Авторазмещение зданий в градостроительстве с помощью DQN

Почему имеет значение более умная планировка зданий

По мере того как города становятся выше и плотнее, всё труднее обеспечить, чтобы окна квартир по-прежнему получали солнце, а высотки были безопасно разнесены друг от друга. Градостроители обычно решают эти задачи вручную, прогоняя медленные компьютерные симуляции и многократно корректируя планировки. В этом исследовании представлена система искусственного интеллекта (ИИ), которая автоматически размещает высотные здания на участке так, чтобы жилые помещения получали достаточное количество зимнего солнечного света, а башни сохраняли безопасные расстояния друг от друга — это может сэкономить планировщикам огромное количество времени и повысить комфорт в густонаселённых районах.

Рост города и давление на солнечный свет

Быстрая урбанизация, особенно в таких мегаполисах, как Пекин и Шанхай, приводит к тому, что здания сближаются и поднимаются выше в небо. В то же время национальные правила в Китае требуют, чтобы жилые помещения получали минимальное количество солнечного света в середине зимы и чтобы высотные здания были разделены определёнными безопасными расстояниями. Сегодня архитекторы пользуются профессиональным ПО, чтобы выполнить эти требования: чертят контуры зданий, проводят детальные симуляции солнечного света и перемещают башни до тех пор, пока не будут соблюдены как условия по инсоляции, так и по расстоянию. Этот процесс сильно зависит от экспертного опыта и множества итераций проб и ошибок, что делает его медленным и трудным для масштабирования, когда нужно протестировать многие земельные участки и варианты планировок.

Обучение нейросети предсказывать инсоляцию

Главное препятствие для автоматизации этой работы — высокая вычислительная стоимость точных симуляций солнечного света. Чтобы обойти это, исследователи сначала обучили особый тип нейросети — свёрточный автоэнкодер — выступать в роли быстрого «заменителя» инструменту симуляции. Они сгенерировали более тысячи примерных планировок в Autodesk Revit для условий середины зимы в Пекине и записали для каждой точки участка, сколько минут солнца она получала в течение дня. Эти карты инсоляции были преобразованы в изображения в градациях серого и сопоставлены с простыми изображениями, представляющими высоты и следы зданий. ИИ научился преобразовывать изображение планировки в соответствующую карту инсоляции, достигнув средней ошибки менее трёх минут солнечного света на точку, при этом работая примерно в сто раз быстрее оригинальной симуляции.

Позволив агенту ИИ размещать здания шаг за шагом

Имея быстрый предсказатель инсоляции, команда перешла к более сложной задаче: автоматическому выбору места для каждого здания. Они оформили это как пошаговую игру для обучающегося агента. Начиная с пустого участка, агент размещает по одному зданию и может сдвигать его вверх, вниз, влево или вправо по сетке. После каждого перемещения быстрая нейросеть оценивает инсоляцию, а система вычисляет, насколько близко здание к соседям и границам участка. Агент получает вознаграждение, когда находит позицию, удовлетворяющую как минимальным требованиям по солнечному освещению южных окон, так и минимальным требованиям по расстоянию между зданиями, и получает штрафы за наложения или чрезмерную тесноту. За многие симулированные попытки Deep Q-Network — распространённый метод обучения с подкреплением — вырабатывает стратегию, которая последовательно ведёт к валидным и эффективным планировкам.

Как система показывает себя по сравнению с другими методами

Исследователи протестировали свой подход на десятках разных земельных участков, содержащих от пяти до двенадцати зданий, и сравнили его с тремя базовыми стратегиями: случайным размещением, простой жадной стратегией и генетическим алгоритмом. Случайное размещение редко давало работоспособные проекты, а даже настроенная эвристика и эволюционный поиск отставали от обучающегося агента. Система ИИ достигла 100-процентного успеха в создании планировок, удовлетворяющих как правила по солнцу, так и по расстоянию, требовала меньше перемещений на здание и располагала башни более компактно без ущерба для доступа к свету. В среднем её планировки обеспечивали более длительную инсоляцию окон на уровне земли по сравнению с альтернативами, а полная расстановка на участке могла быть сгенерирована всего за несколько секунд, что делает исследование большого числа вариантов практичным для повседневных задач планирования.

Что это означает для будущего градостроительства

По сути, исследование показывает, что сочетание быстрого обученного предсказателя инсоляции и обучаемого принимающего решения агента может надёжно раскладывать здания так, чтобы соблюдались строгие нормативные требования при эффективном использовании земли. Хотя текущий инструмент фокусируется только на зимнем солнце и безопасных расстояниях — и настроен под климат Пекина — он уже является мощным прототипом: планировщики могут подать набор кандидатов-зданий и почти мгновенно получить несколько соответствующих требованиям вариантов планировок. В будущих версиях та же идея может быть расширена для учёта ветра, видов, шума или локальных правил других городов, превращая расстановку зданий из медленного ручного ремесла в интерактивное партнёрство между людьми-дизайнерами и ИИ-помощниками.

Цитирование: Lin, P., Shi, G., Hu, C. et al. Auto-arrange buildings in urban planning with DQN. Sci Rep 16, 11406 (2026). https://doi.org/10.1038/s41598-026-40788-w

Ключевые слова: ИИ в градостроительстве, планировка зданий, оптимизация солнечного освещения, обучение с подкреплением, генеративные модели