공간배치 과정은 무수히 많은 경우의 수에서 목적에 부합하는 최적의 경우를 선택하는 과정이라고 할 수 있다. 수많은 경우의 수를 모두 나열하고 검토한다는 것은 인간의 능력으로는 불가능하다. 인간은 전체 경우의 수에서 건축 결과물의 기능, 대지 조건, 법규 및 제도, 건축 문화, 사회적 통념, 기술 수준, 건축주의 요구 등 여러 가지 제반 조건을 고려해서 정해진 기간 내에 유의미하는 경우, 즉 제한된 조건에 만족할 수 있는 경우를 필터링하여 남은 소수의 경우만을 검토한다. 하지만 컴퓨터의 연산 능력을 활용하면 인간 능력의 한계를 벗어나 고려되지 않았던 경우를 스스로 탐색하고 검토하며 평가할 수 있게 된다. 인간의 능력을 확장하여 검토할 수 없었던 경우를 단순하게 검토하는 것을 넘어서 기대하는 성능을 달성할 수 있을 뿐만 아니라 알려지지 않았던 방법을 탐구할 수 있는 방법론으로 ...
공간배치 과정은 무수히 많은 경우의 수에서 목적에 부합하는 최적의 경우를 선택하는 과정이라고 할 수 있다. 수많은 경우의 수를 모두 나열하고 검토한다는 것은 인간의 능력으로는 불가능하다. 인간은 전체 경우의 수에서 건축 결과물의 기능, 대지 조건, 법규 및 제도, 건축 문화, 사회적 통념, 기술 수준, 건축주의 요구 등 여러 가지 제반 조건을 고려해서 정해진 기간 내에 유의미하는 경우, 즉 제한된 조건에 만족할 수 있는 경우를 필터링하여 남은 소수의 경우만을 검토한다. 하지만 컴퓨터의 연산 능력을 활용하면 인간 능력의 한계를 벗어나 고려되지 않았던 경우를 스스로 탐색하고 검토하며 평가할 수 있게 된다. 인간의 능력을 확장하여 검토할 수 없었던 경우를 단순하게 검토하는 것을 넘어서 기대하는 성능을 달성할 수 있을 뿐만 아니라 알려지지 않았던 방법을 탐구할 수 있는 방법론으로 강화학습이 활용될 수 있다. 이러한 맥락에서 본 연구에서는 아파트 공간배치 디자인에서 모든 경우를 추출하고 목적에 부합할 뿐만 아니라 성능이 우월하거나 기존에 고려하지 못했던 창이적인 공간배치 대안을 탐색할 수 있도록 하는 심층강화학습 기반 공간배치 방법론을 제시하고자 한다. 본 연구에서는 심층강화학습 기반 공간배치 방법론을 제시하기 위하여 1) 건축설계 방법론과 공간배치에 대한 이론적 고찰 및 기존연구를 검토하였다. 이 단계에서는 건축설계 프로세스에서 공간배치는 정해진 규칙에 따라 건축 실내의 공간상에 배치하는 과정이 존재한다는 것을 밝혔다. 2) 심층강화학습 기반 공간배치 방법론의 강화학습 환경을 구축하였다. 여기서 강화학습의 환경은 Open-AI 회사에서 공개한 Gym 플랫폼으로 구축하였고, 환경과 에이전트 두 가지로 구성된다. 3) Gym 플랫폼에서 제공하는 행동 공간, 관찰 공간, 보상 체계를 사용하여 에이전트를 개발하였다. 에이전트는 주어진 환경에서 정해진 목적을 충족시키기 위한 특정한 행동을 선택적으로 취할 수 있게 하였다. 4) 심층강화학습 기반 공간배치 방법론을 설계 전문가처럼 공간배치를 구성할 수 있도록 하기 위해 실제 도면에 내재되어 있는 방과 방 사이의 인접관계 등 위치적인 공간정보를 강화학습의 보상체계에 반영할 수 있도록 도면 인식 모델을 제안하였다. 도면 인식 모델은 전처리, 벡터화, 주벽인식, 방의 인식, 후처리 등 과정을 거치 픽셀 형식의 아파트 도면을 인식하게 되고, 인식된 공간정보는 매트릭스 형식으로 저장된다. 5) 아파트 도면에 내재되어 있는 인접관계 등 위치적인 공간정보를 강화학습의 보상체계로 반영하기 위해 서울지역의 아파트를 대상으로 2베치, 3베이, 4베이 각 유형별로 200개 도면을 수집한 다음 도면 인식 모델을 이용하여 인접관계 정보를 추출하고, ERAM 모델을 이용하여 강화학습의 보상체계로 반영시켰다. 6) 심층강화학습 기반 공간배치 방법론의 유효성을 검증하기 위해서는 구축된 세 가지 아파트 유형별 보상체계를 이용하여 각각 따로 시뮬레이션을 실시하였다. 시뮬레이션 결과에 따르면 심층강화학습 기반 공간배치 방법론은 보상체계에 따라 원하는 성능을 가진 공간배치를 고안할 수 있음을 보여주었다. 이에 본 연구에서 제시한 방법론의 실효성과 가능성을 입증할 수 있었다. 7) 심층강화학습 기반 아파트 공간배치 방법론이 건축실무에 어떻게 활용되는지를 보여주기 위하여 시뮬레이션을 통해 얻은 아파트 유형별 공간배치 대안을 설계 전문가에게 제공함으로써 아파트 평면도를 완성시킨 결과물을 검토하였다. 이처럼 인공지능 기술을 적용한 아파트 평면도와 설계 전문가가 직접 계획한 아파트 평면도를 비교하여 본 연구에서 제시한 공간배치 방법론의 활용 가능성을 검토하였다.
공간배치 과정은 무수히 많은 경우의 수에서 목적에 부합하는 최적의 경우를 선택하는 과정이라고 할 수 있다. 수많은 경우의 수를 모두 나열하고 검토한다는 것은 인간의 능력으로는 불가능하다. 인간은 전체 경우의 수에서 건축 결과물의 기능, 대지 조건, 법규 및 제도, 건축 문화, 사회적 통념, 기술 수준, 건축주의 요구 등 여러 가지 제반 조건을 고려해서 정해진 기간 내에 유의미하는 경우, 즉 제한된 조건에 만족할 수 있는 경우를 필터링하여 남은 소수의 경우만을 검토한다. 하지만 컴퓨터의 연산 능력을 활용하면 인간 능력의 한계를 벗어나 고려되지 않았던 경우를 스스로 탐색하고 검토하며 평가할 수 있게 된다. 인간의 능력을 확장하여 검토할 수 없었던 경우를 단순하게 검토하는 것을 넘어서 기대하는 성능을 달성할 수 있을 뿐만 아니라 알려지지 않았던 방법을 탐구할 수 있는 방법론으로 강화학습이 활용될 수 있다. 이러한 맥락에서 본 연구에서는 아파트 공간배치 디자인에서 모든 경우를 추출하고 목적에 부합할 뿐만 아니라 성능이 우월하거나 기존에 고려하지 못했던 창이적인 공간배치 대안을 탐색할 수 있도록 하는 심층강화학습 기반 공간배치 방법론을 제시하고자 한다. 본 연구에서는 심층강화학습 기반 공간배치 방법론을 제시하기 위하여 1) 건축설계 방법론과 공간배치에 대한 이론적 고찰 및 기존연구를 검토하였다. 