CN112651059B - 一种基于人工智能的控规地块城市设计多方案生成方法 - Google Patents
一种基于人工智能的控规地块城市设计多方案生成方法 Download PDFInfo
- Publication number
- CN112651059B CN112651059B CN202011503007.7A CN202011503007A CN112651059B CN 112651059 B CN112651059 B CN 112651059B CN 202011503007 A CN202011503007 A CN 202011503007A CN 112651059 B CN112651059 B CN 112651059B
- Authority
- CN
- China
- Prior art keywords
- scheme
- building
- road
- design
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3833—Creation or updating of map data characterised by the source of data
- G01C21/3852—Data derived from aerial or satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/12—Geometric CAD characterised by design entry means specially adapted for CAD, e.g. graphical user interfaces [GUI] specially adapted for CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/006—Mixed reality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/18—Details relating to CAD techniques using virtual or augmented reality
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Architecture (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- Human Computer Interaction (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Road Paving Structures (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工智能的控规地块城市设计多方案生成方法,该方法包括如下模块的操作步骤:(1)地块空间计算沙盘模块;(2)控规特征参数输入模块;(3)特征案例智能学习模块;(4)地块道路智能生成模块;(5)地块步行智能生成模块;(6)地块建筑智能生成模块;(7)方案输出辅助绘图模块。本发明通过人工智能的控规地块城市设计多方案生成方法,实现了规划师对控规给定条件下城市设计多方案的即时、准确、高效的反馈调整,解决了传统设计方案工作周期长等多方面问题。
Description
技术领域
本发明属于城市规划领域,涉及一种人工智能城市设计生成方法,尤其涉及一种基于人工智能的控规地块城市设计多方案生成方法。
背景技术
王建国院士(2018)***地梳理了城市设计思想理念的历史发展脉络,在深入分析研判国内外城市设计学科和专业领域发展前沿的基础上,认为城市设计已经历了传统城市设计、现代主义城市设计、绿色城市设计几个阶段的发展,目前已经呈现出以数字化为方法工具特征的城市设计发展新趋势,进而提出***“数字化城市设计范型”的学术主张并概括剖析了其五大创新价值。***城市设计以形态整体性理论重构为目标,并以人机互动的数字技术方法工具变革为核心特征。通过众多案例的科学研究实践成果表明,在可见的未来,规划设计编制将有望实现“从数字采集到数字设计,再到数字管理”的跨越。
吴志强院士(2018)在人工智能辅助城市规划一文中,阐述了人工智能与城市规划两个学科在发展中的关系、互为推动力的切入点、未来价值取向的发展方向等认知要点,预测了下一代人工智能的技术突破将为城市研究和城市规划带来的巨大变革。并结合实际应用案例,对人工智能辅助城市规划的前沿动态做出了诠释。
武慧君,邱灿红(2018)对人工智能2.0时代的理论内涵和技术前沿进行了梳理,指出人工智能新技术将对城市形态、城市运行、城市治理模式和城市文化产生重要影响,并提出可持续发展城市的规划应对措施,包括建立全流程、智能化的动态规划流程体系,精细化与人性化的空间治理,多元主体参与规划治理,建设混合、共享的高质量城市社区,以及构建多层次、***化、高效安全的数据平台,有助于营造可持续的智能城市。
在具体的人工智能城市设计方法层面,通过共享性的城市规划数据集取、分析和管理平台,城市设计将不会再由于三维形态评判因人而异的主观性而无法应对大尺度城市空间形态。在一定的场合,数字化城市设计可以相对独立于规划而自成逻辑***,并获得问题解决的独特路径。在空间设计中,计算机在环境物理属性分析并集成相关要素、启发和推动设计者思路及快速提供方案选择、深入方面也取得了显著的功效。
