CN111651819A

CN111651819A - 一种家装设计方法、装置、电子设备及存储介质

Info

Publication number: CN111651819A
Application number: CN202010463658.1A
Authority: CN
Inventors: 苏旭; 袁道鸣; 关可欣; 吴翔南; 麦广柱; 周琳琳
Original assignee: Guangdong Bozhilin Robot Co Ltd
Current assignee: Guangdong Bozhilin Robot Co Ltd
Priority date: 2020-05-27
Filing date: 2020-05-27
Publication date: 2020-09-11

Abstract

本发明实施例公开了一种家装设计方法、装置、电子设备及存储介质，该方法包括：获取待设计户型图信息；基于所述待设计户型图信息，通过设定算法确定双深度Q神经网络DDQN模型的初始状态；根据所述初始状态，通过预先训练好的DDQN模型，得到待设计户型的家装设计信息；其中，所述家装设计信息包括至少一种家具的类别信息以及所述家具的摆放位置信息，实现了家装的智能设计，且进一步实现了对家具进行自动排布的目的，提高了家装设计的智能化程度。

Description

一种家装设计方法、装置、电子设备及存储介质

技术领域

本发明实施例涉及计算机技术领域，尤其涉及一种家装设计方法、装置、电子设备及存储介质。

背景技术

随着房地产行业的迅速发展，家装设计的市场需求也迅速增大，而传统的家装设计行业是一个专业且耗时的行业，越来越无法满足市场对快速出图的需求。针对该市场需求，越来越多的企业加大了对智能家装设计的研发与投入力度。

目前，在智能家装设计领域，关于设计图主要是基于有限的部分房间的模板进行匹配获取；关于家具的自动布局更多依赖基于规则的优化技术，但是，该优化技术的计算效率较低，而且不一定能够找到最优解。

因此，目前的智能家装设计方法还需进一步进行改善。

发明内容

本发明实施例提供一种家装设计方法、装置、电子设备及存储介质，实现了家装的智能设计，且进一步实现了对家具进行自动排布的目的，提高了家装设计的智能化程度。

第一方面，本发明实施例提供了一种家装设计方法，该方法包括：

获取待设计户型图信息；

基于所述待设计户型图信息，通过设定算法确定DDQN(Double Deep Q Network，双深度Q神经网络)模型的初始状态；

根据所述初始状态，通过预先训练好的DDQN模型，得到待设计户型的家装设计信息；

其中，所述家装设计信息包括至少一种家具的类别信息以及所述家具的摆放位置信息。

DDQN网络具有较强的特征抽取能力，使用DDQN网络能够训练模型，使模型能够基于家装设计师设计好的家装设计图，较好地学习家装设计师的设计思路。通过将DDQN网络应用到家装设计中，为家装设计提供了新的实现思路，DDQN网络能够根据毛坯的户型图生成家装设计图，能够适应多种不同的户型，提高了家装设计的设计效率与效果，并且实现了对家具的自动排布，提高了家装设计的智能化程度，家装设计图的出图速度可达到秒级。

在获取到待设计户型图信息时，基于所述待设计户型图信息，通过设定算法确定DDQN模型的初始状态，相比于通过随机采样确定DDQN模型的初始状态，本申请的方案极大地提高了模型的收敛速度，提高了模型的家装设计效率与效果。

进一步的，所述基于所述待设计户型图信息，通过设定算法确定双深度Q神经网络DDQN模型的初始状态，包括：

基于所述待设计户型图信息，确定待设计户型的房间信息特征向量；

根据所述房间信息特征向量，基于欧式距离从设定数据库获取与所述待设计户型相似度达到阈值的样本户型的家装设计信息；

将所述家装设计信息确定为双深度Q神经网络DDQN模型的初始状态；所述样本户型的家装设计信息包括：家具的类别信息以及家具的排布坐标信息；

所述家具的类别信息包括下述至少一种：床、书桌、衣柜、梳妆台、茶几、以及电视柜；

所述房间信息特征向量包括下述至少一种特征元素：房门以及房门的位置信息、墙体以及墙体的位置信息、飘窗以及飘窗的位置信息、窗户以及窗户的位置信息。

通过根据待设计户型的房间信息特征向量，基于欧式距离从设定数据库获取与所述待设计户型相似度达到阈值的样本户型的家装设计信息，为所述待设计户型提供了初始的家装设计方案，基于此，通过DDQN模型的优化迭代，可更快速地找到适于所述待设计户型的最优的家装设计方案。

