論文の概要: Illuminating Spaces: Deep Reinforcement Learning and Laser-Wall Partitioning for Architectural Layout Generation

• arxiv url: http://arxiv.org/abs/2502.04407v1
• Date: Thu, 06 Feb 2025 09:35:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-10 14:58:02.487832
• Title: Illuminating Spaces: Deep Reinforcement Learning and Laser-Wall Partitioning for Architectural Layout Generation
• Title（参考訳）: 照明空間:建築レイアウト生成のための深層強化学習とレーザー壁分割
• Authors: Reza Kakooee, Benjamin Dillenburger,
• Abstract要約: 本稿では,人間の設計過程を直感的に模倣する手続き的アプローチを提案する。 SLDにRLを効果的に使用するには、望ましい設計ソリューションを生成するための爆発的空間構成法が必要である。 本稿では,空間分割のための空間分割法である「レーザー壁」を紹介した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Space layout design (SLD), occurring in the early stages of the design process, nonetheless influences both the functionality and aesthetics of the ultimate architectural outcome. The complexity of SLD necessitates innovative approaches to efficiently explore vast solution spaces. While image-based generative AI has emerged as a potential solution, they often rely on pixel-based space composition methods that lack intuitive representation of architectural processes. This paper leverages deep Reinforcement Learning (RL), as it offers a procedural approach that intuitively mimics the process of human designers. Effectively using RL for SLD requires an explorative space composing method to generate desirable design solutions. We introduce "laser-wall", a novel space partitioning method that conceptualizes walls as emitters of imaginary light beams to partition spaces. This approach bridges vector-based and pixel-based partitioning methods, offering both flexibility and exploratory power in generating diverse layouts. We present two planning strategies: one-shot planning, which generates entire layouts in a single pass, and dynamic planning, which allows for adaptive refinement by continuously transforming laser-walls. Additionally, we introduce on-light and off-light wall transformations for smooth and fast layout refinement, as well as identity-less and identity-full walls for versatile room assignment. We developed SpaceLayoutGym, an open-source OpenAI Gym compatible simulator for generating and evaluating space layouts. The RL agent processes the input design scenarios and generates solutions following a reward function that balances geometrical and topological requirements. Our results demonstrate that the RL-based laser-wall approach can generate diverse and functional space layouts that satisfy both geometric constraints and topological requirements and is architecturally intuitive.
• Abstract（参考訳）: 設計プロセスの初期段階で発生する空間レイアウト設計(SLD)は、最終的なアーキテクチャ成果の機能性と美学の両方に影響を及ぼす。 SLDの複雑さは、広大な解空間を効率的に探索するために革新的なアプローチを必要とする。 画像ベースの生成AIは潜在的な解決策として現れてきたが、しばしば、アーキテクチャプロセスの直感的な表現に欠けるピクセルベースの空間合成手法に依存している。 本稿では,人間設計者のプロセスを直感的に模倣する手続き的アプローチとして,深層強化学習(RL)を活用する。 SLDにRLを効果的に使用するには、望ましい設計ソリューションを生成するための爆発的空間構成法が必要である。 本稿では,空間分割のための空間分割法である「レーザー壁」を紹介した。 このアプローチはベクトルベースの分割法とピクセルベースの分割法をブリッジし、多様なレイアウトを生成するための柔軟性と探索力を提供する。 単一パスでレイアウト全体を生成できるワンショットプランニングと、レーザー壁を連続的に変換することで適応的な改善を可能にするダイナミックプランニングの2つの計画戦略を提案する。 さらに、スムーズで高速なレイアウト改善のためのオンライトおよびオフライトの壁変換や、多目的ルーム割り当てのためのIDレスおよびIDフルウォールを導入している。 スペースレイアウトの生成と評価のためのオープンソースのOpenAI Gym互換シミュレータであるSpaceLayoutGymを開発した。 RLエージェントは入力設計シナリオを処理し、幾何学的および位相的要求のバランスをとる報酬関数に従って解を生成する。 以上の結果から,RLをベースとしたレーザウォール手法は,幾何学的制約と位相的要求の両方を満たす多様かつ機能的な空間レイアウトを生成でき,アーキテクチャ的に直感的であることが示された。