现有的人工智能城市设计方法主要是集中于数据挖掘和构建案例库的机器学***台,基于帕累托最优的RBFOpt机器学习黑盒模型优化算法库,从满足日照,防火间距以及类型分区组团等约束条件并赋予相应权重值,进行规则限定下的建筑自动生成方法研究,为业主、规划管理部门及设计师进行更精确的设计条件分析及项目经济价值评估并求解给定权重比的最优方案提供了可行的方法和思路。George Grekousis等(2013)提出了一种与地理信息***(GISs) 相结合的城市演化建模的人工智能方法。该方法运用模糊逻辑和神经网络技术,为城市增长的分析、预测和解释提供了一种时空综合方法,所建立的城市模型考虑到人口和建筑使用模式随时间的变化。该模型应用于希腊阿提卡州,描述了雅典大都市区目前和未来的发展趋势,并通过城市增长动态图加以说明,可以协助规划人员和决策者深入了解从农村到城市的过渡过程。
发明内容
本发明的目的为针对现有技术的不足,提供了一种基于人工智能的控规地块城市设计多方案生成方法,通过人工智能的控规地块城市设计多方案生成方法,实现了规划师对控规给定条件下城市设计多方案的即时、准确、高效的反馈调整,解决了传统设计方案工作周期长等多方面问题。
本发明采用的技术方案:一种基于人工智能的控规地块城市设计多方案生成方法,包括以下模块的操作步骤:
S1、地块空间计算沙盘模块;
S2、控规特征参数输入模块;
S3、特征案例智能学习模块;
S4、地块道路智能生成模块;
S5、地块步行智能生成模块;
S6、地块建筑智能生成模块;
S7、方案输出辅助绘图模块。
进一步的,所述S1包括S1.1、S1.2、S1.3、S1.4四个步骤:
S1.1、采集设计地块周边一定范围内的周边建筑、道路信息的矢量二维数据,所述建筑数据为闭合的多边形,包含建筑层数信息;所属道路数据包括各道路中心线、道路宽度。
S1.2、结合无人机现场采集校对设计地块周边建筑倾斜摄影三维空间信息。
S1.3、统一矢量数据坐标,将设计地块周边的建筑、道路矢量二维数据、设计地块控规围合道路、地块周边建筑三维倾斜摄影信息加载入人工智能城市设计平台,在计算机上运行。
S1.4、基于建筑层数信息以3m为层高进行拉伸,得到设计地块周边现状建筑三维模型;基于道路中心线及道路高程点信息,依据道路宽度数值,生成设计地块周边及围合道路三维模型,以此建立地块空间计算基本沙盘。
进一步的,所述S2包括S2.1、S2.2两个步骤:
S2.1、采用扫描仪对地块控制线详细规划图及图纸成果进行扫描,获得设计地块内部的地块控规指标数据。包括各街区用地属性、各街区出入口位置,各街区开发强度(建筑密度、建筑高度、容积率)、建筑贴现率、建筑退线。
S2.2、并将地块控规空间参数输入人工智能城市设计平台中,与设计地块周边现状建筑三维模型和设计地块周边及围合道路三维模型进行空间连接。
进一步的,所述S3包括S3.1、S3.2两个步骤:
S3.1、获取城市设计现状建设方案案例库,提取城市设计方案案例特征指标体系;
S3.2、对特征参数优先级排序、特征指标体系决策树,根据决策树优选出相似案例,形成特征学习案例库。
进一步的,所述S4包括S4.1、S4.2、S4.3、S4.4四个步骤:
S4.1、在两确定的出入口之间形成30m×30m的隐格栅,在超深度计算机上自动寻找两个路口间的最短路径并相连,重复步骤直到S4.1中的地块各街区所有出入口均与有最短路径相连;
S4.2、根据S4.1形成设计方案道路中心线,在超深度计算机上并根据城市支路道路规范自动拓宽道路;
S4.3、结合《GB50220-95城市道路交通规划设计规范》规范参数不同功能的街区尺度规范及道路密度规范对S4.2中生成的方案进行验证,并剔除掉不符合规范的道路方案;
S4.4、在打印机输出符合S4.3规范要求的道路网络方案,并生成道路网络方案交互参数。包括路网密度均匀程度交互参数、路网通达度交互参数以及路网连接度参数。
进一步的,所述S5包括S5.1、S5.2、S5.3、S5.4、S5.5、S5.6六个步骤:
S5.1、在非居住用地的临近外部道路的街区中采用均匀分步法布置一点,为步行体系生成起点;
S5.2、设置步行体系生成基本单元的参数:α张角范,li长度范围;
S5.3、在超深度计算机上设置步行体系生成适应函数;
S5.4、在超深度计算机上采用进化算法L-System,以步行体系生成的起点进化生长基本单元;基本单元生长直到非居住用地的各街区中步行体系均能联通,并且进化的树形结构与非居住街区的道路边界城市道路均连接上则停止;
S5.5、在步行体系树形结构的基础上,结合步行体系规范参数对生成方案进行验证(人车分行——步行道路与车行道路不重合;连接非居住的公共功能街区;连接到***公共功能街区三大规则);
S5.6、在打印机输出S5.5规则验证后的步行体系方案,并生成步行体系方案交互参数。包括街坊个数交互参数、街坊面积交互参数、街坊形状指数交互参数。
进一步的,所述S6包括S6.1、S6.2、S6.3、S6.4、S6.5、S6.6六个步骤:
S6.1、构建建筑组合形态样本数据库:建筑组合样本数据采集和矢量化,通过谷歌地图进行截取建筑组合影像数据,矢量化建筑边界和道路;
S6.2、建筑组合样本特征指标提取(包含街坊形状,街坊面积,建筑密度,容积率,用地性质)(根据建筑占地面积和街坊面积计算建筑密度;通过建筑阴影识别建筑高度,计算容积率;通过建筑形态,识别建筑功能和用地性质);
S6.3、建筑组合案例数据库智能匹配:将各街坊交互指标与案例库进行比对,将匹配度达到90%的样本建筑组合按照匹配度大小进行排列,选取匹配度前1000个建筑组合生成案例学习数据库;
