-5

GitHub 链接:

https://github.com/tsinghua-fib-lab/DRL-urban-planning

结合数百万方案数据，提出 3 大关键观点

针对「15分钟城市」的新式社区方案，清华大学研究团队通过在虚拟城市环境中数百万次的方案，提出了城市毗邻图、深度强化学习的城市方案模型以及 human–artificial intelligence collaborative 框架。

卷积神经网络适用于具有规则输入的任务，如围棋、芯片设计等，而城市社区形式多样且不规则，卷积神经网络在类似任务中并不具备显著上风。
为了战胜这一难题，研究团队提出了一个城市毗邻图，用于描述城市几何的拓扑构造。

个中，城市地理元素作为节点，包括地块、道路、交叉口等，而空间毗邻关系作为边。
利用图模型能够为任意形式的城市社区给出统一表示，从而发挥深度强化学习算法在巨大动作空间中的高效搜索能力，并实现城市社区用地和道路的智能布局。

(a) 用地布局的图表示 (Graph representation)

(b) 道路布局的图表示

深度强化学习模型：减小动作空间

通过建模城市毗邻图，城市空间方案被重新表述为在动态图上做出选择的顺序，在图形空间中每一步选择边和节点的动作 (action) 带来图形相应地蜕变。
这便是另一个紧张的寻衅——巨大的动作空间 (action space)。
一个中等规模社区的动作空间可能会超过 4000 的一百次方（每个步骤有 4000 种可能动作，共 100 个步骤用于社区空间方案），这使得建模过程繁琐且事情量巨大。

为了减小动作空间，研究职员构建了两个策略与一个代价网络。
策略网络用于赞助 AI Agent 选择地皮和道路的位置，代价网络基于「15分钟城市」观点来预测空间方案的质量。
通过从策略网络中采样，并利用代价网络估计方案质量，动作空间得到了大幅缩小。

该研究提出的强化学习模型

(a) 图神经网络状态编码器

(b) 用地布局策略网络

(c) 社区方案代价判断网络

(d) 道路布局策略网络

(e) 社区方案图上马尔科夫决策过程示意图

为了得到城市地理元素的有效表示，研究职员又进一步开拓了基于图神经网络 (GNN) 的状态编码器，它在代价网络和策略网络之间共享，利用城市连续性图上的通报和邻居聚合，捕捉地皮、道路段和交汇点之间的空间关系。

考虑到城市方案方法的繁芜性，研究团队提出了一个 AI 与人类方案师协作的事情流程，个中人类方案师专注于观点原型设计，并利用该模型完成繁重和耗时的方案事情。

该事情流程在客不雅观方案指标，以及由 100 名专业方案师组成的主不雅观盲测中，均优于完备由人类完成的事情流程，并在韶光效率长进步 3000 倍。
这解释，人类方案师可以从 AI 与人类协作的事情流程中受益，通过设计人类方案师与人工智能的协作事情流程，能够大幅提升人类方案师的事情效率，高效地天生不同风格的社区方案方案。

实验表明，基于该研究方法所得到的社区方案方案能够显著提高「15分钟城市」的各项指标，在相同的初始条件和方案约束下，该方法明显优于最前辈的算法和人类方案师，可以将空间效率的客不雅观指标提高超过 48.6%。

特殊是在利用现有的真实社区作为初始条件时，该模型可以天生地皮利用改造操持，将居民对各种举动步伐的可访问性显著提高超过 18.5%。

所提模型方案方案与已有算法性能比拟

(a-e) 不同算法的方案方案

(a) 中央化启示式方法

(b) 去中央化启示式方法

(c) 遗传算法

(d) 多层感知机强化学习算法

(e) 该研究所提方法

(f-g) 15分钟城市性能指标比拟：f 做事指标，g 生态指标

由 8 名专业人类方案师和研究团队所提出方法

设计的 2 个社区空间方案及其相应的空间性能

(a-h) 由人类方案师天生的空间方案。
(i) 由研究团队所提出方法天生的空间平面图。
(j) 两者的做事和生态效率性能比较。
(k) 两者设计的五种基本住宅需求做事可达性的比较。

结果表明，研究团队所提出方法在做事和生态指标上击败了 8 名专业人类方案师。
详细地说，该方法相对付最佳和一样平常的方案师表现分别提高了 13.64% 和 19.52% 的做事效率。
就生态指标而言，则分别提高 15.38% 和 59.65% 的效率。

此外，在五种基本住宅需求做事（即教诲、医疗、购物、事情、娱乐）可达性方面，研究团队所提出方法仍旧实现了更加平衡的性能，个中 3/5 相对付所有人类方案师排名最高。

城市方案，一方面须要处理包含人口、组织、环境、技能的繁芜生态系统，另一方面又处在技能运用的下贱位置，行业数字化升级起步较晚。

近年来，AI 的进步为城市方案者带来了新的机遇，利用 AI 算法和数据剖析技能，方案者可以更深入地理解构成当代城市的繁芜系统，帮助他们就城市方案中的问题做出更明智的决策。
然而值得把稳的是，城市方案并不是一个只须要选择地皮利用和道路位置的游戏，而是多方利益干系者之间繁芜的互动。

当下 AI 模型参与城市方案紧张受静态指标勾引，虽然可以天生具有高空间效率的社区方案，但方案全体城市是一项更加繁芜的任务，须要考虑包括经济增长和居民康健在内的多样化目标。
此外，地皮所有权、公共通道、城市隔离和翻新等内容都须要关注。

我们希望 AI 模型除了可以帮助人类方案师加速空间布局过程外，还可以为其他参与者带来更广泛的效益。
例如通过引入定制选项到模型中，进而构建公共平台，促进居民和开拓商参与方案过程。
而清华大学研究团队本次提出的框架，展示了所有参与者更高程度参与的可能性，也是迈向更加透明和原谅城市的主要一步。