[发明专利]基于监督学习的住宅户型布局生成方法及系统

说明书

本发明提出一种基于监督学习的住宅户型布局生成方法及系统，包括：建立户型布局生成模型，其中包括生成网络、仿真环境及评分网络；获取户型示例数据，将户型示例数据输入至生成网络，输出户型布局数据；根据户型示例数据得到户型设计条件，将户型设计条件及户型布局数据输入仿真环境，对户型布局进行评分；根据评价网络，将户型布局数据作为输入数据，将仿真环境输出的评分作为标注，训练评价网络并输出评分数据；将评分数据反向传播至生成网络，更新生成网络参数，训练生成网络，在生成网络的输出结果满足预设要求时停止训练，得到训练完成的户型布局生成模型；获取用户录入的户型设计条件，输入至训练完成的户型布局生成模型，输出户型布局图。

技术领域

本发明涉及建筑设计技术领域，尤指一种基于监督学习的住宅户型布局生成方法及系统。

背景技术

本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

住宅是最重要的建筑类型之一，约占到全国房屋建设总量的68％，对城市建设有着重要影响。随着经济的发展，生活水平的提高，人们对于住宅品质的要求也越来越高，“户型设计”越来越受到重视。住宅设计中最重要问题之一是“户型布局”问题，即通过合理的“空间布局规划”，来满足住户的使用功能需求，达到坚固、实用、美观的效果。户型布局设计是一个兼具理性与感性的过程，其既受到建筑功能、场地条件等客观条件的制约，又受到设计者主观意愿影响。目前这一工作主要依赖建筑师的经验，靠“人工试错”进行方案推敲。

此外，近年来各个地区对住宅设计要求越来越严格，建筑师的发挥空间被压缩得越来越小，加之建筑师个人精力及知识积累的局限性，这在一定程度上制约了住宅设计的工作效率和设计效果。同时，随着年轻房屋业主数量的增长以及自媒体时代的到来，住户参与户型设计的意愿越发强烈。

在现有技术中，提出了以基于生成式对抗网络的户型生成方法。这类方法通常基于栅格图片-卷积神经网络的技术路线，通过构建户型平面图数据集，来训练神经网络模型，在户型边界条件和户型布局之间建立映射关系。模型训练依赖大量案例数据，而在建筑设计行业，能收集到的高质量住宅案例数量有限，因此需在案例数量和质量之间进行取舍，这在一定程度上影响了模型训练效果。同时现有模型多基于栅格图像，难以兼容建筑设计行业常用软件工具，影响了模型的功能可拓展性。

另外，现有技术还提出了深度强化学习方法，其将深度学习与强化学习结合，将神经网络作为代理，在与环境的交互中，代理根据获得的奖励或惩罚不断的更新自身参数，从而更加适应环境，实现根据输入的当前状态输出特定动作。深度强化学习的理论基础为马尔可夫决策过程，其主要针对“时序问题”(如机器人走路、自动驾驶)，即代理所执行的动作存在先后动作序列。而对于“非时序问题”(如空间规划问题)，事物因果之间不存在一个先后动作序列(可以直接由初始状态达到最终状态，不需要经历中间过程)，因此深度强化学习在这类问题中的适用性存在一定局限性。

综上来看，现有的深度学习户型生成模型训练时的监督信号多基于“标注数据”，而在建筑设计行业，能收集到的高质量住宅案例数量有限，因此需在数据数量和数据质量之间取舍，这在一定程度上影响了模型训练效果。并且，目前的深度学习框架(Pytorch、Tensorflow等)，损失函数需在框架内，按照框架支持的格式进行定义。而户型评价规则较为复杂，基于户型评价规则的损失函数定义直接在深度学习框架内完成有较大难度，使户型设计评价的灵活性和拓展性受到了限制。

因此，亟需一种可以克服上述缺陷，能够减少数据依赖，提高户型评价灵活性的户型布局生成方案。

发明内容

为解决现有技术存在的问题，本发明提出了一种基于监督学习的住宅户型布局生成方法及系统。本发明解决了基于规则的监督学习问题。其神经网络训练时监督信号来自一套评分规则。根据评分规则设计损失函数。换言之，只要输出户型完全满足评分规则，就认为是合格的户型。通过这一方式可降低对户型数据的依赖。同时，还解决了将仿真环境纳入神经网络训练框架的问题，通过仿真环境实现对户型的评价，并引导神经网络训练。