S6.4、已前1000个建筑组合为CVAE-GAN补图算法和建筑自适应算法的数据进行机器学习,生成各街坊不同功能的建筑组合的智能方案;
S6.5、基于S2中输入的地块控规空间参数(各街区开发强度(建筑密度、建筑高度、容积率)、建筑贴现率、建筑退线)及居住建筑日照间距进行校核,剔除不符合规范方案;
S6.6、输出符合日照及消防规范要求的建筑组合方案,并生成建筑组合方案交互参数。包括建筑组合方案的天际轮廓波动率交互参数。
进一步的,所述S7包括S7.1、S7.2、S7.3、S7.4四个步骤:
S7.1、逐级输出并合并道路-步行-建筑方案,将方案中的道路、步行、建筑以GIS数据格式分到各个图层并依次命名,命名方式为建筑-arch、道路-road、步行-landscape,将数据导入人工智能城市设计平台。
S7.2、将S7.1中提取的规划方案数据与S4.4、S5.6、S6.6得到的规则检验参数报告及设计特征参数在三维数据平台中结合,输出多方案的报告数据表并形成工程报告图纸,采用激光打印机打印成文本格式。
S7.3、将S7.1中提取的规划方案数据与S1得到的现状三维实景数据在三维数据平台中结合,调试坐标,使两者在同一坐标系,在新的三维模型数据库中设置多个观查点,在人工智能城市设计平台中生成规划设计后新的城市场景并导出。
S7.4、可佩戴虚拟现实眼镜,对S7.3中所确定的城市设计方案观察点进行场景漫游仿真。
本发明的有益效果:
1、本发明弥补了现有图像学习等方法在城市设计领域应用的不足。人工智能技术的运用现已广泛涉及空间、生态、交通、文化、公共管理等多个方面。在空间方面,主要包括基于计算机视觉技术的城市影像研究、基于数据挖掘和机器学习的生成设计工具、以及城市空间模型的智能构建。近年来,计算机视觉与城市研究的交叉催生了一系列创新性研究,形成一个具有重大潜力的跨学科研究领域。但由于现有图像学习等智能生成手段的不可控性,往往产生过多无效方案,难以满足当前城市设计的实际需求。
2、本发明采取“自上而下”的设计思路,对应不同体系逐级设计与优化。目前深圳小库等智能城市设计方法,主要面向功能单一的居住区,采取强排及选型等方式,难以适用于片区层面功能混合的设计场地。这种基于建筑排列组合的设计思路,更多体现的一种从建筑出发的“自下而上”的设计思维,在小尺度功能单一的地段能够适用,但城市设计更多的是注重对城市整体的空间形态控制与风貌营造,需要强调不同街区间的功能、空间、景观、交通、步行等联系,而本发明采取“自上而下”的设计思路,对应不同体系逐级设计与优化。
3、本发明在片区尺度城市设计及与控制线详细规划的衔接具有重要性与广泛应用性。而在城市设计中,常会需要在片区开发总量既定的情况下,推敲各个街坊的多种三维形态可能性,以配合对开发总量及指标在多街区之间的分布设定与调整。同时,需要推敲各种开发强度分布设定下所对应的具象三维建筑群体体量,以谋求整个规划范围内的城市形态控制。长久以来,这项从指标到形态的生成工作都是由设计单位的大量助理设计人员手动完成,当需要调整各街坊的指标设定时,上述过程需要重新来过,工作量巨大,直接影响设计推敲调整的积极性,最终影响设计质量。
附图说明
图1为本发明实施例的整体方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
如图1所示,一种基于人工智能的控规地块城市设计多方案生成方法,包括以下模块的操作步骤:
S1、地块空间计算沙盘模块:采集设计地块周边一定范围内的建筑、道路信息的矢量二维数据及周边建筑倾斜摄影三维空间信息;
所述S1包括S1.1、S1.2、S1.3、S1.4四个步骤:
S1.1、采集设计地块周边一定范围内的周边建筑、道路信息的矢量二维数据,所述建筑数据为闭合的多边形,包含建筑层数信息;所属道路数据包括各道路中心线、道路宽度。
S1.2、结合无人机现场采集校对设计地块周边建筑倾斜摄影三维空间信息。
S1.3、统一矢量数据坐标,将设计地块周边的建筑、道路矢量二维数据、设计地块控规围合道路、地块周边建筑三维倾斜摄影信息加载入人工智能城市设计平台,在计算机上运行。
S1.4、基于建筑层数信息以3m为层高进行拉伸,得到设计地块周边现状建筑三维模型;基于道路中心线及道路高程点信息,依据道路宽度数值,生成设计地块周边及围合道路三维模型,以此建立地块空间计算基本沙盘。
S2、控规特征参数输入模块:获取上位规划中设计地块控制性详细规划的地块围合道路 CAD格式数据与设计地块内部的地块控规指标数据,统一矢量数据坐标并将控规指标与设计地块的建筑-道路空间模型建立连接关系;
所述S2包括S2.1、S2.2两个步骤:
S2.1、采用扫描仪对地块控制线详细规划图及图纸成果进行扫描,获得设计地块内部的地块控规指标数据。包括各街区用地属性、各街区出入口位置,各街区开发强度(建筑密度、建筑高度、容积率)、建筑贴现率、建筑退线。
S2.2、并将地块控规空间参数输入人工智能城市设计平台中,与设计地块周边现状建筑三维模型和设计地块周边及围合道路三维模型进行空间连接。
S3、特征案例智能学习模块:获取城市设计现状建设方案案例库,提取城市设计方案案例特征指标体系,对特征参数优先级排序、特征指标体系决策树,根据决策树优选出相似案例,形成特征学习案例库;
所述S3包括S3.1、S3.2两个步骤:
S3.1、获取城市设计现状建设方案案例库,提取城市设计方案案例特征指标体系;
S3.2、对特征参数优先级排序、特征指标体系决策树,根据决策树优选出相似案例,形成特征学习案例库。
