CN110851902A - 一种空间排布方案的生成方法及装置 - Google Patents

Abstract

本申请实施例提供一种空间排布方案的生成方法及装置，涉及设计领域，该方法包括：获取空间基本信息；生成与空间基本信息对应的一维展开坐标系；输入一维展开坐标系至预设的人工智能排布模型，以获取用于排布的物体信息；根据物体信息生成空间排布方案。可见，实施这种实施方式，能够通过人工智能获取到空间设计方案，从而提高了空间设计的效率和空间设计的质量。

Description

一种空间排布方案的生成方法及装置

技术领域

本申请涉及设计领域，具体而言，涉及一种空间排布方案的生成方法及装置。

背景技术

现今，版面设计行业、房屋设计行业等空间设计行业皆发展地十分迅速，从而使得各种设计的需求日益增长。然而，在实践中发现，设计师在进行空间设计的过程中往往需要较长的时间周期，而在这其中最耗费设计师的精力的则是很多不可避免的重复低级工作。因此，如何更好更快的进行空间设计已经成为了空间设计行业内的一大难题。

发明内容

本申请实施例的目的在于提供一种空间排布方案的生成方法，能够通过人工智能获取到空间设计方案，从而提高了空间设计的效率和空间设计的质量。

本申请实施例提供了一种空间排布方案的生成方法，所述方法包括：

获取空间基本信息；

生成与所述空间基本信息对应的一维展开坐标系；

输入所述一维展开坐标系至预设的人工智能排布模型，以获取用于排布的物体信息；

根据所述物体信息生成空间排布方案。

在上述实现过程中，该方法可以获取空间基本信息，以确定当前需要排布的空间中的大小信息以及内部固有物体的排布信息，该内部固有物体可以为房间中的水道、风道等；在获取到上述的空间基本信息之后，该方法可以根据该空间基本信息进行数据化处理，得到相应的一维展开坐标系，以使空间基本信息可以通过一维展开坐标系全面描述出来，从而实现了精度不损失的数据简化；在获取到一维展开坐标系之后，将该一维展开坐标系输入至预设的人工智能排布模型，以使人工智能排布模型根据该一维展开坐标系生成与之对应且相互契合的多个物体的物体信息，其中，该物体信息是与一维展开坐标系相对应的，因此该物体信息也可以通过一维坐标进行表示，而该一维坐标可以表现出物体的大小尺寸以及摆放位置等信息；最后，该方法根据该物体信息进行空间排布方案的生成，从而可以使得设计师可以在空间排布方案中获知到什么样的物体需要放在空间中的什么位置处，进而可以清晰明了的显示出空间排布的结果。可见，实施这种实施方式，该方法能够基于空间基本信息生成相符合的空间排布方案，从而避免了设计师的繁复工作，还能提高空间设计的效率和空间设计的质量。

进一步地，所述获取空间基本信息的步骤包括：

接收空间的预排布图纸；

在所述预排布图纸中，获取空间基本信息。

在上述实现过程中，该方法可以优先获取空间的预排布图纸，其中，该预排布图纸可以为毛坯图纸或者其他图纸，以使该方法可以在上述的这种图纸中获取到空间的基本信息。可见，实施这种实施方式，能够在图纸中进行空间基本信息的获取，从而增加了空间排布方案生成的便利性，降低了设计师使用该方法的难度。

进一步地，所述生成与所述空间基本信息对应的一维展开坐标系的步骤包括：

获取空间基本点坐标；

根据所述空间基本点坐标，获取与所述空间基本信息对应的至少一个位置坐标以及与所述空间基本信息对应的至少一个尺寸数据；

根据所述至少一个位置坐标和所述至少一个尺寸数据，生成一维展开坐标系。

在上述实现过程中，该方法可以获取到空间基本点坐标，并以该空间基本点坐标为依据，获取与空间基本信息对应的位置坐标(包括X坐标和Y坐标)和尺寸数据(包括X方向长度和Y方向长度)，以使该方法可以根据上述的位置坐标和尺寸数据进行一维坐标系的坐标转换，得到一维展开坐标系。可见，实施这种实施方式，可以根据空间基本信息(即房间信息)更具体准确地生成一维展开坐标系，从而提高了空间排布方案的生成精度，并且还能够准确的步骤来提高空间排布方案的生成效率。

