作者：彬彬
编辑：李宝珠，三羊
清华大学研究团队提出了强化学习的城市社区空间规划模型与方法，并实现了人类规划师与人工智能算法协作的城市规划流程，为智能城市的自动化规划提供了全新思路。
城市，不仅承载着人们对于安居乐业的热切期望，同时也是支撑各类经济活动的重要底座。从农耕时代到工业时代，再到如今的数字时代，人们从未停止提升城市舒适度与安全性的进程，在这个过程中，城市规划的重要性日益凸显。
近年来，以更加宜居为导向，「15 分钟城市」概念得到了更多关注，其核心是居民在 15 分钟内可步行或骑行到基本服务设施，体现了人们对于城市社区内高效率空间布局的期待。然而，由于城市地理空间的多样性，城市用地布局和道路规划是一件非常复杂且困难的任务，一直高度依赖专业规划师的经验。
针对于此，清华大学电子系城市科学与计算研究中心和建筑学院跨学科合作，创新地提出了基于深度强化学习的城市社区空间规划方法，提出的 AI 模型能够从海量数据中学习城市规划，不断优化空间效率，并最终达到超越人类专家的规划水平。
MIT 可感知城市实验室 (MIT Senseable City Lab) 的研究科学家 Paolo Santi 表示，这成功展示了人类与 AI 协作完成空间布局规划任务的可行性，为城市科学提供了丰富的研究方向。目前，该研究已发布于 Nature Computational Science。
论文地址：
GitHub 链接:
公众号后台回复「城市规划」，获取完整论文
结合数百万规划数据，提出 3 大关键概念
针对「15分钟城市」的新式社区规划，清华大学研究团队通过在虚拟城市环境中数百万次的规划，提出了城市邻接图、深度强化学习的城市规划模型以及 human--artificial intelligence collaborative 框架。
城市邻接图：克服社区形式多样且不规则的难题
卷积神经网络适用于具有规则输入的任务，如围棋、芯片设计等，而城市社区形式多样且不规则，卷积神经网络在类似任务中并不具备显著优势。为了克服这一难题，研究团队提出了一个城市邻接图，用于描述城市几何的拓扑结构。
其中，城市地理元素作为节点，包括地块、道路、交叉口等，而空间邻接关系作为边。使用图模型能够为任意形式的城市社区给出统一表示，从而发挥深度强化学习算法在巨大动作空间中的高效搜索能力，并实现城市社区用地和道路的智能布局。
(a) 用地布局的图表示 (Graph representation) (b) 道路布局的图表示
深度强化学习模型：减小动作空间
通过建模城市邻接图，城市空间规划被重新表述为在动态图上做出选择的顺序，在图形空间中每一步选择边和节点的动作 (action) 带来图形相应地演化。这就是另一个主要的挑战------巨大的动作空间 (action space)。一个中等规模社区的动作空间可能会超过 4000 的一百次方（每个步骤有 4000 种可能动作，共 100 个步骤用于社区空间规划），这使得建模过程繁琐且工作量巨大。
为了减小动作空间，研究人员构建了两个策略与一个价值网络。策略网络用于辅助 AI Agent 选择土地和道路的位置，价值网络基于「15分钟城市」概念来预测空间规划的质量。通过从策略网络中采样，并使用价值网络估计规划质量，动作空间得到了大幅缩小。
该研究提出的强化学习模型
(a) 图神经网络状态编码器
(b) 用地布局策略网络
(c) 社区规划价值判断网络
(d) 道路布局策略网络
(e) 社区规划图上马尔科夫决策过程示意图
为了获得城市地理元素的有效表示，研究人员又进一步开发了基于图神经网络 (GNN) 的状态编码器，它在价值网络和策略网络之间共享，利用城市连续性图上的消息传递和邻居聚合，捕捉土地、道路段和交汇点之间的空间关系。
human--artificial intelligence collaborative: 时间效率提高 3000 倍
考虑到城市规划方法的复杂性，研究团队提出了一个 AI 与人类规划师协作的工作流程，其中人类规划师专注于概念原型设计，并利用该模型完成繁重和耗时的规划工作。
该工作流程在客观规划指标，以及由 100 名专业规划师组成的主观盲测中，均优于完全由人类完成的工作流程，并在时间效率上提高 3000 倍。这说明，人类规划师可以从 AI 与人类协作的工作流程中受益，通过设计人类规划师与人工智能的协作工作流程，能够大幅提升人类规划师的工作效率，高效地生成不同风格的社区规划方案。
新方法击败 8 名人类规划师
实验表明，基于该研究方法所得到的社区规划方案能够显著提高「15分钟城市」的各项指标，在相同的初始条件和规划约束下，该方法明显优于最先进的算法和人类规划师，可以将空间效率的客观指标提高超过 48.6%。
特别是在使用现有的真实社区作为初始条件时，该模型可以生成土地利用改造计划，将居民对各种设施的可访问性显著提高超过 18.5%。
所提模型规划方案与已有算法性能对比 (a-e) 不同算法的规划方案
(a) 中心化启发式方法 (b) 去中心化启发式方法 (c) 遗传算法 (d) 多层感知机强化学习算法 (e) 该研究所提方法 (f-g) 15分钟城市性能指标对比：f 服务指标，g 生态指标
由 8 名专业人类规划师和研究团队所提出方法 设计的 2 个社区空间规划及其相应的空间性能
(a-h) 由人类规划师生成的空间规划。 (i) 由研究团队所提出方法生成的空间平面图。 (j) 两者的服务和生态效率性能比较。 (k) 两者设计的五种基本住宅需求服务可达性的比较。
结果表明，研究团队所提出方法在服务和生态指标上击败了 8 名专业人类规划师。具体地说，该方法相对于最佳和一般的规划师表现分别提高了 13.64% 和 19.52% 的服务效率。就生态指标而言，则分别提高 15.38% 和 59.65% 的效率。
此外，在五种基本住宅需求服务（即教育、医疗、购物、工作、娱乐）可达性方面，研究团队所提出方法仍然实现了更加平衡的性能，其中 3/5 相对于所有人类规划师排名最高。
人机结合：城市规划的未来
城市规划，一方面需要处理包含人口、组织、环境、技术的复杂生态系统，另一方面又处在技术应用的下游位置，行业数字化升级起步较晚。
近年来，AI 的进步为城市规划者带来了新的机遇，利用 AI 算法和数据分析技术，规划者可以更深入地了解构成现代城市的复杂系统，帮助他们就城市规划中的问题做出更明智的决策。然而值得注意的是，城市规划并不是一个只需要选择土地利用和道路位置的游戏，而是多方利益相关者之间复杂的互动。
当下 AI 模型参与城市规划主要受静态指标引导，虽然可以生成具有高空间效率的社区规划，但规划整个城市是一项更加复杂的任务，需要考虑包括经济增长和居民健康在内的多样化目标。此外，土地所有权、公共通道、城市隔离和翻新等内容都需要关注。
我们希望 AI 模型除了可以帮助人类规划师加速空间布局过程外，还可以为其他参与者带来更广泛的效益。例如通过引入定制选项到模型中，进而构建公共平台，促进居民和开发商参与规划过程。而清华大学研究团队本次提出的框架，展示了所有参与者更高程度参与的可能性，也是迈向更加透明和包容城市的重要一步。