S4、地块道路智能生成模块:根据控制线详细规划中确定的各街区出入口位置,采取格栅法与最短路径法结合的方法,对地块道路网络多方案进行智能生成,并结合道路规则检验模型对方案进行验证,输出满足规则的道路网络方案及各方案特征参数;
所述S4包括S4.1、S4.2、S4.3、S4.4四个步骤:
S4.1、在两确定的出入口之间形成30m×30m的隐格栅,在格栅上自动寻找两个路口间的最短路径并相连,重复步骤直到S4.1中的地块各街区所有出入口均与有最短路径相连;
S4.2、根据S4.1形成设计方案道路中心线,并根据城市支路道路规范自动拓宽道路;
S4.3、结合《GB50220-95城市道路交通规划设计规范》规范参数不同功能的街区尺度规范及道路密度规范对S4.2中生成的方案进行验证,并剔除掉不符合规范的道路方案;
S4.4、输出符合S4.3规范要求的道路网络方案,并生成道路网络方案交互参数。包括路网密度均匀程度交互参数、路网通达度交互参数以及路网连接度参数。
S5、地块步行智能生成模块:根据控制线详细规划中确定的各街区土地利用性质及S4中所智能生成的道路网络方案,采取步行基本单元参数控制与进化算法结合的方法,对地块步行体系多方案进行智能生成,并结合步行体系规则检验模型对方案进行验证,输出满足规则的步行体系方案及各方案特征参数;
所述S5包括S5.1、S5.2、S5.3、S5.4、S5.5、S5.6六个步骤:
S5.1、在非居住用地的临近外部道路的街区中采用均匀分步法布置一点,为步行体系生成起点;
S5.2、设置步行体系生成基本单元的参数:α张角范,li长度范围,岔路数的范围:
S5.3、设置步行体系生成适应函数;
S5.4、采用进化算法L-System,以步行体系生成的起点进化生长基本单元;基本单元生长直到非居住用地的各街区中步行体系均能联通,并且进化的树形结构与非居住街区的道路边界城市道路均连接上则停止;
S5.5、在步行体系树形结构的基础上,结合步行体系规范参数对生成方案进行验证(人车分行——步行道路与车行道路不重合;连接非居住的公共功能街区;连接到***公共功能街区三大规则);
S5.6、输出S5.5规则验证后的步行体系方案,并生成步行体系方案交互参数。包括街坊个数交互参数、街坊面积交互参数、街坊形状指数交互参数。
S6、地块建筑智能生成模块:构建建筑组合样本数据库,根据设计地块的建筑组合样本库特征指标建筑组合案例数据库智能匹配,从而生成方案案例学习数据库,并进一步CVAE-GAN 补图算法和自适应算法生成不同功能的建筑组合方案,并结合地块控规空间参数及日照间距对方案进行验证,输出满足规则的建筑组合方案及各方案特征参数;
所述S6包括S6.1、S6.2、S6.3、S6.4、S6.5、S6.6六个步骤:
S6.1、在超深度计算机上构建建筑组合形态样本数据库:建筑组合样本数据采集和矢量化,通过谷歌地图进行截取建筑组合影像数据,矢量化建筑边界和道路;
S6.2、建筑组合样本特征指标提取(包含街坊形状,街坊面积,建筑密度,容积率,用地性质)(根据建筑占地面积和街坊面积计算建筑密度;通过建筑阴影识别建筑高度,计算容积率;通过建筑形态,识别建筑功能和用地性质);
S6.3、建筑组合案例数据库智能匹配:将各街坊交互指标与案例库进行比对,将匹配度达到90%的样本建筑组合按照匹配度大小进行排列,选取匹配度前1000个建筑组合生成案例学习数据库;
S6.4、已前1000个建筑组合为CVAE-GAN补图算法和建筑自适应算法的数据进行机器学习,生成各街坊不同功能的建筑组合的智能方案;
S6.5、基于S2中输入的地块控规空间参数(各街区开发强度(建筑密度、建筑高度、容积率)、建筑贴现率、建筑退线)及居住建筑日照间距进行校核,剔除不符合规范方案;
S6.6、并在打印机上输出符合日照及消防规范要求的建筑组合方案,并生成建筑组合方案交互参数。包括建筑组合方案的天际轮廓波动率交互参数。
S7、方案输出辅助绘图模块:最终输出道路-步行-建筑方案集成后的GIS数据,同时输出规则检验参数报告及设计特征参数报告数据表,形成工程报告图纸并打印,将GIS数据输入可视化平台***形成市民展示交互界面。
所述S7包括S7.1、S7.2、S7.3、S7.4四个步骤:
S7.1、逐级输出并合并道路-步行-建筑方案,将方案中的道路、步行、建筑以GIS数据格式分到各个图层并依次命名,命名方式为建筑-arch、道路-road、步行-landscape,将数据导入人工智能城市设计平台。
S7.2、将S7.1中提取的规划方案数据与S4.4、S5.6、S6.6得到的规则检验参数报告及设计特征参数在三维数据平台中结合,输出多方案的报告数据表并形成工程报告图纸,采用激光打印机打印成文本格式。
S7.3、将S7.1中提取的规划方案数据与S1得到的现状三维实景数据在三维数据平台中结合,调试坐标,使两者在同一坐标系,在新的三维模型数据库中设置多个观查点,在人工智能城市设计平台中生成规划设计后新的城市场景并导出。
S7.4、可佩戴虚拟现实眼镜,对S7.3中所确定的城市设计方案观察点进行场景漫游仿真。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。
Claims (4)
1.一种基于人工智能的控规地块城市设计多方案生成方法,其特征在于,包括以下模块的操作步骤:
S1、地块空间计算沙盘模块:利用无人机采集设计地块周边的建筑、道路信息的矢量二维数据及周边建筑倾斜摄影三维空间信息;