进一步的，所述预先训练好的DDQN模型包括两个网络结构相同的深度神经网络，所述两个网络结构相同的深度神经网络以所述初始状态中的家具的类别信息以及家具的排布坐标信息为输入。

通过使用两个网络结构相同的深度神经网络，减少了目标Q值计算和要更新Q网络参数之间的依赖关系，解耦了数据样本和网络训练之间的相关性，加速了网络的收敛速度，提高了模型了设计效率。

进一步的，所述预先训练好的DDQN模型包括：

基于家具的排布特征生成的价值函数，所述价值函数用于在DDQN模型运算过程中指导家具的排布策略；

所述排布特征包括下述至少一项：可通过性、重叠性以及成对性。

通过基于家具的排布特征生成所述价值函数，可为家具的排布策略给出合理地指导，提高了模型的家装设计效果。

第二方面，本发明实施例还提供了一种家装设计装置，该装置包括：

获取模块，用于获取待设计户型图信息；

确定模块，用于基于所述待设计户型图信息，通过设定算法确定双深度Q神经网络DDQN模型的初始状态；

设计模块，用于根据所述初始状态，通过预先训练好的DDQN模型，得到待设计户型的家装设计信息；

第三方面，本发明实施例还提供了一种设备，所述设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任一实施例所述的家装设计方法。

第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本发明任一实施例所述的家装设计方法。

本发明实施例的技术方案，通过获取待设计户型图信息；基于所述待设计户型图信息，通过设定算法确定双深度Q神经网络DDQN模型的初始状态；根据所述初始状态，通过预先训练好的DDQN模型，得到待设计户型的家装设计信息；其中，所述家装设计信息包括至少一种家具的类别信息以及所述家具的摆放位置信息的技术手段，实现了家装的智能设计，且进一步实现了对家具进行自动排布的目的，提高了家装设计的智能化程度。

附图说明

结合附图并参考以下具体实施方式，本发明各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1为本发明实施例一所提供的一种家装设计方法流程示意图；

图2为本发明实施例一所提供的一种通过设定算法确定双深度Q神经网络DDQN模型的初始状态的流程示意图；

图3为本发明实施例二所提供的一种家装设计模型的生成方法的流程示意图；

图4为本发明实施例三所提供的一种家装设计装置的结构示意图；

图5为本发明实施例四所提供的一种电子设备结构示意图。

具体实施方式

下面将参照附图更详细地描述本发明的实施例。虽然附图中显示了本发明的某些实施例，然而应当理解的是，本发明可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是，本发明的附图及实施例仅用于示例性作用，并非用于限制本发明的保护范围。

应当理解，本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

实施例一

图1为本发明实施例一所提供的一种家装设计方法的流程示意图，该方法可适用于对待设计户型进行智能家装设计，解除了对家装设计人员专业性的依赖，可达到秒级生成家装设计图的目的，极大地提高了家装设计速度与智能化程度。该方法可以由家装设计装置来执行，该装置可以通过软件和/或硬件的形式实现。

如图1所述，本实施例提供的家装设计方法包括如下步骤：

步骤110、获取待设计户型图信息。

其中，所述待设计户型图信息可以是单独的一间房间的户型图，也可以是一套房子所有房间的户型图。例如可以是一套房子中厨房的户型图，也可以是包括厨房、客厅、卧室以及卫生间等一居室、两居室或者三居室的户型图。所述户型图可以是最原始的户型图，例如毛坯的户型图。

所述待设计户型图信息可以由用户以电子图片的形式提供。

步骤120、基于所述待设计户型图信息，通过设定算法确定双深度Q神经网络DDQN模型的初始状态。

其中，所述设定算法可以是KNN(K-nearst neighbor，K近邻)算法，示例性的，参见图2所示的一种通过K近邻KNN算法确定双深度Q神经网络DDQN模型的初始状态的流程示意图，所述基于所述待设计户型图信息，通过K近邻KNN算法确定双深度Q神经网络DDQN模型的初始状态，包括：

将所述家装设计信息确定为双深度Q神经网络DDQN模型的初始状态。

其中，所述设定数据库中存储有收集到的各种户型的房间信息以及对应的家装设计信息，可用于作为模型训练的样本。当获取到待设计户型图信息后，基于待设计户型图信息提取待设计户型的房间信息特征向量，即确定待设计户型的房间中可用于摆放家具的有效空间。示例性的，所述房间信息特征向量包括下述至少一种特征元素：房门以及房门的位置信息、墙体以及墙体的位置信息、飘窗以及飘窗的位置信息、窗户以及窗户的位置信息。

