击败 8 名人类规划师:清华团队提出强化学习的城市空间规划模型

发布时间:2024年01月11日

作者:彬彬

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规划模型与方法,并实现了人类规划师与人工智能算法协作的城市规划流程,为智能城市的自动化规划提供了全新思路。

城市,不仅承载着人们对于安居乐业的热切期望,同时也是支撑各类经济活动的重要底座。从农耕时代到工业时代,再到如今的数字时代,人们从未停止提升城市舒适度与安全性的进程,在这个过程中,城市规划的重要性日益凸显。

近年来,以更加宜居为导向,「15 分钟城市」概念得到了更多关注,其核心是居民在 15 分钟内可步行或骑行到基本服务设施,体现了人们对于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规划是一件非常复杂且困难的任务,一直高度依赖专业规划师的经验。

在这里插入图片描述

针对于此,清华大学电子系城市科学与计算研究中心和建筑学院跨学科合作,创新地提出了基于深度强化学习的城市社区空间规划方法,提出的 AI 模型能够从海量数据中学习城市规划,不断优化空间效率,并最终达到超越人类专家的规划水平。

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 协作完成空间布局规划任务的可行性,为城市科学提供了丰富的研究方向。目前,该研究已发布于 Nature Computational Science。

在这里插入图片描述

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

公众号后台回复「城市规划」,获取完整论文

结合数百万规划数据,提出 3 大关键概念

针对「15分钟城市」的新式社区规划,清华大学研究团队通过在虚拟城市环境中数百万次的规划,提出了城市邻接图、深度强化学习的城市规划模型以及 human–artificial intelligence collaborative 框架。

城市邻接图:克服社区形式多样且不规则的难题

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优势。为了克服这一难题,研究团队提出了一个城市邻接图,用于描述城市几何的拓扑结构

其中,城市地理元素作为节点,包括地块、道路、交叉口等,而空间邻接关系作为边。使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。

在这里插入图片描述

(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

通过建模城市邻接图,城市空间规划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) 带来图形相应地演化。这就是另一个主要的挑战——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规划),这使得建模过程繁琐且工作量巨大。

为了减小动作空间,研究人员构建了两个策略与一个价值网络。策略网络用于辅助 AI Agent 选择土地和道路的位置,价值网络基于「15分钟城市」概念来预测空间规划的质量。通过从策略网络中采样,并使用价值网络估计规划质量,动作空间得到了大幅缩小。

在这里插入图片描述

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

? 社区规划价值判断网络

(d) 道路布局策略网络

(e) 社区规划图上马尔科夫决策过程示意图

为了获得城市地理元素的有效表示,研究人员又进一步开发了基于图神经网络 (GNN) 的状态编码器,它在价值网络和策略网络之间共享,利用城市连续性图上的消息传递和邻居聚合,捕捉土地、道路段和交汇点之间的空间关系。

human–artificial intelligence collaborative: 时间效率提高 3000 倍

考虑到城市规划方法的复杂性,研究团队提出了一个 AI 与人类规划师协作的工作流程,其中人类规划师专注于概念原型设计,并利用该模型完成繁重和耗时的规划工作。

该工作流程在客观规划指标,以及由 100 名专业规划师组成的主观盲测中,均优于完全由人类完成的工作流程,并在时间效率上提高 3000 倍。这说明,人类规划师可以从 AI 与人类协作的工作流程中受益,通过设计人类规划师与人工智能的协作工作流程,能够大幅提升人类规划师的工作效率,高效地生成不同风格的社区规划方案。

新方法击败 8 名人类规划师

实验表明,基于该研究方法所得到的社区规划方案能够显著提高「15分钟城市」的各项指标,在相同的初始条件和规划约束下,该方法明显优于最先进的算法和人类规划师,可以将空间效率的客观指标提高超过 48.6%

特别是在使用现有的真实社区作为初始条件时,该模型可以生成土地利用改造计划,将居民对各种设施的可访问性显著提高超过 18.5%

所提模型规划方案与已有算法性能对比
(a-e) 不同算法的规划方案

(a) 中心化启发式方法
(b) 去中心化启发式方法
? 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分钟城市性能指标对比:f 服务指标,g 生态指标

在这里插入图片描述
在这里插入图片描述

由 8 名专业人类规划师和研究团队所提出方法
设计的 2 个社区空间规划及其相应的空间性能

(a-h) 由人类规划师生成的空间规划。
(i) 由研究团队所提出方法生成的空间平面图。
(j) 两者的服务和生态效率性能比较。
(k) 两者设计的五种基本住宅需求服务可达性的比较。

结果表明,研究团队所提出方法在服务和生态指标上击败了 8 名专业人类规划师。具体地说,该方法相对于最佳和一般的规划师表现分别提高了 13.64% 和 19.52% 的服务效率。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服务(即教育、医疗、购物、工作、娱乐)可达性方面,研究团队所提出方法仍然实现了更加平衡的性能,其中 3/5 相对于所有人类规划师排名最高。

人机结合:城市规划的未来

城市规划,一方面需要处理包含人口、组织、环境、技术的复杂生态系统,另一方面又处在技术应用的下游位置,行业数字化升级起步较晚。

近年来,AI 的进步为城市规划者带来了新的机遇,利用 AI 算法和数据分析技术,规划者可以更深入地了解构成现代城市的复杂系统,帮助他们就城市规划中的问题做出更明智的决策。然而值得注意的是,城市规划并不是一个只需要选择土地利用和道路位置的游戏,而是多方利益相关者之间复杂的互动。

当下 AI 模型参与城市规划主要受静态指标引导,虽然可以生成具有高空间效率的社区规划,但规划整个城市是一项更加复杂的任务,需要考虑包括经济增长和居民健康在内的多样化目标。此外,土地所有权、公共通道、城市隔离和翻新等内容都需要关注。

我们希望 AI 模型除了可以帮助人类规划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,促进居民和开发商参与规划过程。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包容城市的重要一步。

文章来源:https://blog.csdn.net/HyperAI/article/details/135529627
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。