进一步地，所述输入所述一维展开坐标系至预设的人工智能排布模型，以获取用于排布的物体信息的步骤包括：

输入所述一维展开坐标系至预设的人工智能排布模型，以获取与所述一维展开坐标系对应的物体数据集合；

根据所述物体数据集合和预设的物体数据库，匹配与所述物体数据集合对应的物体信息；其中，所述物体信息用于排布。

在上述实现过程中，该方法可以将一维展开坐标系输入至预设的人工智能排布模型中，以使预设的人工智能排布模型可以根据一维展开坐标系进行识别，并在识别出空间信息之后通过人工智能挑选适合的物体，并在最后获取到上述物体信息对应的物体数据集合，然后通过预设的物体数据库对物体数据集合进行转换得到物体信息，该物体信息为物体的实体信息，而上述物体数据是与实体信息对应的编号信息，两者之间呈映射关系。可见，该方法可以通过人工智能获取到物体的数据集合，并根据物体的数据集合获取到用于排布的物体信息，以使该方法可以通过数据编号来简化人工智能运算，同时提高了后续空间排布方案的生成精度。

进一步地，所述根据所述物体信息生成空间排布方案的步骤包括：

根据所述空间基本信息和所述物体信息进行模型建立，得到空间模型和物体模型；

以所述空间模型和所述物体模型为依据进行组合，得到空间组合模型并生成包括空间组合模型的空间排布方案。

在上述实现过程中，该方法可以根据空间基本信息和物体信息进行模型的建立，从而得到物体的模型以及物体的模型所使用的空间模型，其中物体模型为物体的形状，而空间模型为物体放置空间的全貌可视化模型；同时在获取到空间模型和物体模型之后，该方法可以将两种模型组合到一起，使其构成一个契合的空间组合模型(即空间中放置了物品的模型)，进而生成一个包括上述空间组合模型的空间排布方案。可见，实施这种实施方式，能够通过空间基本信息和物体信息进行空间建模和物体建模，并在此之后再将上述两者进行有机组合，得到空间组合模型，从而得到空间置物可视化模型；同时生成包括空间组合模型的空间排布方案能够更直观便捷地让设计师或其他人员进行观看。

进一步地，所述人工智能排布模型为Seq2Seq模型，所述人工智能排布模型的神经网络结构为Seq2Seq循环神经网络结构。

在上述实现过程中，该方法使用了Sq2Seq模型，并使用了Sq2Seq模型中注意力机制和多个隐藏层的设计提高人工智能排布模型的使用针对性，从而有效提高了该人工智能排布模型应用于空间排布方案生成的生成效果以及空间排布方案的排布质量。

本申请实施例第二方面提供了一种人工智能排布模型的训练方法，所述人工智能排布模型的训练方法包括：

获取空间布局图纸集合；

获取与所述空间布局图纸集合对应的布局标注集合；

根据所述布局标注集合生成一维布局坐标系集合；其中，所述一维布局坐标系集合包括与所述布局标注集合对应的空间特征以及与所述布局标注集合对应的物体特征；

输入一维布局坐标系集合至预设的人工智能初始模型进行模型训练，得到人工智能排布模型；所述人工智能初始模型为包括多个隐藏层的Seq2Seq模型。

在上述实现过程中，该方法可以优先获取大量的空间布局图纸与空间布局图纸上附有的标注，并根据上述大量的空间布局图纸和相应标注进行移位布局坐标系集合的转换，以使该人工智能模型的输入为一维布局坐标系；然后，该方法根据大量的一维布局坐标系进行人工智能模型训练，得到能够接受一维坐标系并输出物体信息的人工智能排布模型；其中，该人工智能排布模型的训练基础是空间布局图纸中的空间特征与物体特征，而该物体特征还可以通过人工智能模型的多个隐藏层来体现其立体构造，另外使用Seq2Seq模型作为人工智能初始模型具有更高的针对性与准确性。可见，实施这种实施方式，能够获取到一种人工智能排布模型，以使相关人员可以根据该模型进行空间排布方案的生成。

本申请实施例第三方面提供了一种空间排布方案的生成装置，所述空间排布方案的生成装置包括：

获取单元，用于获取空间基本信息；

生成单元，用于生成与所述空间基本信息对应的一维展开坐标系；

人工智能单元，用于输入所述一维展开坐标系至预设的人工智能排布模型，以获取用于排布的物体信息；

所述生成单元，还用于根据所述物体信息生成空间排布方案。

在上述实现过程中，该生成装置可以通过获取单元获取到输入的空间基本信息，然后通过生成单元对空间输入信息进行处理，生成一维展开坐标系，以使人工智能模型可以根据该一维展开坐标系进行人工智能处理，得到用于排布的物体信息；此时，生成单元再次根据物体信息进行处理，得到最终的空间排布方案并输出。可见，实施这种实施方式，该空间排布方案的生成装置能够通过三个装置的组合实现输入、预处理、人工智能处理以及输出的功能，从而能够提高空间设计的效率和空间设计的质量；而人工智能单元还可以进一步提高空间设计的效率和空间设计的质量。

本申请实施例第四方面提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行本申请实施例第一方面中任一项所述的空间排布方案的生成方法。