이 단계에서는 건축설계 프로세스에서 공간배치는 정해진 규칙에 따라 건축 실내의 공간상에 배치하는 과정이 존재한다는 것을 밝혔다. 2) 심층강화학습 기반 공간배치 방법론의 강화학습 환경을 구축하였다. 여기서 강화학습의 환경은 Open-AI 회사에서 공개한 Gym 플랫폼으로 구축하였고, 환경과 에이전트 두 가지로 구성된다. 3) Gym 플랫폼에서 제공하는 행동 공간, 관찰 공간, 보상 체계를 사용하여 에이전트를 개발하였다. 에이전트는 주어진 환경에서 정해진 목적을 충족시키기 위한 특정한 행동을 선택적으로 취할 수 있게 하였다. 4) 심층강화학습 기반 공간배치 방법론을 설계 전문가처럼 공간배치를 구성할 수 있도록 하기 위해 실제 도면에 내재되어 있는 방과 방 사이의 인접관계 등 위치적인 공간정보를 강화학습의 보상체계에 반영할 수 있도록 도면 인식 모델을 제안하였다. 도면 인식 모델은 전처리, 벡터화, 주벽인식, 방의 인식, 후처리 등 과정을 거치 픽셀 형식의 아파트 도면을 인식하게 되고, 인식된 공간정보는 매트릭스 형식으로 저장된다. 5) 아파트 도면에 내재되어 있는 인접관계 등 위치적인 공간정보를 강화학습의 보상체계로 반영하기 위해 서울지역의 아파트를 대상으로 2베치, 3베이, 4베이 각 유형별로 200개 도면을 수집한 다음 도면 인식 모델을 이용하여 인접관계 정보를 추출하고, ERAM 모델을 이용하여 강화학습의 보상체계로 반영시켰다. 6) 심층강화학습 기반 공간배치 방법론의 유효성을 검증하기 위해서는 구축된 세 가지 아파트 유형별 보상체계를 이용하여 각각 따로 시뮬레이션을 실시하였다. 시뮬레이션 결과에 따르면 심층강화학습 기반 공간배치 방법론은 보상체계에 따라 원하는 성능을 가진 공간배치를 고안할 수 있음을 보여주었다. 이에 본 연구에서 제시한 방법론의 실효성과 가능성을 입증할 수 있었다. 7) 심층강화학습 기반 아파트 공간배치 방법론이 건축실무에 어떻게 활용되는지를 보여주기 위하여 시뮬레이션을 통해 얻은 아파트 유형별 공간배치 대안을 설계 전문가에게 제공함으로써 아파트 평면도를 완성시킨 결과물을 검토하였다. 이처럼 인공지능 기술을 적용한 아파트 평면도와 설계 전문가가 직접 계획한 아파트 평면도를 비교하여 본 연구에서 제시한 공간배치 방법론의 활용 가능성을 검토하였다.
The process of spatial layout can be a process of choosing the optimal case that meets the purpose of numerous numbers of cases. It is impossible to list and review all numerous numbers of cases with the human ability. Human review only few remaining cases by filtering the one that can be met with t...
The process of spatial layout can be a process of choosing the optimal case that meets the purpose of numerous numbers of cases. It is impossible to list and review all numerous numbers of cases with the human ability. Human review only few remaining cases by filtering the one that can be met with the restricted conditions which are meaningful within the designated period after considering various conditions such as function of the building outcomes, lot conditions, laws and systems, architecture cultures, social conventions, technology level and requirements of owner from the entire numbers of cases. However, if the computational ability of the computer can be used, the cases that haven't been considered because they were beyond human capabilities can be explored, reviewed and evaluated. Deep reinforcement learning can be used as a methodology of not only achieving expected performance beyond simple review of cases that haven't been reviewed by expanding the human ability but also exploring unknown methods. In this context, this study presents the methodology of deep reinforcement learning based spatial layout that can extract all cases from apartment spatial layout design and meets its purposes and enables to explore alternatives of creative spatial layout that has excellent performances or haven't been considered before. This study 1) made theocratical considerations and reviewed existing studies on methodology and spatial layout of architecture design to present the methodology of deep reinforcement learning based spatial layout method. In this process, it was found that the spatial layout has a process of placing the spaces in the interior of architecture according to the prescribed regulations in process of architecture design. 