期刊精粹 | 人工智能城市設計在街區尺度的逐級交互式設計模式探索「2021.2期優先看 · 主題」

【摘要】伴隨信息環境和數據基礎的變化，人工智能在大數據、語音和圖像識別、深度學習等方面取得了發展突破，傳統的城市設計技術方法也面臨著升級迭代的重要契機。本文從系統闡述國內外人工智能與城市設計技術方法的結合模式入手，以城市中廣泛存在並能銜接宏觀城市尺度與微觀建築尺度的街區尺度為研究對象，通過進化算法、適應性算法和有監督深度學習等人工智能方法，構建了街區三維形態的智能化設計模塊，並提出一套較為完整的城市街區三維形態智能化設計技術流程。在此基礎上，通過結合特定具體場地，研究了人機交互下從基底搭建、方案生成到人機交互的實踐探索，提出了人工智能與設計師交互式的城市設計模式。本文以街區尺度為媒介，試圖解決當下人工智能城市設計在不同尺度上的生成邏輯阻塞與內在機理不明的問題，為未來數字化城市設計技術方法的迭代轉型以及相關設計輔助系統的開發研究等提供參考與借鑒。

引言

隨着信息化技術的發展，如今的城市已經步入了一個「大智移雲」（大數據、智能化、移動互聯網、雲計算）的時代，各種技術緊密結合在一起，不僅大大改變着城市居民的傳統生活方式，而且有望掀起新一輪產業變革（圖1）。當前，結合數字化的相關技術，城市設計方法呈現出了不同於以往發展階段的新特點。智能化使得城市的數據庫與多源大數據挖掘緊密結合，進一步支撐和發展了人工智能在城市設計中的方法運用與技術創新。通過物聯網與移動互聯網的緊密結合，產生了更多的城市大數據。在城市設計過程中深入分析、挖掘多源大數據，可幫助城市設計者更好地分析判斷城市發展問題，指導城市設計。

圖1 創新周期及技術潮湧波次

通過人工智能技術與城市設計技術的結合，能夠更加高效迅速地模擬並計算不同城市設計方案可能產生的經濟效益、社會效益和生態效益。以往的城市效益優化分析，往往需要設計者構建模型，並根據反饋結構進一步優化方案。通過人工智能神經網絡結構的系統構建，能夠將效益分析與設計優化一體化，大大提高設計的高效性。

人工智能技術的運用現已廣泛涉及空間、生態、交通、公共管理等多個方面。在城市空間方面，目前的研究在結合計算機視覺技術的城市影像方面成果較為成熟，通過圖像學習生成各類建築、城市街景乃至更大尺度的城市形態平面方案。1980年代初，國外相關研究嘗試將人工智能技術應用於建築設計領域，蘇黎世聯邦理工學院（ETH）教授施密特（Gerhard Schmitt）提出將「計算機創造力」與「用戶交互」相結合，在建築尺度層面引發了「數字鏈」建築生成等眾多理論與技術探索，為人工智能在城市設計領域的研究探索提供了思路和基礎。此外，關於城市形象智能算法、大規模程序化自動建模等計算機領域的技術方法的突破創新，也為人工智能與城市設計結合提供了技術支撐。

中國城鎮化進程正在經歷「從數量增長到質量提升」的新階段【2017年住房和城鄉建設部發佈《城市設計管理辦法》，提出城市設計需貫穿於城市規劃建設管理全過程】，在城市設計中，常需要在片區開發總量既定的情況下推敲各個街區的多種三維形態可能性，以配合開發總量及指標在多街區之間的分佈設定與調整。同時，需要推敲各種開發強度分佈設定下所對應的具象三維建築群體體量，以謀求整個規劃範圍內的城市形態控制。長久以來，這項從指標到形態的生成工作都是由設計單位的大量設計助理手動完成，當需要調整各街坊的指標設定時，上述過程需要重新來過，工作量巨大，直接影響設計推敲調整的積極性，最終影響設計質量。在人工智能與設計領域結合的第二次機會的時代背景下，人工智能在街區尺度的城市設計領域已有一定研究，目前主要包括以下四個方向。（1）針對功能單一街區基本規範的方案強排設計。目前大部分既有研究集中在居住區為主的生成式設計，依託住區設計中體系化的規則參數生成強排方案，並結合日照、消防等指標予以優化評價。此外，該類方法在規則約束明確的高層建築群生成中也有一定研究。（2）針對模數明確的歷史街區肌理設計。依託傳統建築聚落及街巷肌理特色模數，通過數據挖掘和機器學習技術建立數字化生成設計工具，生成歷史街區形態肌理。（3）基於案例庫學習的住區建築群落形態設計。通過非結構化數據庫的搜索技術，找到可適當變形的案例模型，以實現自動生成符合各項專業要求的高層居住街坊。（4）基於鄰近街區特徵識別的機器輔助設計。通過附近街區建築和社會經濟特徵來識別特定類型的城市環境及主要街道，從而指導城市設計。