本申请实施例第五方面提供了一种计算机可读存储介质，其存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本申请实施例第一方面中任一项所述的空间排布方案的生成方法。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请实施例提供的一种空间排布方案的生成方法的流程示意图；

图2为本申请实施例提供的另一种空间排布方案的生成方法的流程示意图；

图3为本申请实施例提供的一种人工智能排布模型的训练方法的流程示意图；

图4为本申请实施例提供的一种空间排布方案的生成装置的结构示意图；

图5为本申请实施例提供的另一种空间排布方案的生成装置的结构示意图；

图6是本申请实施例提供的一种具体举例的流程示意图；

图7是申请本实施例提供的一种立体家具空间结构示意图；

图8是申请本实施例提供的一种房间信息编码举例示意图；

图9是申请本实施例提供的一种家具信息编码举例示意图；

图10是申请本实施例提供的一种人工智能初始模型的网络模型图；

图11是申请本实施例提供的一种人工智能网络模型中加入注意力机制的网络图；

图12是申请本实施例提供的一种在深度循环神经网络中采用的堆叠残差网络图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

实施例1

请参看图1，图1为本申请实施例提供了一种空间排布方案的生成方法的流程示意图。该空间排布方案的生成方法可以应用于家具排布场景、厨具排布场景、版面排布场景以及多种空间上的排布场景中，本实施例中不作任何限定。同时，该空间排布方案的生成方法应用于使用者想要生成某一空间的物体排布方案时，对于具体的使用方法本实施例中不作任何限定。其中，该空间排布方案的生成方法包括：

S101、获取空间基本信息。

本实施例中，空间基本信息可以理解为固定空间内的信息集合。

在本实施例中，空间可以为厨房、版面、地形图等多种显示空间，对此本实施例中不做任何限定。

举例来说，当空间为厨房时，空间基本信息对应为厨房中的标注信息，具体的该标注信息包括厨房大小信息、门窗信息、烟道水道信息等。

本实施例中，空间基本信息可以直接输入，也可以通过间接输入，对此本实施例中不做任何限定。其中，间接输入可以理解为输入图纸，该方法对图纸进行解析，得到图纸中包括的空间基本信息。

S102、生成与空间基本信息对应的一维展开坐标系。

本实施例中，在上述空间基本信息获取到之后，该方法可以以空间的一点为基础点沿空间外围进行顺时针(或者逆时针)展开，得到以基础点为原点的一维坐标系，同时将上述空间基本信息置入该一维坐标系，得到一维展开坐标系。

举例来说，当空间为厨房时，该方法可以以厨房门作为起点，沿厨房内壁逆时针展开成一维坐标系。同时，对于标注好的厨房标注信息，可以按照上述的一维坐标系进行坐标转换，以使厨房的标注信息可以通过坐标和长度表示；其中，厨房标注信息中的烟道水道信息可以控制厨房内的可用空间(用于放置厨房物体)。

S103、输入一维展开坐标系至预设的人工智能排布模型，以获取用于排布的物体信息。

本实施例中，物体信息为人工智能排布模型挑选出来的排布物体的物体信息，具体的，该物体信息是放置在空间中的物体的实体信息。

在本实施例中，上述的物体信息可以包括物体的长度、宽度以及高度等信息，同时还可以包括质量、价格、材质等信息，对此本实施例中不作任何限定。

本实施例中，一维展开坐标系包括空间基本信息，因此，预设的人工智能排布模型根据该一维展开坐标系进行智能排布，得到用于排布的物体信息。其中，该物体信息是与空间基本信息相对应或相契合的。

举例来说，人工智能排布模型识别了一维展开坐标系中包括的各种特征，并根据这些特征匹配出了排布的物体，最终输出这些物体的信息；进一步讲，当空间为厨房时，人工智能排布模型根据一维展开坐标系识别出了水道风道信息和门窗位置信息等信息特征，然后通过人工智能规避上述门窗，并根据风道水道进行厨具的排布设置，从而获取到符合当前厨房的物体集合，并获取到该物体集合的物体信息。

在本实施例中，因为基于一维坐标系，所以物体信息为顺序排列的，因此，可以得知的是，以基准位置为起点，物体是顺序排列的。

举例来说，空间为厨房，物体为橱柜，一维坐标系的起始点为厨房门，纳闷，生成的物体信息是以厨房门逆时针(或顺时针)排列的；如果其中存在空隙，人工智能排布模型会生成相应的标识，如果没有，生成的物体信息皆为顺序排列。基于此，在该方案的实现场景中可以理解的是，物体信息具有物体的宽度信息，而该宽度信息可以替代为一维坐标系的坐标长度，举例来说，实际场景为第一橱柜挨着厨房门，第二橱柜挨着第一橱柜，水池与水道相连且与第二橱柜相连，以此类推。

