論文の概要: Generative methods for Urban design and rapid solution space exploration
- arxiv url: http://arxiv.org/abs/2212.06783v1
- Date: Tue, 13 Dec 2022 17:58:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 13:00:09.682815
- Title: Generative methods for Urban design and rapid solution space exploration
- Title（参考訳）: 都市設計と迅速解空間探査のための生成手法
- Authors: Yue Sun, Timur Dogan
- Abstract要約: 本研究では,テンソル場に基づく都市モデルツールキットの実装について紹介する。
提案手法は,ウォーターフロントエッジ,地形,ビュー軸,既存道路,ランドマーク,非幾何学的設計入力などのコンテキスト制約を符号化する。
これによりユーザーは、モデル入力がほとんどない現実世界の都市に似た、多様な都市ファブリック構成を作成できる。
- 参考スコア（独自算出の注目度）: 13.222198221605701
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Rapid population growth and climate change drive urban renewal and
urbanization at massive scales. New computational methods are needed to better
support urban designers in developing sustainable, resilient, and livable urban
environments. Urban design space exploration and multi-objective optimization
of masterplans can be used to expedite planning while achieving better design
outcomes by incorporating generative parametric modeling considering different
stakeholder requirements and simulation-based performance feedback. However, a
lack of generalizable and integrative methods for urban form generation that
can be coupled with simulation and various design performance analysis
constrain the extensibility of workflows. This research introduces an
implementation of a tensor-field-based generative urban modeling toolkit that
facilitates rapid design space exploration and multi-objective optimization by
integrating with Rhino/Grasshopper ecosystem and its urban analysis and
environmental performance simulation tools. Our tensor-field modeling method
provides users with a generalized way to encode contextual constraints such as
waterfront edges, terrain, view-axis, existing streets, landmarks, and
non-geometric design inputs such as network directionality, desired densities
of streets, amenities, buildings, and people as forces that modelers can weigh.
This allows users to generate many, diverse urban fabric configurations that
resemble real-world cities with very few model inputs. We present a case study
to demonstrate the proposed framework's flexibility and applicability and show
how modelers can identify design and environmental performance synergies that
would be hard to find otherwise
- Abstract（参考訳）: 急速な人口増加と気候変動により、大規模な都市再生と都市化が促進される。
持続可能、弾力性、居住可能な都市環境の開発において、都市設計者を支援する新しい計算方法が必要である。
都市デザイン空間探索とマスタープランの多目的最適化は、異なる利害関係者の要求とシミュレーションに基づくパフォーマンスフィードバックを考慮した生成パラメトリックモデリングを組み込むことにより、より良い設計成果を達成しつつ計画の迅速化に利用できる。
しかし、シミュレーションと様々な設計性能分析を組み合わせることでワークフローの拡張性を制限できる、都市型生成のための一般化および統合的な方法が欠如している。
本研究では,Rhino/Grasshopperエコシステムと都市解析・環境性能シミュレーションツールを統合し,迅速な設計空間探索と多目的最適化を容易にするテンソルフィールド型都市モデルツールキットの実装を提案する。
テンソル場モデリング手法は,水辺,地形,ビュー軸,既存の通り,ランドマーク,およびネットワーク指向性,所望の街路密度,アメニティ,建物,人々など,モデラーが重み付け可能な力として,非幾何学的デザイン入力などのコンテキスト制約をエンコードする汎用的な方法を提供する。
これによりユーザーは、モデル入力がほとんどない現実世界の都市に似た、多様な都市ファブリック構成を作成できる。
我々は,提案フレームワークの柔軟性と適用性を示すケーススタディを提示し,モデラーが設計と環境性能の相乗効果を識別できることを示す。
関連論文リスト