隨着人工智能技術逐步被應用於城市設計領域，實現了從確定抽象開發量指標到自動生成具象三維建築群體體量，但仍存在以下問題。（1）現有圖像學習等方法在城市設計領域應用不足。雖然來自人工智能領域的計算機視覺技術經過40餘年的發展取得了長足的進展，但由於現有圖像學習等智能生成手段的不可控性不易解釋，單純的圖像學習方法難以實現非居住類用地的街區形態與建築尺度的內在機理學習，導致人工智能生成方案僅適用於空間規劃較為簡單的居住用地，而難以滿足不同用地性質混合情況下對空間組合的特定要求。（2）街區層面設計思維邏輯難以體現多尺度城市設計決策要求。從建築出發的「自下而上」的設計思維適用於小尺度、功能單一的地段，而城市設計更注重對城市空間形態和風貌的整體控制，需要強調不同街區間的功能、空間、景觀、交通、步行等聯繫，也需要採取「自上而下」的設計思路，但目前存在對應不同尺度的設計方案信息難以傳遞的問題。（3）應對不同功能地塊的街區尺度城市設計方法缺失。目前街區尺度的人工智能城市設計主要面向功能單一的居住區、歷史街區等，而不同功能街區的建築排列組合的設計思路，與居住區、歷史街區等生成方法不盡相同，在設計規範方面也存在較多差異，因此需要尋找一種更加共融的智能設計思路。（4）「黑箱」整體生成模式缺少逐級交互優化機制。圖片學習生成住區強排方案等方法更多的是採取對抗網絡直接生成方案，並採取基本規則規範進行校驗，但不同街區的功能並不像住區在道路及步行體系上偏向自洽封閉的設計思路，傳統的設計流程會綜合不同街區的道路、步行路徑乃至建築進行多輪方案設計，而目前「黑箱」這種整體生成的方式阻隔了設計師逐級交互優化的機會。

綜上，本研究在梳理了國內外人工智能在城市規劃與設計技術應用研究脈絡的基礎上，重點聚焦於街區尺度城市設計與人工智能相關技術方法的結合，希望能在既有研究的基礎上進一步拓展：（1）在研究對象上，將居住等單一功能拓展到針對不同功能地塊組成的街區；（2）在生成邏輯上，將「黑箱式」的一鍵生成方法思路拓展到「道路—步行—建築」等自上而下思路；（3）在生成算法上，將圖像學習、貝葉斯參數化等傳統單一方法拓展到與街區內的道路、建築等不同要素相組合的生成算法庫；（4）在設計交互上，將最終結果導向的選擇式交互拓展為逐級生成的過程式交互。

1 街區三維形態智能化設計的總體架構

本文按照自上而下的城市設計邏輯來架構街區三維形態智能化設計，主要包括以下四個模塊：街區三維空間—基底計算模塊、方案規範轉譯—智能控制模塊、整體智能設計—逐級生成模塊、人機協調設計—逐級優化模塊（圖2）。

圖2 街區三維形態智能化設計模塊總體架構圖

（1）街區三維空間—基底計算模塊。獲取目標街區及其周圍街區的地理信息數據，構建三維空間沙盤。由測繪無人機採集目標街區及以目標街區為中心向外擴展一個街區的地理空間信息，通過內置數據採集模塊，將柵格格式的圖片信息轉換為矢量數據，並錄入地理信息平台。在地理信息平台中，將街區的地理空間矢量數據轉換至統一坐標系進行空間地理坐標與投影坐標對位，並製成高精度的三維空間沙盤。其中地理空間信息包括街區道路、街區建築、街區公共空間以及街區地形地貌。