S104、根据物体信息生成空间排布方案。

本实施例中，物体信息可以包括物体的长宽高等信息，因此该方法可以根据物体信息进行模型建立，得到空间排布方案。其中，该空间排布方案显示除了物体在空间中排布的样貌。

在本实施例中，物体信息可以具有多层，此时空间排布方案为立体可视化方案。

在本实施例中，多层物体信息可以为地面层、桌面层以及置空层(设置于墙面)。

本实施例中，该方法的执行主体可以为计算机、手机等具有计算功能的电子设备，对此本实施例中不作任何限定。

举例来说，当空间为厨房时，该空间排布方案可以为根据空间基本信息(厨房信息)和物体信息(生成的厨具信息)进行厨具排布的排布方案，该排布方案为包括可视化橱柜和可视化厨具的厨房。

可见，实施图1所描述的空间排布方案的生成方法，能够获取空间基本信息，以确定当前需要排布的空间中的大小信息以及内部固有物体的排布信息，该内部固有物体可以为房间中的水道、风道等；在获取到上述的空间基本信息之后，该方法可以根据该空间基本信息进行数据化处理，得到相应的一维展开坐标系，以使空间基本信息可以通过一维展开坐标系全面描述出来，从而实现了精度不损失的数据简化；在获取到一维展开坐标系之后，将该一维展开坐标系输入至预设的人工智能排布模型，以使人工智能排布模型根据该一维展开坐标系生成与之对应且相互契合的多个物体的物体信息，其中，该物体信息是与一维展开坐标系相对应的，因此该物体信息也可以通过一维坐标进行表示，而该一维坐标可以表现出物体的大小尺寸以及摆放位置等信息；最后，该方法根据该物体信息进行空间排布方案的生成，从而可以使得设计师可以在空间排布方案中获知到什么样的物体需要放在空间中的什么位置处，进而可以清晰明了的显示出空间排布的结果。可见，实施这种实施方式，该方法能够基于空间基本信息生成相符合的空间排布方案，从而避免了设计师的繁复工作，还能提高空间设计的效率和空间设计的质量。

实施例2

请参看图2，图2为本申请实施例提供的另一种空间排布方案的生成方法的流程示意图。图2所描述的空间排布方案的生成方法的流程示意图是根据图1所描述的空间排布方案的生成方法的流程示意图进行改进得到的。其中，该空间排布方案的生成方法包括：

S201、接收空间的预排布图纸。

本实施例中，空间的预排布图纸是想要排布物体的空间的空间图纸，其中，该空间图纸中包括该空间的配置信息。其中，该配置信息包括空间的必要信息，如厨房空间的风道水道信息，版面的开口信息等。

在本实施例中，空间的预排布图纸可以为空间毛坯图纸，具体的该预排布图纸可以为厨房毛坯图纸。

本实施例中，预排布图纸具有标注，该标注可以为人工标注。同时，预排布图纸中的标注皆可以转化为空间基本信息。

S202、在预排布图纸中，获取空间基本信息。

本实施例中，空间基本信息是从预排布图纸中获取到的，该空间基本信息可以为房间信息编码。其中，房间信息编码为房间内的设施的编码，举例来说，该编码可以包括房间门的坐标编码和尺寸编码。

在本实施例中，预排布图纸中包括的空间基本信息可以为毛坯房图纸中的门窗信息。

S203、获取空间基本点坐标。

本实施例中，获取空间基本点坐标可以理解为确定一位坐标系原点的过程。

在本实施例中，获取空间基本点坐标可以为获取毛坯房图纸中的门坐在位置的坐标，并确定该坐标位置为“0”(初始坐标)。

S204、根据空间基本点坐标，获取与空间基本信息对应的至少一个位置坐标以及与空间基本信息对应的至少一个尺寸数据。

本实施例中，根据空间基本点坐标确定空间基本信息对应的数据信息。

举例来说，当空间为厨房时，空间基本信息为风道信息或水道信息时，风道信息对应一个表示距原点距离多少的坐标(即位置坐标)和一个风道所占用的宽度数据(即尺寸数据)，水道亦然。其中，上述举例为沿墙面距离，也正是因此生成了一维坐标数据。

S205、根据至少一个位置坐标和至少一个尺寸数据，生成一维展开坐标系。

本实施例中，将上述至少一个位置坐标和至少一个尺寸数据置入一位坐标系，得到了空间基本信息的一维展开坐标系。

S206、输入一维展开坐标系至预设的人工智能排布模型，以获取与一维展开坐标系对应的物体数据集合。

本实施例中，人工智能排布模型为预设的，对与人工智能模型的工作方式本实施例中不做限定。

本实施例中，人工智能排布模型为Seq2Seq模型，人工智能排布模型的神经网络结构为Seq2Seq循环神经网络结构。

本实施例中，一维展开坐标系对应的物体数据集合是符合空间基本信息的物体的数据集合。可以理解的是，该物体数据集合为物体的长、宽、高以及类型的数据集合。

在本实施例中，物体数据集合对应的可以是物体在物体库中的编号，有了编号之后，就可以在物体库中找到对应的物体，得知具体某个物体的类型、大小、风格、材质、颜色、单价等等信息，转换为建模模型，即可生成输出效果图。