S2、控规特征参数输入模块:获取上位规划中设计地块控制性详细规划的地块围合道路CAD格式数据与设计地块内部的地块控规指标数据,在超深度计算机统一矢量数据坐标并将控规指标与设计地块的建筑-道路空间模型建立连接;
S3、特征案例智能学习模块:利用图像扫描仪获取城市设计现状建设方案案例库,提取城市设计方案案例特征指标体系,对特征参数优先级排序、特征指标体系决策树,根据决策树优选出相似案例,形成特征学习案例库;
S4、地块道路智能生成模块:根据控制线详细规划中确定的各街区出入口位置,采取格栅法与最短路径法结合的方法,在超深度计算机上对地块道路网络多方案进行智能生成,并结合道路规则检验模型对方案进行验证,并在打印机输出满足规则的道路网络方案及各方案特征参数;
所述S4包括S4.1、S4.2、S4.3、S4.4四个步骤:
S4.1、在两确定的出入口之间形成30m×30m的隐格栅,在超深度计算机上自动寻找两个路口间的最短路径并相连,重复步骤直到S4.1中的地块各街区所有出入口均与有最短路径相连;
S4.2、根据S4.1形成设计方案道路中心线,在超深度计算机上并根据城市支路道路规范自动拓宽道路;
S4.3、结合《GB50220-95城市道路交通规划设计规范》规范参数不同功能的街区尺度规范及道路密度规范对S4.2中生成的方案进行验证,并剔除掉不符合规范的道路方案;
S4.4、在打印机输出符合S4.3规范要求的道路网络方案,并生成道路网络方案交互参数。包括路网密度均匀程度交互参数、路网通达度交互参数以及路网连接度参数;
S5、地块步行智能生成模块:根据控制线详细规划中确定的各街区土地利用性质及S4中所智能生成的道路网络方案,采取步行基本单元参数控制与进化算法结合的方法,在超深度计算机上对地块步行体系多方案进行智能生成,并结合步行体系规则检验模型对方案进行验证,并在打印机输出满足规则的步行体系方案及各方案特征参数;
所述S5包括S5.1、S5.2、S5.3、S5.4、S5.5、S5.6六个步骤:
S5.1、在非居住用地的临近外部道路的街区中采用均匀分步法布置一点,为步行体系生成起点;
S5.2、设置步行体系生成基本单元的参数:α张角范,li长度范围;
S5.3、在超深度计算机上设置步行体系生成适应函数;
S5.4、在超深度计算机上采用进化算法L-System,以步行体系生成的起点进化生长基本单元;基本单元生长直到非居住用地的各街区中步行体系均能联通,并且进化的树形结构与非居住街区的道路边界城市道路均连接上则停止;
S5.5、在步行体系树形结构的基础上,结合步行体系规范参数对生成方案进行验证;
S5.6、在打印机输出S5.5规则验证后的步行体系方案,并生成步行体系方案交互参数;包括街坊个数交互参数、街坊面积交互参数、街坊形状指数交互参数;
S6、地块建筑智能生成模块:在超深度计算机上构建建筑组合样本数据库,根据设计地块的建筑组合样本库特征指标建筑组合案例数据库智能匹配,从而生成方案案例学习数据库,并进一步CVAE-GAN补图算法和自适应算法生成不同功能的建筑组合方案,在超深度计算机上并结合地块控规空间参数及日照间距对方案进行验证,并在打印机上输出满足规则的建筑组合方案及各方案特征参数;
所述S6包括S6.1、S6.2、S6.3、S6.4、S6.5、S6.6六个步骤:
S6.1、在超深度计算机上构建建筑组合形态样本数据库:建筑组合样本数据采集和矢量化,通过谷歌地图进行截取建筑组合影像数据,矢量化建筑边界和道路;
S6.2、建筑组合样本特征指标提取;
S6.3、建筑组合案例数据库智能匹配:将各街坊交互指标与案例库进行比对,将匹配度达到90%的样本建筑组合按照匹配度大小进行排列,选取匹配度前1000个建筑组合生成案例学习数据库;
S6.4、已前1000个建筑组合为CVAE-GAN补图算法和建筑自适应算法的数据进行机器学习,生成各街坊不同功能的建筑组合的智能方案;
S6.5、基于S2中输入的地块控规空间参数及居住建筑日照间距进行校核,剔除不符合规范方案;
S6.6、并在打印机上输出符合日照及消防规范要求的建筑组合方案,并生成建筑组合方案交互参数。包括建筑组合方案的天际轮廓波动率交互参数;
S7、方案输出辅助绘图模块:最终输出道路-步行-建筑方案集成后的GIS数据,同时并在打印机上输出规则检验参数报告及设计特征参数报告数据表,形成工程报告图纸并打印,将GIS数据输入可视化平台***,利用头戴式VR交互设备形成市民展示交互;
所述S7包括S7.1、S7.2、S7.3、S7.4四个步骤:
S7.1、逐级输出并合并道路-步行-建筑方案,将方案中的道路、步行、建筑以GIS数据格式分到各个图层并依次命名,命名方式为建筑-arch、道路-road、步行-landscape,将数据导入人工智能城市设计平台;
S7.2、将S7.1中提取的规划方案数据与S4.4、S5.6、S6.6得到的规则检验参数报告及设计特征参数在三维数据平台中结合,输出多方案的报告数据表并形成工程报告图纸,采用激光打印机打印成文本格式;
S7.3、将S7.1中提取的规划方案数据与S1得到的现状三维实景数据在三维数据平台中结合,调试坐标,使两者在同一坐标系,在新的三维模型数据库中设置多个观查点,在人工智能城市设计平台中生成规划设计后新的城市场景并导出;
S7.4、可佩戴虚拟现实眼镜,对S7.3中所确定的城市设计方案观察点进行场景漫游仿真。
2.根据权利要求1所述的一种基于人工智能的控规地块城市设计多方案生成方法,其特征在于,所述S1包括S1.1、S1.2、S1.3、S1.4四个步骤:
S1.1、采集设计地块周边的周边建筑、道路信息的矢量二维数据,所述建筑数据为闭合的多边形,包含建筑层数信息;所属道路数据包括各道路中心线、道路宽度;
S1.2、结合无人机现场采集校对设计地块周边建筑倾斜摄影三维空间信息;
S1.3、统一矢量数据坐标,将设计地块周边的建筑、道路矢量二维数据、设计地块控规围合道路、地块周边建筑三维倾斜摄影信息加载入人工智能城市设计平台,在计算机上运行;
S1.4、基于建筑层数信息以3m为层高进行拉伸,得到设计地块周边现状建筑三维模型;基于道路中心线及道路高程点信息,依据道路宽度数值,生成设计地块周边及围合道路三维模型,以此建立地块空间计算基本沙盘。
3.根据权利要求1所述的一种基于人工智能的控规地块城市设计多方案生成方法,其特征在于,所述S2包括S2.1、S2.2两个步骤:
S2.1、采用扫描仪对地块控制线详细规划图及图纸成果进行扫描,获得设计地块内部的地块控规指标数据。包括各街区用地属性、各街区出入口位置,各街区开发强度、建筑贴现率、建筑退线;
S2.2、并将地块控规空间参数输入人工智能城市设计平台中,与设计地块周边现状建筑三维模型和设计地块周边及围合道路三维模型进行空间连接。
4.根据权利要求1所述的一种基于人工智能的控规地块城市设计多方案生成方法,其特征在于,所述S3包括S3.1、S3.2两个步骤:
S3.1、获取城市设计现状建设方案案例库,提取城市设计方案案例特征指标体系;
S3.2、对特征参数优先级排序、特征指标体系决策树,根据决策树优选出相似案例,形成特征学习案例库。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011503007.7A CN112651059B (zh) | 2020-12-18 | 2020-12-18 | 一种基于人工智能的控规地块城市设计多方案生成方法 |
EP21799164.5A EP4044060A4 (en) | 2020-12-18 | 2021-01-06 | PROCESS BASED ON ARTIFICIAL INTELLIGENCE TO GENERATE MULTIPLE URBAN DESIGN SOLUTIONS FOR A REGULATORY PLAN PLOT |
US17/611,740 US20220309202A1 (en) | 2020-12-18 | 2021-01-06 | Artificial intelligence-based urban design multi-plan generation method for regulatory plot |
PCT/CN2021/070479 WO2022126806A1 (zh) | 2020-12-18 | 2021-01-06 | 一种基于人工智能的控规地块城市设计多方案生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011503007.7A CN112651059B (zh) | 2020-12-18 | 2020-12-18 | 一种基于人工智能的控规地块城市设计多方案生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112651059A CN112651059A (zh) | 2021-04-13 |
CN112651059B true CN112651059B (zh) | 2022-11-08 |
Family
ID=75355124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011503007.7A Active CN112651059B (zh) | 2020-12-18 | 2020-12-18 | 一种基于人工智能的控规地块城市设计多方案生成方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220309202A1 (zh) |
EP (1) | EP4044060A4 (zh) |
CN (1) | CN112651059B (zh) |
WO (1) | WO2022126806A1 (zh) |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472390B (zh) * | 2018-09-12 | 2021-08-31 | 郑颖尔 | 基于机器学习的规划方案智能生成方法及*** |
CN113379231A (zh) * | 2021-06-08 | 2021-09-10 | 深圳市城市产业发展集团有限公司 | 片区开发建设资金全周期数字化测算模型、装置、存储介质、电子设备 |
CN113704856A (zh) * | 2021-09-01 | 2021-11-26 | 江苏华邦工程造价咨询有限公司 | 一种参数化的规划地块建筑模型自动生成*** |
CN114218640B (zh) * | 2021-12-15 | 2023-10-31 | 东南大学 | 一种基于人工智能的假山体量设计方法 |
CN114491773B (zh) * | 2022-03-31 | 2022-07-05 | 深圳小库科技有限公司 | 建筑方案生成的方法、装置、计算机设备以及存储介质 |
US11908185B2 (en) * | 2022-06-30 | 2024-02-20 | Metrostudy, Inc. | Roads and grading detection using satellite or aerial imagery |