（2）方案規範轉譯—智能控制模塊。轉譯提取各類上位規劃文件和各級規範標準中的設計條件並進行空間信息配准，將前置設計條件以屬性表形式嵌入目標街區。採集涉及目標街區的專項規劃、控規文本和相關規範標準【相關法定規範包括《商店建築設計規範》《建築設計防火規範》和《城市道路交叉口規劃規範》】，並通過加載數據庫組件提取街區設計條件，組件中預先設定街區設計條件的提取內容。將採集的街區設計條件進行標準化處理，統一數據格式，與三維空間沙盤進行空間匹配，並以屬性表的形式鏈接至目標街區。

（3）整體智能設計—逐級生成模塊。基於所提取的設計條件，生成街區三維體塊，同時基於對建築組合的機器學習，生成三維的建築模型，並對建築形態進行優化。在街區尺度上採取逐級生成方案並逐級優化的路線，包括街區二維平面、街區三維空間體塊、街區公共空間、街區人行出入口、街區塔樓建築和裙房建築、街區建築體塊方案。同時構建街區三維輪廓線訓練樣本庫，通過加載機器學習模型生成街區三維模型，並對裙房建築形態進行優化，生成多個街區建築體塊方案。

（4）人機協調設計—逐級優化模塊。用全息沙盤顯示生成的街區設計方案，並構建交互反饋的指令庫，選擇和識別指令，指令處理與結果反饋顯示。通過構建城市設計方案的全息沙盤和虛擬現實即時交互系統，可實現設計師對城市設計方案即時、準確、高效地反饋調整，解決傳統方案展示和調整存在的視角單一、互動性差、調整延時、後續工作周期長等問題。

2 街區智能化設計的四種方法

在街區三維形態智能化設計總體架構的基礎上，通過進化算法、適應性算法和有監督深度學習、逐級交互設計等人工智能方法，構建街區三維形態的智能化設計模塊。

2.1 進化算法：映射設計內在規律與機理

進化算法包括遺傳算法、遺傳規劃、進化規劃和進化策略等，指從任一初始的群體出發，通過有限隨機選擇、變異和重組過程，使群體進化到搜索空間中越來越好的區域（圖3）。遺傳算法在建築群落布局中已有應用，而進化算法中的適應函數，可以置入大量城市規劃與設計的規範、技術標準和經驗值域，進一步限定隨機選擇的方向，並能針對線性網絡的不同原型模式進行進化約束，較適合道路和步行網絡的生成。

註：研究對象以(0,0)為原點，在抽象的矩形理想街區中生長。坐標中的數字單位為米，負值表示生長方向相反。

圖3 基於進化算法的街區步行體系N輪生長圖

2.2 適應性算法：學習現有經驗與知識

適應性算法利用現有城市建築、路網等矢量大數據構建街區案例學習庫，並結合設計目標地塊的指標，構建案例匹配決策樹。本研究課題組近年來在中心區實地調研的基礎上，結合大數據相關技術，採集了國內外主要城市的空間數據成果，包括建築、道路、水系、綠地等，並在此技術上針對主要城市的空間數據進行多輪清洗，剔除搭建地和棕地等建築較少、質量較差的街區空間數據，篩選出代表性較高的六大類不同功能街區數據。將目標地塊中對應指標和規範的相似案例選出，並基於街區用地性質、形態指數、街區面積等不同影響要素，構建參數化適應性設計操作譜系（旋轉、縮放、拉拽、刪除等），將現有的具有不同風格和處於不同環境的城市街區方案適應到目標場地中，從而形成滿足不同地區特色需求的方案數據庫（圖4）。

圖4 適應性算法在建築群落中的應用思路

2.3 有監督深度學習：方案控制與風格選擇

監督學習方法是目前研究較為廣泛的一種機器學習方法，例如神經網絡傳播算法、決策樹學習算法等已在許多領域得到成功應用。在傳統城市設計分形視角下，對不同功能細分的街區形態量化指標已有研究，結合不同功能的街區形態特徵指標並連接街區已有控制性詳細規劃的各類管控指標，可構建街區決策樹。通過有監督學習算法分析訓練數據，城市設計的智能方案允許確定各類標籤，並用已知某種方案的控制要求或某些風格特性的樣本作為訓練集，以建立一個確定風格的方案庫，再用已建立的方案庫生成新的城市設計方案（圖5）。