S207、根据物体数据集合和预设的物体数据库，匹配与物体数据集合对应的物体信息；其中，物体信息用于排布。

本实施例中，物体数据库是与空间相匹配的，当空间为厨房时，物体数据库则为橱柜厨具。其中物体数据库是与人工智能排布模型相匹配的。因此，可以得知，空间基本信息、空间排布方案、人工智能排布模型以及物体数据库是针对同一空间类型的。

在本实施例中，该步骤可以将物体数据转换为物体的实际信息，举例来说，物体数据为宽80cm、长80cm、高40cm的铁质橱柜，那么物体信息为某某厂家牌子的某某型号铁橱柜，同时该物体信息还可以包括该铁橱柜的样貌信息。

在本实施例中，物体信息用于排布在空间当中。

S208、根据空间基本信息和物体信息进行模型建立，得到空间模型和物体模型。

本实施例中，空间基本信息可以建模得到空间模型，包括空间中的所有细节。

本实施例中，物体信息可以建模得到物体模型，包括物体的所有细节。

在本实施例中，空间模型和物体模型是相互契合的。

S209、以空间模型和物体模型为依据进行组合，得到空间组合模型并生成包括空间组合模型的空间排布方案。

本实施例中，空间组合模型可以理解为空间排布完成的模型。

在本实施例中，空间排布模型包括空间组合模型，还可以包括相应的批注或者其他内容，对此本实施例中不做任何限定。

实施步骤S201～S209的实施方式，能够以空间排布方案为厨房排布方案的前提，根据较为标准的预排布图纸和该预排布图纸中的风道信息和水道信息，生成符合上述风道信息和水道信息且紧密排布的橱柜，使得厨房具有顺畅的“水、切、炒”工作流水线，从而解决厨房物体排布问题，进而提高了空间排布方案的普适性。

举例来说，这里展示了三种针对厨房的空间排布方案的简单描述：

第一种，厨房净尺寸是长2400毫米，宽2000毫米，厨房门开在长边，有窗户开在一侧。这里可以生成U字形橱柜，吊柜在没有窗和门的墙面上连续生成，特别地，烟机上柜和灶台下柜相对应；

第二种，厨房的尺寸是长3000毫米，宽2000毫米，厨房门开在长边，厨房一侧有窗户。这里省略了吊柜部分，重点突出地柜和台面。水池、砧板、灶台按顺序排布在房间内，而且水池靠窗，灶台靠墙，符合厨房排布规则。U字型的橱柜给了使用者更大的操作空间和存储空间；

第三种厨房净长3900毫米，宽1700毫米，厨房门开在短边，连接两个屋子。厨房由于本身的局限性，只能生成L型地柜。

在本实施例中，当空间排布方案为厨房排布方案时，该方法可以根据房间信息和生成的家具信息进行家具排布，生成包含橱柜和厨具的可视化厨房图像。

请参阅图6，图6是本实施例中一种具体举例的流程示意图。

可见，实施图2所描述的空间排布方案的生成方法，能够通过深度循环神经网络自动生成空间排布方案，该方法具有计算速度快、生成多样性高、生成结果合理以及成本低等诸多优点；并且还能够基于空间基本信息生成相符合的空间排布方案，避免了设计师的繁复工作，从而还能够提高空间设计的效率和空间设计的质量。

实施例3

请参看图3，图3为本申请实施例提供的一种人工智能排布模型的训练方法的流程示意图。其中，该人工智能排布模型的训练方法包括：

S301、获取空间布局图纸集合。

本实施例中，空间布局图纸集合可以包括特定的厨房装修图纸，该图直接和可以作为数据集来源。

在本实施例中，上述的空间布局图纸集合中的形状都较为规则。

S302、获取与空间布局图纸集合对应的布局标注集合。

本实施例中，该步骤在上述空间布局图纸中获取空间的布局标注集合，当空间为厨房时，该布局标注集合可以包括房间信息(如墙、门、窗信息)与家具信息。

在本实施例中，上述房间信息可以包括厨房毛坯房(空间布局图纸为厨房毛坯房图纸)中包含的物体：厨房的形状和大小，门的位置与规格，窗户的位置和大小，烟道、水道的位置等等；上述家具信息可以分为橱柜和厨具两部分，其中，橱柜包括灶台下柜、水池下柜、消毒下柜、单门下柜、双门下柜、转角下柜、吧台柜、高柜、烟机吊柜、燃气表吊柜、冰箱上柜、单门吊柜、双转上柜，厨具包含电饭煲、电磁炉、砧板等等。需要说明的是，从图纸中获取的家具信息包括但不限于物体的形状、大小、位置、风格、颜色以及材质等等。