関連論文リスト

• Generative Topology Optimization: Exploring Diverse Solutions in Structural Design [11.585099298173285]
  トポロジー最適化(英: Topology Optimization、TO)は、公式な問題記述から準最適ジオメトリを導出する計算手法のファミリーである。 生成トポロジ最適化(GenTO)は,ニューラルネットワークを用いて構造に適合した形状を生成するデータフリーな手法である。 我々は,GenTOがほぼ最適性を維持しながら,従来手法よりも多様な解を生成することを示す。
  論文  参考訳（メタデータ） (2025-02-17T21:24:18Z)
• FlairGPT: Repurposing LLMs for Interior Designs [26.07841568311428]
  大規模言語モデル (LLM) が内部設計に直接活用できるかどうかを検討する。 LLMを体系的に探索することにより、関連する制約とともにオブジェクトのリストを確実に生成できる。 この情報を設計レイアウトグラフに変換し、オフザシェルフ制約最適化設定を用いて解決する。
  論文  参考訳（メタデータ） (2025-01-08T18:01:49Z)
• REVISION: Rendering Tools Enable Spatial Fidelity in Vision-Language Models [67.55362046790512]
  視覚言語モデルには、空間的関係を正しく推論する能力がない。 視覚言語モデルにおける空間忠実度を改善するREVISIONフレームワークを開発した。 本研究の結果から,レンダリングベースのフレームワークは空間認識モデルの開発に有効な手法であることが示唆された。
  論文  参考訳（メタデータ） (2024-08-05T04:51:46Z)
• PosterLLaVa: Constructing a Unified Multi-modal Layout Generator with LLM [58.67882997399021]
  本研究では,グラフィックレイアウトの自動生成のための統合フレームワークを提案する。 データ駆動方式では、レイアウトを生成するために構造化テキスト(JSONフォーマット)とビジュアルインストラクションチューニングを用いる。 我々は,ユーザのデザイン意図に基づいて編集可能なポスターを生成する自動テキスト投稿システムを開発した。
  論文  参考訳（メタデータ） (2024-06-05T03:05:52Z)
• Zero-shot Sequential Neuro-symbolic Reasoning for Automatically Generating Architecture Schematic Designs [4.78070970632469]
  本稿では,アーキテクチャ設計を自動生成するシステムを提案する。 我々は、生成AI(神経推論)と数学的プログラムソルバ(記号推論)の強みを利用する。 提案手法は, 周辺地域の理解に応じて, 様々な建築設計を作成できる。
  論文  参考訳（メタデータ） (2024-01-25T12:52:42Z)
• 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)
• Solving High-Dimensional PDEs with Latent Spectral Models [74.1011309005488]
  我々は,高次元PDEの効率的かつ高精度な解法に向けて,Latent Spectral Models (LSM) を提案する。 数値解析において古典スペクトル法に着想を得て,潜時空間におけるPDEを解くために,ニューラルスペクトルブロックを設計する。 LSMは、一貫した最先端を実現し、7つのベンチマークで平均11.5%の相対的な利益を得る。
  論文  参考訳（メタデータ） (2023-01-30T04:58:40Z)
• Multi-Agent Reinforcement Learning for Microprocessor Design Space Exploration [71.95914457415624]
  マイクロプロセッサアーキテクトは、高性能でエネルギー効率の追求において、ドメイン固有のカスタマイズにますます頼っている。 この問題に対処するために,Multi-Agent RL (MARL) を利用した別の定式化を提案する。 評価の結果,MARLの定式化は単エージェントRLのベースラインよりも一貫して優れていた。
  論文  参考訳（メタデータ） (2022-11-29T17:10:24Z)
• Design Process is a Reinforcement Learning Problem [0.0]
  設計プロセスは強化学習の問題であり、RLアルゴリズムの適切な応用になり得ると我々は主張する。 これはRLメソッドを使用する機会を生み出し、同時に課題を提起する。
  論文  参考訳（メタデータ） (2022-11-06T14:37:22Z)
• Latent Space Roadmap for Visual Action Planning of Deformable and Rigid Object Manipulation [74.88956115580388]
  プランニングは、イメージを埋め込んだ低次元の潜在状態空間で行われる。 我々のフレームワークは2つの主要なコンポーネントで構成されており、画像のシーケンスとして視覚的な計画を生成するビジュアル・フォレスト・モジュール(VFM)と、それら間のアクションを予測するアクション・プロポーザル・ネットワーク(APN)である。
  論文  参考訳（メタデータ） (2020-03-19T18:43:26Z)

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。