圖5 有監督學習下對智能生成方案的空間錯落度優化調整

2.4 逐級交互設計：沉浸式方案場景設計

交互式設計技術最特殊的地方在於人機高度交互。應用於設計中，主要表現為虛擬交互，通過手勢、點擊等識別來實現交互技術，將虛擬的設備、產品展示給設計者。例如：在麻省理工學院（MIT）媒體實驗室（MediaLab）開發的CityScope等項目中，通過光學標記的樂高對象陣列、計算機視覺和3D投影映射協作組成有形交互矩陣（TIM），城市設計師可以複製、移動對象來改變數字屏幕上的三維方案模 型，而東南大學建築學院則將VR交互沙盤、城市立方等技術工具運用在科研與實踐中（圖6）。

圖6 基於沉浸式虛擬現實場景的方案交互式設計應用

3 「匹配—生成—反饋」逐級智能化設計技術流程

3.1 案例庫智能決策：多因子決策樹逐級匹配

採集設計地塊周邊一定範圍內建築、道路信息的矢量二維數據和周邊建築傾斜攝影三維空間信息；獲取上位規劃中設計地塊控制性詳細規劃里圍合該地塊的道路的CAD格式數據，以及設計地塊內部的地塊控規指標數據，統一矢量數據坐標並將控規指標與設計地塊的建築—道路空間模型建立連接關係；獲取城市設計現狀建設方案案例庫（圖7左），提取城市設計方案案例特徵指標體系，對特徵參數優先級排序，並構建特徵指標體系決策樹（圖7右），根據決策樹優選出相似案例，形成特徵學習案例庫。

圖7 空間基地構建及多因子決策樹逐級匹配圖

3.2 整體性智能設計：「道路—步行—建築」逐級生成

本研究通過街區三維形態的智能化設計方法模塊，整合了進化算法等既有研究中較為成熟的生成方法，並重點針對不同功能的街區建築群落設計做進一步的方法探索，試圖構建「道路—步行—建築」逐級生成的整體性智能設計流程。

（1）街區道路網絡智能化設計。根據控制性詳細規劃中確定的各街區出入口位置，將格柵法與最短路徑法相結合，智能生成多個地塊道路網絡方案，並結合道路規則檢驗模型對方案進行驗證，輸出滿足規則的道路網絡方案及各方案特徵參數。

（2）街區公共空間智能化設計。根據控制性詳細規劃中確定的各街區土地利用性質與智能生成的道路網絡方案，將步行基本單元參數控制與進化算法相結合，智能生成多個地塊步行體系方案，並結合步行體系規則檢驗模型對方案進行驗證，輸出滿足規則的步行體系方案及各方案特徵參數。

（3）街區建築群落智能化設計。構建建築組合樣本數據庫，根據設計地塊的建築組合樣本庫特徵指標，將其與建築組合案例數據庫智能匹配，進一步通過進化算法和自適應算法生成不同功能的建築組合方案，並結合地塊控規空間參數和日照間距對方案進行驗證，輸出滿足規則的建築組合方案及各方案特徵參數（圖8）。

圖8 「道路—步行—建築」逐級生成圖

3.3 交互式智能設計：人機協同優化逐級反饋

採用虛擬現實即時交互平台和設備，通過全息沙盤展示三維模型，設計師穿戴VR眼鏡並使用數據手套可以更好地融入三維虛擬場景，提前感知方案設計的預期效果（圖9）。在實時的空間感知中，設計師可以根據不同需求對設計方案進行即時調整：語音識別設備可以捕捉識別語音指令信息，數據手套可以通過傳感器捕捉識別手勢動作指令信息。根據設計師的指令，智能三維沙盤即時調整設計方案，並計算調整後的設計指標，使方案設計調整更高效，也使方案更貼近真實效果（表1）。

圖9 全息沙盤展示三維模型交互機理

表1 人機協同優化即時調整指令集（部分）

4 人機交互下街廓三維形態智能化設計的實踐應用

4.1 基底搭建：設計師對場地現狀認知規則轉譯

在實踐案例中，選取了五個目標地塊作為方案生成的基本街區（圖10）。統一矢量數據坐標，將設計地塊周邊的建築、道路矢量二維數據、設計地塊控規圍合道路、地塊周邊建築三維傾斜攝影信息加載入智能城市設計平台，在DGX1 V100超深度學習工作站上運行。並採集設計地塊內部的地塊控規指標數據，包括各街區用地屬性、街區出入口位置、街區開發強度（建築密度、建築高度、容積率）、建築貼線率、建築退線等。