提取到待设计户型的房间信息特征向量后，基于该房间信息特征向量，基于欧式距离计算待设计户型与设定数据库中各样本户型之间的相似度，将相似度达到阈值的样本户型确定为与待设计户型的相似户型，该类样本户型的已有家装设计信息可作为待设计户型家装设计的参考。因此，通过将与所述待设计户型相似度达到阈值的样本户型的家装设计信息作为双深度Q神经网络DDQN模型的初始状态，可达到提高模型收敛速度，使模型快速迭代出最优解的目的，从而实现了提高模型家装设计效率的目的。其中，欧式距离也称为欧几里得度量，是通常采用的距离定义，指m维空间中两个点之间的真实距离，或者向量的自然长度，即向量点到原点的距离，在二维和三维空间中，欧式距离指两点之间的实际距离。

其中，所述样本户型的家装设计信息包括：家具的类别信息以及家具的排布坐标信息。所述家具的类别信息包括下述至少一种：床、书桌、衣柜、梳妆台、茶几、以及电视柜。

步骤130、根据所述初始状态，通过预先训练好的DDQN模型，得到待设计户型的家装设计信息；其中，所述家装设计信息包括至少一种家具的类别信息以及所述家具的摆放位置信息。

具体的，以所述初始状态作为预先训练好的DDQN模型中DDQN网络的初始状态，通过DDQN网络的迭代运算，获得待设计户型的家装设计信息。

实施例二

图3为本发明实施例二所提供的一种家装设计模型的生成方法的流程示意图。在上述实施例的基础上，本实施例对DDQN模型的训练过程进行详细说明。具体的，所述DDQN模型包括两个网络结构相同的深度神经网络，所述两个网络结构相同的深度神经网络以所述初始状态中的家具的类别信息以及家具的排布坐标信息为输入。通过使用两个网络结构相同的深度神经网络，减少了目标Q值计算和更新Q网络参数之间的依赖关系，解耦了数据样本和网络训练之间的相关性，加速了网络的收敛速度，提高了模型了设计效率。所述DDQN模型包括：基于家具的排布特征生成的价值函数，所述价值函数用于在DDQN模型运算过程中指导家具的排布策略。通过基于家具的排布特征生成所述价值函数，可为家具的排布策略给出合理地指导，提高了模型的家装设计效果。其中与上述实施例相同或相应的术语的解释在此不再赘述

如图3所示，所述方法包括如下步骤：

步骤310、收集设计图纸并解析家具布局方案。

具体的，收集整理家装设计图纸，主要是通过家装设计师针对具体的户型进行的家装设计图。利用标注工具，对户型的房间信息和家具排布信息进行标注。所述房间信息具体是房门、墙体、飘窗、窗户等硬件。标注完成后，清洗数据，然后进行归一化处理，将处理结果保存在设定数据库，用于后续作为样本训练模型。

步骤320、利用KNN初始化DDQN网络的初始状态。

具体的，首先提取当前作为待设计户型的房间信息特征向量，然后针对设定数据库中的每个样本户型，基于欧式距离计算与待设计户型的相似度，取相似度最大的一个或者前几个样本户型的家装设计信息，该家装设计信息包括排布的家具以及家具的排布坐标。将相似度最大的一个或者前几个样本户型的家装设计信息作为DDQN网络的初始状态。

步骤330、训练DDQN网络模型，获得优化家具排布的DDQN模型。

其中，在训练DDQN网络模型之前，可以理解的是还包括：构建DDQN网络模型。

所述构建DDQN网络模型具体包括：

1、构建环境的价值函数

在家装设计中家具的排布，不但需要满足功能性的要求，同时需要满足舒适性的要求，还需要兼顾整体排布的美观性，因此，本申请的方案中环境的价值函数包括如下几个方面：

可通过性：为每个家具定义一个可以通过的空间，人可以比较舒服地通行或者方便使用。设两个物体之间可通过性的面积为s_ij，

为先验可通过性面积，则针对可通过性的价值函数为：

重叠面积：计算两个家具之间的重叠面积、家具超出房间的面积、家具遮挡门窗的面积。具体重叠面积包括家具与房门M_i、家具与家具之间的重叠面积S_ij，超出房间面积即家具布局过程中家具超出房间的面积T_i，家具与窗户之间的重叠面积W_i，则针对重叠面积的价值函数为：