2) The deep reinforcement learning environment of deep reinforcement learning based spatial layout methodology was built. At this point, the deep reinforcement learning environment was built with Gym platform published by Open-AI company which are consisted of two things, the environment and agents. 3) Agent was developed by using behavioral space, observation space and compensation system provided by Gym platform. Agent was designed to selectively take a specific behavior to meet the determined purpose in the given environment. 4) Drawing recognition model was proposed so that location-based space information such as neighborhood relation between rooms that are included in the actual drawing to the compensation system of the deep reinforcement learning to make deep reinforcement learning based spatial layout methodology to be arranged as design expert did. Drawing recognition model recognizes the drawing of apartment in the form of pixel while going through certain processes such as preprocessing, vectorizing, recognizing surrounding, recognizing rooms and post-processing, and recognized space information is saved in the form of matrix. 200 drawings for each type of 2-bay, 3-bay and 4-bay were collected from apartments in Seoul to reflect location-based space information such as neighborhood relation between rooms that are included in the apartment drawings and then neighborhood relation information was extracted by using drawing recognition model. And it was reflected to the compensation system of the deep reinforcement learning using ERAM model. 6) Respective simulation was conducted by using compensation systems of three types of apartment built to verify the validity of deep reinforcement learning based spatial layout methodology. The results of the simulation showed that the deep reinforcement learning based spatial layout methodology can design spatial layout with desired performance according to the compensation system. Therefore, the effectiveness and possibility of the methodology presented in this study were able to be verified. 7) The results of completing the apartment drawing made by providing spatial layout alternatives for each type of apartment obtained through simulations were reviewed to demonstrate how deep reinforcement learning based spatial layout methodology can be utilized in actual architecture. As such, the feasibility of spatial layout methodology presented in this study was reviewed by comparing apartment floor plan applied by artificial intelligence and the one designed directly by design professional.