在本实施例中，上述的厨房在垂直于地面的空间维度上分为空中家具、台面家具、地面家具这三层家具空间(如图7所示)，橱柜和厨具则分布在其中。

在本实施例中，上述的房间信息和家具的信息通过标注软件标注得到。举例来说，该方法可以以厨房门作为起点，沿厨房内壁逆时针展开成一维坐标。对于标注好的厨房橱柜和厨具信息，按照展开的一维坐标系进行坐标转换，其中，烟道和水道控制厨房内可生成橱柜的可用空间。转换后的房间信息通过坐标和长度表示，家具信息通过类型和长度的形式展现。

本实施例中，可能参与排布的物体都可以编入物体库中，使用编号作为索引，然后在使用的过程中，可以使用神经网络中的softmax层将编号转化为物体库中的编号对应的物体。其中，该物体库的构建往往是设计师预设好的，能够保证物体库的规范性和完备性。

本实施例中，上述房间信息以厨房门为例来说明编码规则。如图8所示，房间信息编码一共有18位，分为坐标和长度两个部分，坐标又分为x坐标和y坐标，长度分为x方向长度和y方向长度。每个坐标部分用5位数字表示，前四位是坐标的整数位，第五位是坐标的小数位。长度用四位数表示，单位是毫米。

本实施例中，上述家具信息以灶台下柜为例来说明编码规则。家具信息编码如图9所示，一共6位，分为家具类型和家具长度两个部分。家具类型用两位数字表示，家具类型编码可以为“空余空间—00”、“灶台下柜—01”、“星盆下柜—02”等等。家具长度用四位数表示，代表家具在展开的一维坐标系上的长度。通过家具类型和家具长度查找预设家具库表就可以得到对应的家具编号。此外，厨房橱柜的排布具有紧密排布这一特殊性。在知道第一个物体的摆放位置和之后物体的次序和大小之后，整个家居的排布图就已经可以被构建了；因此可以利用特性简化对橱柜的表示，由一个家具的编号便可以知道家具的类型以及长深高；在展开的一维坐标系中，连续输出的编号表示的是接连排布的家具，省去了坐标的记录和转换，通过简单解码就能知道实际空间中的家具排布；特别地，用000的编号表示空余空间，调节家具排布。

S303、根据布局标注集合生成一维布局坐标系集合；其中，一维布局坐标系集合包括与布局标注集合对应的空间特征以及与布局标注集合对应的物体特征。

本实施例中，由于空间中物体摆放往往没有空隙，因此，在空间中的物品排布问题可以转化为展开成一维的排布次序问题，因此生成一维布局坐标系集合可以促使模型计算能力更高，结果更准。

S304、输入一维布局坐标系集合至预设的人工智能初始模型进行模型训练，得到人工智能排布模型；人工智能初始模型为包括多个隐藏层的Seq2Seq模型。

本实施例中，人工智能初始模型的网络模型图如图10所示。整个网络以Seq2Seq的循环神经网络结构作为基础，引入注意力机制和残差网络的思想，构建出了基于深度循环神经网络的空间排布方案生成方法。

在本实施例中，图11描述了一种在人工智能网络模型中加入注意力机制的网络图。

本实施例中，训练阶段的数据类型与空间排布方法的生成方法中人工智能排布模型所使用的数据类型相同，对此本实施例中不再多加赘述。

以人工智能初始模型针对厨房排布方案来举例，在训练模型的解码阶段，采用深度循环神经网络为基本网络结构，隐藏层单元为LSTM的cell，用h_t来表示。图11以某一时间步的某一层隐藏层为例，介绍加入注意力机制的网络结构。对于每次的解码状态h_t，都和所有的编码隐藏层状态h_s进行匹配，进行归一化处理得到对应的注意力权重a_t，计算公式如下：

用注意力权重a_t计算所有编码阶段隐藏层状态的权值，得到此时的状态向量C_t。接着，将C_t与当前解码状态h_t拼接，通过全连接层W_c恢复至与h_t相同的大小，便可得到加入注意力机制的隐藏层状态

深度循环神经网络有三个隐藏层，分别对应底面家具、台面家具和空中家具三层空间结构的家具。三者之间有一定的对应关系，如灶台下柜对应的空中家具一定是烟机上柜，消毒下柜对应的厨具是砧板，这些对应关系都可以被网络学习到。每个隐藏层的状态都会传到注意力层计算出结果进行输出。所有的输出状态通过一个Softmax层进行归一化处理，转换成对应家具在家具库中的编号。