成对关系：家具与家具之间存在配套成对关系，比如沙发和茶几之间存在相对的距离和角度的关系。假设存在成对关系的两个物体的相对距离和角度分别为d_i和

d_i'和

分别为存在成对关系的两个物体之间的先验相对距离和角度，则针对成对关系的价值函数为：

家具与墙的关系：家具与墙也存在相对距离和角度关系，针对家具与墙的价值函数的构建，与针对成对关系的价值函数相同。

总的环境的价值函数为上述各个价值函数的线性组合，具体如下：

Q(Φ)＝ω_xS(Φ)+ω_yL_s(Φ)+ω_zC(Φ)

其中ω_x,ω_y,ω_z为各项价值函数的权重。

2、构造动作集

本方案定义每个家具都是按照上、下、左、右四个方向，每次只选择其中的一个方向。每次移动的步长可根据房间大小，使用的GPU算力，耗时需求进行自适应调节。一般来说房间越大，GPU算力越大，时间越充裕，要求排布结果越精细，移动的步长就应该越小，反之亦然。

3、训练网络模型

在获取了初始的家具及位置信息后，构建DDQN的网络的初始状态S，以及家具的位置特征向量φ(S)，将位置特征向量φ(S)输入到Q网络中，Q网络中的损失函数使用均方差损失函数

然后利用GPU服务器，对网络模型进行训练，通过不断调试参数与模型的训练，将最终训练好的模型保存。需要注意的是，DDQN算法中有两个网络结构相同的深度神经网络，分别称为：当前Q深度神经网络与目标Q深度神经网络。这两个深度神经网络，以家具排布的位置特征向量φ(S)作为输入，输出为上述2中描述动作集中所有动作对应的Q值的估计值。

具体来说，DDQN算法流程为：

通过KNN(K近邻)算法获取家具的初始化排布方案，基于初始化排布方案初始化当前Q深度神经网络与目标Q深度神经网络。需要注意的是，当前Q深度神经网络与目标Q深度神经网络对应的初始化方法应采取相同的初始化方法。

在迭代次数N之内，循环以下步骤：

1)通过排布方案获取家具排布的位置特征向量φ(S)；

2)在当前Q深度神经网络中，将φ(S)作为输入，获取所有动作对应的Q值估计值，并利用贪婪算法从中选取最优的动作action；

3)在状态S中执行当前动作action，获取新状态Sn与φ(Sn)，并通过环境的价值函数来计算出相应的奖励R；

4)将状态S(或该状态时家具排布的位置特征向量φ(S))、动作action、新状态Sn(或该状态时家具排布的位置特征向量φ(Sn))以及奖励R作为一条样本，存储在经验库D中；

5)若经验库D中包含了至少t个样本，则在经验库D中，随机采样t个样本

并对每个样本计算当前目标Q神经网络应该输出的Q值估计值y：

y＝R+gamma*Q'(φ(S'_n),argmax_action Q(φ(Sn),action,w),w')

其中，Q’为目标Q深度神经网络，w’为目标Q深度神经网络对应的参数；Q为当前Q深度神经网络，w为当前Q深度神经网络对应的参数；gamma为衰减因子。本方案中推荐将gamma值设置为1，以获取较优秀的模型效果；

若经验库D中并没有t个样本，则跳过后续步骤6)-9)直接返回至步骤1)进行样本生成；

6)利用均方差损失函数，综合考虑t个样本，利用深度神经网络的梯度反向传播来更新当前Q神经网络的所有参数w；

7)更新排布方案；

8)若循环迭代的次数为更新频率的倍数，则将当前Q深度神经网络的相关信息复制到目标Q深度神经网络中，进行网络参数的更新；

9)若循环次数小于N，则返回步骤1)进行循环迭代；否则将跳出本循环，完成N次迭代，输出目标Q深度神经网络作为训练好的模型。

可以理解的是，可将训练好的网络模型部署至服务器，各有家装设计需求的平台均可共享服务器端的网络模型，具体可通过接口的方式向用户提供服务。

本发明实施例的技术方案，对DDQN模型的训练过程进行了详细说明，具体的，所述DDQN模型包括两个网络结构相同的深度神经网络，所述两个网络结构相同的深度神经网络以所述初始状态中的家具的类别信息以及家具的排布坐标信息为输入；通过使用两个网络结构相同的深度神经网络，减少了目标Q值计算和更新Q网络参数之间的依赖关系，解耦了数据样本和网络训练之间的相关性，加速了网络的收敛速度，提高了模型了设计效率。所述DDQN模型包括：基于家具的排布特征生成的价值函数，所述价值函数用于在DDQN模型运算过程中指导家具的排布策略。通过基于家具的排布特征生成所述价值函数，可为家具的排布策略给出合理地指导，提高了模型的家装设计效果。