註：容積率、建築密度、建築高度均為控制上限。

圖10 五個目標地塊選取圖

4.2 方案生成：逐級智能生成設計方案初步探索

對街區道路網絡進行智能化設計，結合《城市道路交通規劃設計規範》（GB 50220-95）中對街區尺度和道路密度的規範，限定道路生成的規則。在兩個確定的出入口之間形成隱格柵，在格柵上自動尋找兩個路口間的最短路徑並相連，畫出設計方案道路中心線，並根據城市支路道路規範自動拓寬道路。

在道路多方案的基礎上，進一步智能生成街區公共空間。採用進化算法L-System，以步行體系生成的起點進化生長基本單元。基本單元按照預設的步行體系適應函數進行生長，在生長過程中通過函數約束不同街區間的步行體系連通性，並避免步行體系與上一輪已生成的道路網絡出現過多的平行重疊，實現人車分行的良好步行空間。

在步行體系多方案的基礎上，進一步智能生成街區建築群落。建築組合案例數據庫進行智能匹配：以目標地塊4為例，將各街坊交互指標與案例庫進行比對，將匹配度達到90%的樣本建築組合按照匹配度大小進行排列，選取匹配度前1000個建築組合生成案例學習數據庫；歸攏前1000個建築組合，以此作為CVAE-GAN補圖算法和建築自適應算法的數據庫進行機器學習，生成各街坊不同功能的建築組合的海量方案（圖11），並與地塊控規空間參數（各街區開發強度、密度、建築高度、建築貼線率、建築退線）和居住建築日照間距等技術規範進行校核，剔除不符合規範的方案。將規劃指標庫與城市設計方案庫連接，通過規劃指標計算公式測算出智能系統生成的每個方案的各項規劃指標數值。將城市設計各項規劃指標數值與規劃指標庫內規劃指標值限定區間比對，判定多方案規劃指標是否在規劃指標值限定區間內。若結果為否，則判定為廢棄方案；若結果為是，則將該方案加載至符合規劃指標的方案庫（圖12）。

圖11 目標地塊4的街坊建築組合多方案智能生成過程圖

圖12 目標地塊4經過控規指標和規範校驗後的優選方案之一

4.3 人機逐級交互：沉浸式虛擬現實的互動優化設計

在方案逐級交互階段，將符合規劃指標的設計成果導入全息沙盤，將場地底盤三維模型與建築三維空間模型疊加，生成城市設計智能交互平台。將設計師的眼睛視角與三維全息沙盤的相對空間位置進行定位，在全息沙盤平台四周、設計師穿戴的VR眼鏡上、數據手套的手心分別設置可探測距離的傳感器，使全息沙盤、VR眼鏡和數據手套可以相互探測到對方位置。構建全息沙盤智能指令庫，包括指令名稱、手勢動作指令信息或語音指令信息，以及智能三維沙盤修改調整。

在人機交互過程中，將指令對應的全息沙盤智能修改調整輸入工作站，所述指令對應的修改調整包括建築形體的拉伸、縮放、旋轉、建築布局的調整等，調整後可即時計算出新方案各項規劃指標，並依次逐級優化生成並顯示修改調整後的交互式人工智能城市設計成果（圖13）。

圖13 交互式人工智能城市設計平台構架構想圖

5 結語

如今，隨着數字技術在城市規劃領域的應用越來越廣泛，城市設計與人工智能的結合也面臨著一場變革。在建築設計等領域運用人工智能方法雖然已有一段時間，也為城市設計相關方法和技術的創新提供了啟發與借鑒，但城市設計領域包含多尺度空間的內在機理，有着更為多元的人文與社會內容的「顯隱互鑒」，因此在人工智能城市設計過程中，不僅需要滿足建築尺度、日照等規範校驗，也要考慮多尺度、多要素的逐級設計與逐輪優化。本文提出的人工智能城市設計在街區尺度的逐級交互式設計模式，作為一種街區尺度的人工智能城市設計探索，希望為建築單體智能生成拓展到街區、城市形態智能生成細分到街區構建一條紐帶，在百花齊放的人工智能與城市設計相結合的變革中提供一種新思路與新探索。

作者：楊俊宴（通信作者），東南大學建築學院，教授，博士生導師；東南大學智慧城市研究院，副院長。[email protected]

朱驍，東南大學建築學院，博士研究生。[email protected]

國內外城市智能規劃技術類型與特徵研究

城市：可計算的複雜有機系統——評《創造未來城市》

排版| 徐嘟嘟

本文為本訂閱號原創