如图12所示，在深度循环神经网络中采用堆叠残差网络，将地面家具的状态传入和台面家具的状态传入到空中家具生成部分。这样加入了残差结构的网络提升了模型精度，降低了模型学习的错误率，降低了过拟合，增加了网络的健壮程度。经过残差结构和注意力层的家具数据最后会进入softmax层进行转换，转换成家具在家具库中对应的编号。

同时，在训练模型的过程中，对于模型编码阶段，依次读入房间信息，得到固定长度的向量作为解码阶段的输入，对于解码阶段，接收来自编码阶段的定长向量，通过以LSTM的cell作为隐藏层单元的深度循环神经网络模型初步得到的编号用标注好的橱柜和厨具信息作为标签进行模型调优。具体来说，通过交叉熵作为损失函数计算模型预测值和真实值的偏差，通过计算梯度误差来更新模型参数，其中，p(x_i)表示样本的真实家具分布，q(x_i)表示预测结果的家具分布。当训练出的结果和标签的误差小于设定值或达到预设训练次数的时候停止训练。

通过大量的图纸训练，使得深度循环神经网络可以学习到多种类型的厨房布局。至此，模型训练阶段已经完成。

本实施例中，该人工智能初始模型可以为针对厨房排布的人工智能初始模型，其中，该模型学到的内容可以包括厨房橱柜布局中具有的一些标准，比如要有较为流畅的“水、切、炒”的操作流水线，灶台下柜在空间上应该对应烟机上柜，水池下柜一般都靠近窗户等等，因此厨房橱柜和厨具在空间线性顺序上具有前后连贯性；每一层家具空间中的物体均为环绕厨房中心靠墙摆放。

在本实施例中，由于每一层的家具空间中，物体摆放没有空隙，因此，每一层家具空间中的物品排布问题可以转化为展开成一维的排布次序问题。厨房垂直于地面的三层家具空间可以转化为三个一维的排布次序问题，且这三个一维空间之间有一定的关联性。其中，有的橱柜只在一个家具空间中分布，有的橱柜会横跨两个甚至三个家具空间。因此，该人工智能初始模型可以通过包括的多个隐藏层来进行上述的这种跨度处理。

可见，实施图3所描述的人工智能排布模型的训练方法，能够优先获取大量的空间布局图纸与空间布局图纸上附有的标注，并根据上述大量的空间布局图纸和相应标注进行移位布局坐标系集合的转换，以使该人工智能模型的输入为一维布局坐标系；然后，该方法根据大量的一维布局坐标系进行人工智能模型训练，得到能够接受一维坐标系并输出物体信息的人工智能排布模型；其中，该人工智能排布模型的训练基础是空间布局图纸中的空间特征与物体特征，而该物体特征还可以通过人工智能模型的多个隐藏层来体现其立体构造，另外使用Seq2Seq模型作为人工智能初始模型具有更高的针对性与准确性。可见，实施这种实施方式，能够获取到一种人工智能排布模型，以使相关人员可以根据该模型进行空间排布方案的生成。

实施例4

请参看图4，图4为本申请实施例提供的一种空间排布方案的生成装置的结构示意图。其中，该空间排布方案的生成装置包括：

获取单元410，用于获取空间基本信息；

生成单元420，用于生成与空间基本信息对应的一维展开坐标系；

人工智能单元430，用于输入一维展开坐标系至预设的人工智能排布模型，以获取用于排布的物体信息；

生成单元420，还用于根据物体信息生成空间排布方案。

本实施例中，该实施例可以引用实施例1、实施例2或实施例3中的任一解释说明，对此本实施例中不再多加赘述。

可见，实施图4所描述的空间排布方案的生成装置，能够通过三个装置的组合实现输入、预处理、人工智能处理以及输出的功能，从而能够提高空间设计的效率和空间设计的质量；而人工智能单元还可以进一步提高空间设计的效率和空间设计的质量。

实施例5

请参看图5，图5为本申请实施例提供的另一种空间排布方案的生成装置的结构示意图。图5所描述的空间排布方案的生成装置的结构示意图是根据图4所描述的空间排布方案的生成装置的结构示意图进行改进得到的。其中，获取单元410包括：