- CityX: Controllable Procedural Content Generation for Unbounded 3D Cities [55.737060358043536]
そこで我々は,CityXという新しいマルチモーダル制御可能な手続き型コンテンツ生成手法を提案する。
OSM、セマンティックマップ、衛星画像など、複数のレイアウト条件でガイドされるリアルで無拘束の3D都市生成を強化する。
この効果的なフレームワークを通じて、CityXは3Dシーン生成のための革新的なエコシステムを構築する可能性を示している。
論文 参考訳（メタデータ） (2024-07-24T18:05:13Z) - Leveraging Generative AI for Smart City Digital Twins: A Survey on the Autonomous Generation of Data, Scenarios, 3D City Models, and Urban Designs [6.827627003323929]
生成人工知能(AI)モデルは、データとコード生成において独自の価値を示してきた。
この調査は、一般的な生成AIモデルとその応用分野の導入と、既存の都市科学応用のレビューから始まる。
このレビューに基づいて、次世代の都市デジタル双生児に生成AIモデルを統合する可能性と技術的戦略について検討する。
論文 参考訳（メタデータ） (2024-05-29T19:23:07Z) - Advancing Transportation Mode Share Analysis with Built Environment: Deep Hybrid Models with Urban Road Network [12.349403667141559]
本研究では,移動モード共有分析のための入力として,道路ネットワークと社会デマログラフィー機能を直接結合したディープハイブリッドモデル(DHM)を提案する。
シカゴにおけるモード共有予測の実験において、DHMは社会デマトグラフィー構造に価値ある空間的洞察を与えることができることを示した。
論文 参考訳（メタデータ） (2024-05-23T00:59:00Z) - Towards Invariant Time Series Forecasting in Smart Cities [21.697069894721448]
本研究では,異なる都市環境下でのより堅牢な予測のために,不変表現を導出する手法を提案する。
本手法は, 気候モデル, 都市計画, スマートシティ資源管理など, 多様な分野に拡張することができる。
論文 参考訳（メタデータ） (2024-05-08T21:23:01Z) - Compositional Generative Inverse Design [69.22782875567547]
入力変数を設計して目的関数を最適化する逆設計は重要な問題である。
拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。
N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
論文 参考訳（メタデータ） (2024-01-24T01:33:39Z) - Unified Data Management and Comprehensive Performance Evaluation for
Urban Spatial-Temporal Prediction [Experiment, Analysis & Benchmark] [78.05103666987655]
この研究は、多様な都市空間時間データセットにアクセスし活用する際の課題に対処する。
都市空間・時空間のビッグデータ用に設計された統合ストレージフォーマットであるアトミックファイルを導入し,40種類の多様なデータセットでその有効性を検証する。
多様なモデルとデータセットを使用して広範な実験を行い、パフォーマンスリーダーボードを確立し、有望な研究方向性を特定する。
論文 参考訳（メタデータ） (2023-08-24T16:20:00Z) - Deep Learning for Spatiotemporal Modeling of Urbanization [21.677957140614556]
都市化は世界中の人口の健康と幸福に強い影響を与えている。
多くの空間モデルが機械学習と数値モデリング技術を用いて開発されている。
本稿では,都市化予測モデルにおける深層空間学習の能力について考察する。
論文 参考訳（メタデータ） (2021-12-17T18:27:52Z) - Dynamically Grown Generative Adversarial Networks [111.43128389995341]
本稿では、ネットワークアーキテクチャとそのパラメータを自動化とともに最適化し、トレーニング中にGANを動的に成長させる手法を提案する。
本手法はアーキテクチャ探索手法を勾配に基づく訓練とインターリーブステップとして組み込んで,ジェネレータと識別器の最適アーキテクチャ成長戦略を定期的に探究する。
論文 参考訳（メタデータ） (2021-06-16T01:25:51Z) - GANs for Urban Design [0.0]
本論文で検討されたトピックは、都市ブロックの設計にGenerative Adversarial Networksを応用することである。
この研究は、都市の形態学的特性に適応できる柔軟なモデルを提示する。
論文 参考訳（メタデータ） (2021-05-04T19:50:24Z) - Methodological Foundation of a Numerical Taxonomy of Urban Form [62.997667081978825]
本稿では, 生物系統学から得られた都市形態の数値分類法を提案する。
我々は同質の都市組織タイプを導出し、それら間の全体形態的類似性を決定することにより、都市形態の階層的分類を生成する。
フレーミングとプレゼンを行った後、プラハとアムステルダムの2都市でテストを行った。
論文 参考訳（メタデータ） (2021-04-30T12:47:52Z) - Learning to Move with Affordance Maps [57.198806691838364]
物理的な空間を自律的に探索し、ナビゲートする能力は、事実上あらゆる移動型自律エージェントの基本的な要件である。
従来のSLAMベースの探索とナビゲーションのアプローチは、主にシーン幾何学の活用に重点を置いている。
学習可能な余剰マップは探索と航法の両方において従来のアプローチの強化に利用でき、性能が大幅に向上することを示します。
論文 参考訳（メタデータ） (2020-01-08T04:05:11Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。