The process of spatial layout can be a process of choosing the optimal case that meets the purpose of numerous numbers of cases. It is impossible to list and review all numerous numbers of cases with the human ability. Human review only few remaining cases by filtering the one that can be met with the restricted conditions which are meaningful within the designated period after considering various conditions such as function of the building outcomes, lot conditions, laws and systems, architecture cultures, social conventions, technology level and requirements of owner from the entire numbers of cases. However, if the computational ability of the computer can be used, the cases that haven't been considered because they were beyond human capabilities can be explored, reviewed and evaluated. Deep reinforcement learning can be used as a methodology of not only achieving expected performance beyond simple review of cases that haven't been reviewed by expanding the human ability but also exploring unknown methods. In this context, this study presents the methodology of deep reinforcement learning based spatial layout that can extract all cases from apartment spatial layout design and meets its purposes and enables to explore alternatives of creative spatial layout that has excellent performances or haven't been considered before. This study 1) made theocratical considerations and reviewed existing studies on methodology and spatial layout of architecture design to present the methodology of deep reinforcement learning based spatial layout method. In this process, it was found that the spatial layout has a process of placing the spaces in the interior of architecture according to the prescribed regulations in process of architecture design. 2) The deep reinforcement learning environment of deep reinforcement learning based spatial layout methodology was built. At this point, the deep reinforcement learning environment was built with Gym platform published by Open-AI company which are consisted of two things, the environment and agents. 3) Agent was developed by using behavioral space, observation space and compensation system provided by Gym platform. Agent was designed to selectively take a specific behavior to meet the determined purpose in the given environment. 4) Drawing recognition model was proposed so that location-based space information such as neighborhood relation between rooms that are included in the actual drawing to the compensation system of the deep reinforcement learning to make deep reinforcement learning based spatial layout methodology to be arranged as design expert did. Drawing recognition model recognizes the drawing of apartment in the form of pixel while going through certain processes such as preprocessing, vectorizing, recognizing surrounding, recognizing rooms and post-processing, and recognized space information is saved in the form of matrix. 200 drawings for each type of 2-bay, 3-bay and 4-bay were collected from apartments in Seoul to reflect location-based space information such as neighborhood relation between rooms that are included in the apartment drawings and then neighborhood relation information was extracted by using drawing recognition model. And it was reflected to the compensation system of the deep reinforcement learning using ERAM model. 6) Respective simulation was conducted by using compensation systems of three types of apartment built to verify the validity of deep reinforcement learning based spatial layout methodology. The results of the simulation showed that the deep reinforcement learning based spatial layout methodology can design spatial layout with desired performance according to the compensation system. Therefore, the effectiveness and possibility of the methodology presented in this study were able to be verified. 7) The results of completing the apartment drawing made by providing spatial layout alternatives for each type of apartment obtained through simulations were reviewed to demonstrate how deep reinforcement learning based spatial layout methodology can be utilized in actual architecture. As such, the feasibility of spatial layout methodology presented in this study was reviewed by comparing apartment floor plan applied by artificial intelligence and the one designed directly by design professional.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.