实施例三

图4为本发明实施例三提供的一种家装设计装置，该装置包括：获取模块410、确定模块420和设计模块430。

其中，获取模块410，用于获取待设计户型图信息；确定模块420，用于基于所述待设计户型图信息，通过设定算法确定双深度Q神经网络DDQN模型的初始状态；设计模块430，用于根据所述初始状态，通过预先训练好的DDQN模型，得到待设计户型的家装设计信息；其中，所述家装设计信息包括至少一种家具的类别信息以及所述家具的摆放位置信息。

在上述各技术方案的基础上，确定模块420包括：

第一确定单元，用于基于所述待设计户型图信息，确定待设计户型的房间信息特征向量；

获取单元，用于根据所述房间信息特征向量，基于欧式距离从设定数据库获取与所述待设计户型相似度达到阈值的样本户型的家装设计信息；

第二确定单元，用于将所述家装设计信息确定为双深度Q神经网络DDQN模型的初始状态。

在上述各技术方案的基础上，所述样本户型的家装设计信息包括：家具的类别信息以及家具的排布坐标信息。

在上述各技术方案的基础上，所述预先训练好的DDQN模型包括两个网络结构相同的深度神经网络，所述两个网络结构相同的深度神经网络以所述初始状态中的家具的类别信息以及家具的排布坐标信息为输入。

所述预先训练好的DDQN模型包括：

基于家具的排布特征生成的价值函数，所述价值函数用于在DDQN模型运算过程中指导家具的排布策略。所述排布特征包括下述至少一项：可通过性、重叠性以及成对性。

本发明实施例所提供的家装设计装置可执行本发明任意实施例所提供的家装设计方法，具备执行方法相应的功能模块和有益效果。

值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明实施例的保护范围。

实施例四

下面参考图5，其示出了适于用来实现本发明实施例的电子设备(例如图5中的终端设备或服务器)400的结构示意图。本发明实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置406加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置406；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置406被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本发明实施例的方法中限定的上述功能。

本发明实施例提供的终端与上述实施例提供的家装设计方法属于同一发明构思，未在本发明实施例中详尽描述的技术细节可参见上述实施例，并且本发明实施例与上述实施例具有相同的有益效果。

实施例五

本发明实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的家装设计方法。

需要说明的是，本发明上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的装置、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：

获取待设计户型图信息；

基于所述待设计户型图信息，通过设定算法确定双深度Q神经网络DDQN模型的初始状态；

可以以一种或多种程序设计语言或其组合来编写用于执行本发明的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、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，该模块、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，两个接连地表示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操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。

描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，可编辑内容显示单元还可以被描述为“编辑单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本发明的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本发明中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本发明的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims

1.一种家装设计方法，其特征在于，包括：

获取待设计户型图信息；

2.根据权利要求1所述的方法，其特征在于，所述基于所述待设计户型图信息，通过设定算法确定双深度Q神经网络DDQN模型的初始状态，包括：

3.根据权利要求2所述的方法，其特征在于，所述样本户型的家装设计信息包括：家具的类别信息以及家具的排布坐标信息。

4.根据权利要求3所述的方法，其特征在于，所述家具的类别信息包括下述至少一种：床、书桌、衣柜、梳妆台、茶几、以及电视柜；

5.根据权利要求1-4任一项所述的方法，其特征在于，所述预先训练好的DDQN模型包括两个网络结构相同的深度神经网络，所述两个网络结构相同的深度神经网络以所述初始状态中的家具的类别信息以及家具的排布坐标信息为输入。

6.根据权利要求1-4任一项所述的方法，其特征在于，所述预先训练好的DDQN模型包括：

基于家具的排布特征生成的价值函数，所述价值函数用于在DDQN模型运算过程中指导家具的排布策略。

7.根据权利要求6所述的方法，其特征在于，所述排布特征包括下述至少一项：可通过性、重叠性以及成对性。

8.一种家装设计装置，其特征在于，包括：

获取模块，用于获取待设计户型图信息；

9.一种电子设备，其特征在于，所述电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一项所述的家装设计方法。

10.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一项所述的家装设计方法。