CN115481793A (zh) * | 2022-09-09 | 2022-12-16 | 北京中地华安科技股份有限公司 | 一种基于人工智能的地质灾害治理方法 |
CN115235439B (zh) * | 2022-09-23 | 2022-12-06 | 山东科大微机应用研究所有限公司 | 基于网格划分和数据校正的地块测亩方法 |
CN115544622B (zh) * | 2022-10-11 | 2023-12-26 | 同济大学 | 城乡参与式三维规划设计平台、方法、设备及存储介质 |
CN116776428B (zh) * | 2023-06-14 | 2023-12-05 | 广州志广信息科技有限公司 | 一种园林道路智能化布局方法及*** |
CN116824078A (zh) * | 2023-06-27 | 2023-09-29 | 重庆数字城市科技有限公司 | 一种基于三维模型的市政设施部件展示方法和平台 |
CN117113480A (zh) * | 2023-08-04 | 2023-11-24 | 中国建筑装饰集团有限公司 | 一种cad基于几何图形快速生成尺寸排版的方法及*** |
CN117196335B (zh) * | 2023-09-06 | 2024-03-12 | 河北建筑工程学院 | 一种基于gis技术的国土空间规划优化方法及*** |
CN116958478B (zh) * | 2023-09-19 | 2024-01-02 | 子亥科技(成都)有限公司 | 城市建筑模型程序化生成方法、装置、设备及存储介质 |
CN117314198B (zh) * | 2023-10-25 | 2024-03-05 | 北京华清安地建筑设计有限公司 | 历史文化街区功能更新综合分析方法及*** |
CN117131581B (zh) * | 2023-10-26 | 2024-02-13 | 乘木科技(珠海)有限公司 | 一种数字孪生城市道路的构建***及方法 |
CN117150633B (zh) * | 2023-10-27 | 2024-02-23 | 中国建筑西南设计研究院有限公司 | 一种基于集群智能与性能模拟的室外公共空间寻优方法 |
CN117311563B (zh) * | 2023-11-28 | 2024-02-09 | 西安大地测绘股份有限公司 | 一种基于ar的公路违法用地监测方法及*** |
CN117876612B (zh) * | 2023-12-05 | 2024-07-05 | 中交第二公路勘察设计研究院有限公司 | 一种基于无人机倾斜摄影的路线拟合设计方法 |
CN117407550B (zh) * | 2023-12-14 | 2024-02-23 | 四川农业大学 | 一种基于gis技术的藏羌传统聚落景观数字化*** |
CN117495666B (zh) * | 2023-12-29 | 2024-03-19 | 山东街景智能制造科技股份有限公司 | 一种基于3d图纸生成2d数据的处理方法 |
CN117634000B (zh) * | 2024-01-08 | 2024-05-10 | 华南理工大学 | 一种用于体育馆的计算性整合设计方法 |
CN117611108B (zh) * | 2024-01-24 | 2024-05-10 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 一种城乡建设用地有偿调剂的智能决策构建方法 |
CN117974912B (zh) * | 2024-04-02 | 2024-06-04 | 山东省国土测绘院 | 城市规划实景三维模拟*** |
CN118133403A (zh) * | 2024-04-30 | 2024-06-04 | 广州市城市规划勘测设计研究院有限公司 | 城市规划设计图的生成方法、装置、设备、介质及产品 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599332A (zh) * | 2015-10-20 | 2017-04-26 | 星际空间(天津)科技发展有限公司 | 一种三维数字方案辅助设计与展现方法 |
US10452791B2 (en) * | 2018-01-10 | 2019-10-22 | TechSimple, LLC | Dynamic determination of building fit on lot parcels |
US10818082B2 (en) * | 2018-03-05 | 2020-10-27 | Vivacity Inc. | Method and system for parametrically creating an optimal three dimensional building structure |
WO2019196186A1 (zh) * | 2018-04-12 | 2019-10-17 | 东南大学 | 一种用于构建城市设计数字化沙盘的*** |
CN111985774B (zh) * | 2020-07-17 | 2021-03-19 | 东南大学 | 一种控规调整的自动化三维交互审查***与方法 |
CN112052503B (zh) * | 2020-09-04 | 2021-04-13 | 东南大学 | 一种基于人工智能的商业街区建筑体块生成的方法 |