第一接收子单元411，用于接收空间的预排布图纸；

第一获取子单元412，在预排布图纸中，获取空间基本信息。

作为一种可选的实施方式，生成单元420可以包括：

第二获取子单元421，用于获取空间基本点坐标；

第二获取子单元421，用于根据空间基本点坐标，获取与空间基本信息对应的至少一个位置坐标以及与空间基本信息对应的至少一个尺寸数据；

生成子单元422，用于根据至少一个位置坐标和至少一个尺寸数据，生成一维展开坐标系。

作为一种可选的实施方式，人工智能单元430可以包括：

输入子单元431，用于输入一维展开坐标系至预设的人工智能排布模型，以获取与一维展开坐标系对应的物体数据集合；

匹配子单元432，用于根据物体数据集合和预设的物体数据库，匹配与物体数据集合对应的物体信息；其中，物体信息用于排布。

作为一种可选的实施方式，生成单元420还可以包括：

建模子单元423，用于根据空间基本信息和物体信息进行模型建立，得到空间模型和物体模型；

生成子单元422，还用于以空间模型和物体模型为依据进行组合，得到空间组合模型并生成包括空间组合模型的空间排布方案。

作为一种可选的实施方式，人工智能排布模型为Seq2Seq模型，人工智能排布模型的神经网络结构为Seq2Seq循环神经网络结构。

本实施例中，该实施例可以引用实施例1、实施例2或实施例3中的任一解释说明，对此本实施例中不再多加赘述。

可见，实施图5所描述的空间排布方案的生成装置，能够通过三个装置的组合实现输入、预处理、人工智能处理以及输出的功能，从而能够提高空间设计的效率和空间设计的质量；而人工智能单元还可以进一步提高空间设计的效率和空间设计的质量。

本申请实施例提供了一种电子设备，包括存储器以及处理器，存储器用于存储计算机程序，处理器运行计算机程序以使电子设备执行本申请实施例1或实施例2中任一项空间排布方案的生成方法。

本申请实施例提供了一种计算机可读存储介质，其存储有计算机程序指令，计算机程序指令被一处理器读取并运行时，执行本申请实施例1或实施例2中任一项空间排布方案的生成方法。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种空间排布方案的生成方法，其特征在于，所述方法包括：

获取空间基本信息；

生成与所述空间基本信息对应的一维展开坐标系；

输入所述一维展开坐标系至预设的人工智能排布模型，以获取用于排布的物体信息；

根据所述物体信息生成空间排布方案。

2.根据权利要求1所述的空间排布方案的生成方法，其特征在于，所述获取空间基本信息的步骤包括：

接收空间的预排布图纸；

在所述预排布图纸中，获取空间基本信息。

3.根据权利要求1所述的空间排布方案的生成方法，其特征在于，所述生成与所述空间基本信息对应的一维展开坐标系的步骤包括：

获取空间基本点坐标；

根据所述空间基本点坐标，获取与所述空间基本信息对应的至少一个位置坐标以及与所述空间基本信息对应的至少一个尺寸数据；

根据所述至少一个位置坐标和所述至少一个尺寸数据，生成一维展开坐标系。

4.根据权利要求1所述的空间排布方案的生成方法，其特征在于，所述输入所述一维展开坐标系至预设的人工智能排布模型，以获取用于排布的物体信息的步骤包括：

输入所述一维展开坐标系至预设的人工智能排布模型，以获取与所述一维展开坐标系对应的物体数据集合；

根据所述物体数据集合和预设的物体数据库，匹配与所述物体数据集合对应的物体信息；其中，所述物体信息用于排布。

5.根据权利要求1所述的空间排布方案的生成方法，其特征在于，所述根据所述物体信息生成空间排布方案的步骤包括：

根据所述空间基本信息和所述物体信息进行模型建立，得到空间模型和物体模型；

以所述空间模型和所述物体模型为依据进行组合，得到空间组合模型并生成包括空间组合模型的空间排布方案。

6.根据权利要求1所述的空间排布方案的生成方法，其特征在于，所述人工智能排布模型为Seq2Seq模型，所述人工智能排布模型的神经网络结构为Seq2Seq循环神经网络结构。

7.一种人工智能排布模型的训练方法，其特征在于，所述方法包括：

获取空间布局图纸集合；

获取与所述空间布局图纸集合对应的布局标注集合；

根据所述布局标注集合生成一维布局坐标系集合；其中，所述一维布局坐标系集合包括与所述布局标注集合对应的空间特征以及与所述布局标注集合对应的物体特征；

输入一维布局坐标系集合至预设的人工智能初始模型进行模型训练，得到人工智能排布模型；所述人工智能初始模型为包括多个隐藏层的Seq2Seq模型。

8.一种空间排布方案的生成装置，其特征在于，所述生成装置包括：

获取单元，用于获取空间基本信息；

生成单元，用于生成与所述空间基本信息对应的一维展开坐标系；

人工智能单元，用于输入所述一维展开坐标系至预设的人工智能排布模型，以获取用于排布的物体信息；

所述生成单元，还用于根据所述物体信息生成空间排布方案。

9.一种电子设备，其特征在于，所述电子设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至6中任一项所述的空间排布方案的生成方法。

10.一种可读存储介质，其特征在于，所述可读取存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行权利要求1至6任一项所述的空间排布方案的生成方法。

Images