CN112052547B (zh) * | 2020-09-04 | 2021-07-23 | 东南大学 | 一种基于人工智能的城市道路网络自动生成方法 |
-
2020
- 2020-12-18 CN CN202011503007.7A patent/CN112651059B/zh active Active
-
2021
- 2021-01-06 EP EP21799164.5A patent/EP4044060A4/en active Pending
- 2021-01-06 WO PCT/CN2021/070479 patent/WO2022126806A1/zh unknown
- 2021-01-06 US US17/611,740 patent/US20220309202A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
CN112651059A (zh) | 2021-04-13 |
EP4044060A4 (en) | 2023-07-19 |
WO2022126806A1 (zh) | 2022-06-23 |
EP4044060A1 (en) | 2022-08-17 |
US20220309202A1 (en) | 2022-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112651059B (zh) | 一种基于人工智能的控规地块城市设计多方案生成方法 | |
CN112052547B (zh) | 一种基于人工智能的城市道路网络自动生成方法 | |
CN106780089B (zh) | 基于神经网络元胞自动机模型的永久性基本农田划定方法 | |
CN109472390B (zh) | 基于机器学习的规划方案智能生成方法及*** | |
CN104008241B (zh) | 一种输电线路多窗口联动选线、排塔定位***及方法 | |
Luo et al. | A rule-based city modeling method for supporting district protective planning | |
WO2024032317A1 (zh) | 城市设计中基于形态类型的建筑体量数字化生成方法 | |
CN114443793A (zh) | 一种时空数据可视化的国土空间详细规划三维场景设计的方法 | |
CN111125820A (zh) | 一种基于bim+gis的施工场地空间虚拟施工方法 | |
CN115526450A (zh) | 基于倾斜摄影与bim结合的施工进度监测方法、***及介质 | |
CN116090065A (zh) | 一种基于数字孪生的智慧城市绿化设计方法及装置 | |
CN113076336A (zh) | 偏远地区水厂选址gis宏微观决策支持*** | |
CN113963104A (zh) | 基于gan模型生成的布局图像的三维立体模型生成方法 | |
CN117371949B (zh) | 基于三维可视化模型的输电线路施工安全监测方法及*** | |
CN117391282A (zh) | 一种基于bim+gis技术下的智慧城市规划管理方法 | |
CN117235854A (zh) | 高校校园规划设计中量性形统筹的数字化生成方法 | |
Xu et al. | Integrating BIM and VR for highway construction site layout planning | |
Li et al. | Reconstruction of traditional village spatial texture based on parametric analysis | |
CN113554221B (zh) | 一种“流空间”视角下的城镇开发边界模拟预测方法 | |
La Russa et al. | Advanced 3D Parametric Historic City Block Modeling Combining 3D Surveying, AI and VPL | |
Avezbaev et al. | Implementation of GIS-based Smart Community Information System and concepts of Digital Twin in the field of urban planning in Uzbekistan | |
CN114186718B (zh) | 一种基于卫星影像的输变电工程智能管理方法及*** | |
Zhao et al. | Conservation Design of Industrial Heritage based on Nonlinear GA Optimization Algorithm and Three-dimensional Reconstructioneconstruction | |
Yuan et al. | City information modeling and the sustainable city: now and beyond | |
CN117235872B (zh) | 一种市政交通工程正向设计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |