CN116745797A - 基于强化学习的装修服务的物件布置模型提供装置及方法 - Google Patents

基于强化学习的装修服务的物件布置模型提供装置及方法 Download PDF

Info

Publication number
CN116745797A
CN116745797A CN202180086656.8A CN202180086656A CN116745797A CN 116745797 A CN116745797 A CN 116745797A CN 202180086656 A CN202180086656 A CN 202180086656A CN 116745797 A CN116745797 A CN 116745797A
Authority
CN
China
Prior art keywords
virtual space
control operation
objects
predetermined
variable
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN202180086656.8A
Other languages
English (en)
Inventor
金秀珉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hud Inc
Original Assignee
Hud Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hud Inc filed Critical Hud Inc
Publication of CN116745797A publication Critical patent/CN116745797A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/092—Reinforcement learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/006—Mixed reality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/04—Architectural design, interior design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
    • G06T2219/20—Indexing scheme for editing of 3D models
    • G06T2219/2004—Aligning objects, relative positioning of parts

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Architecture (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Graphics (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Medical Informatics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Analysis (AREA)
  • Educational Administration (AREA)

Abstract

根据本发明的一个实施例的物件布置模型提供方法可以包括生成构成虚拟空间的状态的变量、改变虚拟空间的变量的控制操作、作为成为虚拟空间内控制操作的对象的物件的主体、定义预定变量对其它变量产生的影响的政策、成为强化学习的对象的学习环境的步骤；生成训练用于预测补偿的价值函数的第一神经网络的步骤；基于关于通过可执行的控制操作变更的各个状态的价值函数的预测值，生成训练用于辨别最小化可执行的控制操作中最终将累积的补偿的控制操作的政策函数的第二神经网络的步骤；及向第一神经网络及第二神经网络的费用函数成为最小的方向执行强化学习的步骤。

Description

基于强化学习的装修服务的物件布置模型提供装置及方法
技术领域
本发明涉及一种基于强化学习的装修服务的物件布置模型提供装置及方法。
背景技术
人们在生活中有着追求符合自己个性且更美好居住环境的欲望。为此，简单地在居住空间中布置新物件进行装修，或甚至进行更换墙纸或地板材料、改变空间结构等装修工程。
目前，为了装修工程，委托人为了构建自己想要的空间而向装修专家委托居住环境等的装修草案，受托的装修专家通过设计顾客想要的装修并向顾客出示的方式进行。
但现在随着能够在虚拟空间直接装饰各种装修元素的装修服务(ex.3D空间数据平台城市基面)的开发，装修服务的用户可以按照自己的喜好在移植自己居住环境的虚拟空间中布置物件，并轻松地更换地板材料/壁纸等。
因此，用户可以通过虚拟空间的装修间接感受到实际装修，并接受订购自己喜欢的实际装修商品、或下发与实际施工联动的装修订单等服务。
发明内容
技术问题
上述的装修服务在用户的虚拟空间提供多种物件、地板材料、壁纸等装修元素，使得用户能够在虚拟空间直接布置各种装修元素。
另外，装修元素的布置在美观方面和实用性方面都很重要，装修服务的用户为非装修专家的情况下，在选择布置诸多种类的物件、地板材料、壁纸等方面可能经历困难。
因此，本发明的实施例所要解决的课题是提供考虑使用装修服务的用户在虚拟空间中多个物件的和谐和动线等，自动推荐待布置装修元素的位置的技术。
但，本发明的实施例所要实现的技术课题不限于以上提及的课题，在对普通技术人员不言而喻的范围内从以下说明的内容能够导出各种技术课题。
技术方案
根据本发明的一个实施例的物件布置模型提供装置包括存储有用于执行预定动作的命令的至少一个内存；及设定成与所述至少一个内存能够工作地连接执行所述命令的至少一个处理器，所述处理器执行的操作可以包括：通过设定构成由装修服务提供的虚拟空间的状态的变量、改变所述虚拟空间的变量的控制操作、配置于所述虚拟空间且作为成为所述控制操作的对象的物件的主体、定义预定变量对其它变量产生的影响的政策、通过设定基于由所述控制操作变更的虚拟空间的状态评价的补偿来生成成为学习对象的学习环境的操作；生成用于训练预测在所述学习环境所能够具有的各个状态执行预定的控制操作时即将达成的补偿的价值函数的第一神经网络的步骤；基于对于通过在所述学习环境所能够具有的各个状态能够执行的控制操作变更的各个状态的所述价值函数的预测值，生成用于训练判别最大化所述可执行的控制操作中最终将积累的补偿的控制操作的政策函数的第二神经网络的操作；以及执行向所述第一神经网络及所述第二神经网络的费用函数达到最小的方向的强化学习的操作。
另外，所述变量可以包括特定构成所述虚拟空间的墙壁及地面的位置、角度、区域的第一变量；以及特定配置于所述虚拟空间的物件的位置、角度、区域的第二变量。
另外，所述第一变量可以包括特定所述墙壁的中点的位置坐标、特定配置于所述墙壁的角度的欧拉角度、特定所述地面的中心坐标及所述地面的边界面的多边形信息。
另外，所述第二变量可以包括特性所述物件的中点的位置坐标、特定所述物件的横/竖/宽的大小的大小信息、特定所述物件配置的角度的欧拉角度及用于评价所述物件与其它物件的干涉的干涉信息。
另外，所述干涉信息可以包括关于凸出相当于在所述横/竖/宽的大小的内部包括所述物件的中点的六面体的面中任意一面的宽度乘上预定的距离的体积的多面体形态所占空间的信息。
另外，所述政策可以包括将所述物件中与所述虚拟空间的地面或墙壁相接来支撑其它物件的物件分类为第一阶层、将所述物件中与所述第一阶层的物件相接得到支撑的物件分类为第二阶层，并预先定义关于设定为与预定的第一阶层的物件相关联并一起配置的关系对的第二阶层的物件的种类、与预定的第一阶层的物件为关系对的第二阶层的物件的配置距离、与预定的第一阶层的物件为关系对的第二阶层的物件的配置方向的第一政策；预先定义关于预定的物件配置的高度的范围的第二政策；预先定义使得将从所述虚拟空间的玄关到达所有种类的空间的最短空间的动线识别为预定宽度的面积的第三政策。
另外，所述控制操作可以包括改变关于所述虚拟空间内所述对象的位置及角度的变量的操作。
另外，所述补偿可根据评价随着所述控制操作改变的所述学习环境的状态分别符合所述第一、第二、第三政策的程度的预设的多个评价式计算得到，并组合成设定针对各个所述多个评价式反映的比率的加权值来确定。
另外，所述多个评价式可以包括针对虚拟空间内物件之间的距离的评价分数、针对将虚拟空间内物件按距离分组后分类的物件分组之间的距离的评价分数、关于虚拟空间内物件之间的排列关系的评价分数、关于所述物件分组之间的排列关系的评价分数、关于所述物件分组与墙壁的排列关系的评价分数、关于物件配置的高度的评价分数、关于地面的剩余空间的评价分数、关于物件配置于墙壁的密度的评价分数、关于动线的长度的评价分数。
另外，可以包括：用于存储由所述装置生成的物件布置模型的内存；及接收来自装修服务的用户的关于预定的物件的配置请求的输入接口；生成特定关于所述用户的虚拟空间的状态的信息和关于所述预定的物件的信息的变量后，基于将所述变量输入至所述物件布置模型后输出的控制操作确定所述虚拟空间中关于所述预定的物件的配置空间的处理器。
根据本发明的一个实施例的物件布置模型提供方法可以包括：通过设定构成由装修服务提供的虚拟空间的状态的变量、改变所述虚拟空间的变量的控制操作、配置于所述虚拟空间作为成为所述控制操作的对象的物件的主体、定义预定变量对其它变量产生的影响的政策、通过设定基于由所述控制操作变更的虚拟空间的状态评价的补偿生成成为学习对象的学习环境的步骤；生成用于训练预测在所述学习环境所能够具有的各个状态执行预定的控制操作时即将达成的补偿的价值函数的第一神经网络的步骤；基于对于通过在所述学习环境所能够具有的各个状态能够执行的控制操作变更的各个状态的所述价值函数的预测值，生成用于训练判别最大化所述可执行的控制操作中最终将积累的补偿的控制操作的政策函数的第二神经网络的步骤；以及执行向所述第一神经网络及所述第二神经网络的费用函数达到最小的方向的强化学习的步骤。
技术效果
根据本发明的实施例，可提供基于强化学习考虑在装修服务的虚拟空间物件所占大小、物件之间的干涉、一同配置的物件的和谐、配置密度、物件配置带来的空间的动线等的最优的物件布置技术。
此外，可提供通过本文直接或间接了解到的各种效果。
附图说明
图1是根据本发明的一个实施例的物件布置模型提供装置的功能框图；
图2是根据本发明的一个实施例的物件布置模型提供装置对物件布置模型执行训练的物件布置模型提供方法的操作流程图；
图3是根据本发明的一个实施例的学习环境中虚拟空间的示例图；
图4是在根据本发明的一个实施例的学习环境特定物件的操作的示例图；
图5是在根据本发明的一个实施例的学习环境中针对属于关系对的第一阶层的物件及第二阶层的物件的预先定义的信息的示例图；
图6是用于说明根据本发明的一个实施例基于强化学习训练价值函数及政策函数的操作的示例图；
图7是根据本发明的一个实施例的物件布置模型提供装置通过物件布置模型确定物件配置位置的物件布置模型提供方法的操作流程图。
具体实施方式
参见与附图一起详细后述的实施例将会明确本发明的优点、特征以及其实现方法。但本发明并非限定于以下公开的实施例，而是能够以多种形态实现，但本实施例的提供旨在使得本发明的公开完整，并向本发明所属技术领域的普通技术人员完整地告知发明的范畴，本发明的范畴仅由权利要求定义。
在说明本发明的实施例的过程中，对于公知功能或构成的具体说明将会被省略，除了说明本发明的实施例的过程中实际必要的情况。并且后述的术语是考虑到在本发明的实施例中的功能而定义的术语，其可根据用户、运用者的意图或惯例等发生改变。因此，其定义的确定应基于本说明书的全部内容。
附图中示出并在下面说明的功能块仅是可实现的示例。在其它实现例中，在不超出具体说明的思想及范畴的范围内可使用其它功能块。另外，本发明的至少一个功能块表示为个别块，但本发明的功能块中至少一个可以是执行相同功能的多种硬件及软件构成的组合。
另外，包括某一构成要素的表述是开放型的表述，仅单纯表示存在该构成要素，不应理解为排除附加构成要素。
进一步地，提及某一构成要素连接于或者接入至其它构成要素的情况下，可以直接连接于或接入至该其它构成要素，但应理解为中间还可以存在其它构成要素。
另外，‘第一、第二’等之类的表述是仅用作区分多个构成的用途的表述，因此不限定构成之间的顺序或其它特征。
以下参见附图说明本发明的实施例。
图1是根据本发明的一个实施例的物件布置模型提供装置100的功能框图。参见图1，根据一个实施例的物件布置模型提供装置100可以包括内存110、处理器120、输入界面130、显示部140及通信接口150。
内存110可以包括大数据DB 111、物件布置模型113及命令DB 115。
大数据DB 111可以包括从装修服务收集到的各种数据。装修服务可以包括提供可通过将实际空间的面貌移植到三维虚拟空间来装扮虚拟的装修元素的功能的服务。使用装修服务的用户可以按照自己的喜好在虚拟空间中放置物件/地板材料/壁纸等装修元素。使用装修服务的用户可以在看到其他用户装扮的虚拟空间的装修后，通过同感功能(ex.点赞按钮)等做出反应。此外，可统计用户通过装修服务查阅特定装修的点击率。
大数据DB 111可以保存从装修服务收集到的所有信息作为大数据。例如，大数据可以包括装修服务的用户信息、关于用户装修的空间的信息、关于装修的房间种类的信息、关于用户配置的物件、壁纸、地板材料等的信息、关于用户喜好的信息、用户对特定装修评价的信息、关于用户查阅特定装修的次数的信息等。
物件布置模型113是考虑到基于强化学习在装修服务的虚拟空间中物件所占大小、物件之间的干涉、一起配置的物件的和谐、配置密度、随着物件配置的空间的动线等，向装修服务的用户推荐装修元素的最佳配置位置和方向的人工智能模型。物件布置模型113可根据与图2一起后述的实施例执行学习并保存在内存110中。
本发明的实施例中，强化学习用于在装修服务的虚拟空间配置特定物件时，为了考虑该物件与其它物件的和谐、干涉、动线等实现配置在最佳位置的目的，生成判断应采取作为控制对象的主体(ex.待配置在虚拟空间的物件)配置在哪一位置的控制操作(ex.确定配置位置、角度等)的物件布置模型。例如，本发明的实施例中，强化学习算法可使用A2C(Advantage Actor-Critic)模型，但不限于这种示例，可将基于强化学习的概念的多种算法应用于本发明的实施例。
命令DB 115可以存储能够执行处理器120的操作的命令。例如，命令DB 115可存储执行与后述处理器120的操作对应的操作的计算机代码。
处理器120可以控制物件布置模型提供装置100所包含的构成、内存110、输入界面130、显示部140及通信接口150的整个操作。处理器120可以包括环境设定模块121、强化学习模块123及控制模块125。处理器120可通过执行存储在内存110的命令驱动环境设定模块121、强化学习模块123及控制模块125。由环境设定模块121、强化学习模块123及控制模块125执行的操作可理解为通过处理器120执行的操作。
环境设定模块121能够生成用于强化训练物件布置模型的学习环境。学习环境可以包括为了训练物件布置模型而预先设定的关于环境的信息。例如，环境设定模块121通过设定构成由装修服务提供的虚拟空间的状态的变量(var iable)、由这些变量值的组合表示的状态(state)、改变构成虚拟空间的状态的变量的控制操作(action)、成为控制操作的对象的主体(agent)、定义预定的变量对其它变量产生的影响的政策(policy)、基于通过控制操作变更的虚拟空间的状态评价的补偿(reward)生成学习环境。
强化学习模块123在完成对学习环境的设定后，可通过训练预测在学习环境所能够具有的各个状态随着执行预定的控制操作即将实现的补偿的价值函数、以及基于对于通过在学习环境所能够具有的各个状态能够执行的控制操作变更各个状态的价值函数的预测值，判断最大化可执行的控制操作中最终累计的补偿的控制操作的政策函数，生成执行强化学习的物件布置模型。
控制模块125在用户请求在装修服务的虚拟空间配置特定物件的情况下，能够利用物件布置模型推荐最佳物件布置空间。
输入界面130可以接收用户的输入。例如，可以接收用户在装修服务选择的装修元素等输入。
显示部140可以包括显示面板并包括输出图像的硬件构成。
通信接口150可通过与外部设备(ex.外部DB服务器、用户终端等)进行通信来收发信息。为此，通信接口150可包括无线通信模块或有线通信模块。
以下，通过图2至图7说明关于物件布置模型提供装置100的构成要素联动训练物件布置模型以及利用物件布置模型的具体实施例。
图2是根据本发明的一个实施例的物件布置模型提供装置100执行对物件布置模型的训练的物件布置模型提供方法的操作流程图。根据图2的物件布置模型提供方法的各个步骤可通过参见图1说明物件布置模型提供装置100的构成来执行，各个步骤说明如下。
环境设定模块121能够生成成为学习对象的学习环境(S210)。例如，环境设定模块121可以设定构成由装修服务提供的虚拟空间的状态的变量、改变虚拟空间的变量的控制操作、作为配置在虚拟空间成为控制操作的对象的物件的主体、定义预定变量对其它变量产生的影响的政策、基于通过控制操作变更的虚拟空间的状态评价的补偿。
变量可包括关于用于表示如图3的虚拟空间的状态(ex.虚拟空间的大小、虚拟空间的形态、配置在虚拟空间的物件的位置、物件的大小、物件的种类等)的变量的识别信息和表示各个变量的值。为此，变量大致为两种，可以包括特定装修服务的虚拟空间的第一变量、特定配置于虚拟空间的物件的位置、角度、所占区域、干涉区域的第二变量。
第一变量可以包括特定墙壁的中点的三维位置坐标、特定墙壁配置角度的欧拉角度、特定墙壁的大小的横/竖/宽的大小信息、特定地面的中心的三维位置坐标及地面的边界面的多边形信息。因此，可通过设定地面、墙壁的位置及配置角度来特定虚拟空间，可通过用墙壁区分空间来特定各个空间的用途。
参见图4(a)，第二变量可以包括特定物件的中点的三维位置坐标、特定物件的横/竖/宽的大小的大小信息、特定关于物件配置角度的欧拉角度的信息。因此，可通过物件的中点和欧拉角度特定物件配置的位置和方向，可通过大小信息特定在横/竖/宽的大小内包括物件的中点的六面体的大小，特定在虚拟空间内该物件所占大小21。
参见图4(b)，第二变量可以包括关于作为用于评价特定物件与其它物件的干涉的虚拟体积的干涉区域的信息。为了动线确保及特定避免物件之间的干涉的要素，关于干涉区域的信息可以特定23多面体形态所占空间的体积，其中所述多面体形态是凸出相当于在特定物件的六面体的面中任意一面的宽度乘上预定的距离的体积的多面体形态。
参见图4(c)，为了特定表示视角的要素，关于干涉区域的信息能够特25定多个多面体依次所占的空间的体积，所述多面体是凸出相当于关于特定物件的六面体的面中任意一面的预先设定的比例的面积乘上预定的距离的体积的多面体。
政策表示定义在虚拟空间何种状态为符合学习目的的状态的学习的方向性的信息。为此，根据本发明的实施例的政策可以包括定义物件之间的理想配置关系的第一政策、定义关于物件的理想高度的范围的第二政策、确保从第一位置到第二位置的最短动线的第三政策。
第一政策可以包括将装修服务的物件中相接于虚拟空间的地面或墙壁来支撑其它物件的物件分类为第一阶层，并将与第一阶层的物件相接得到支撑的物件分类为第二阶层，并如图5定义设定为与第一阶层的物件关联并一起配置的关系对的第二阶层的物件的种类、与第一阶层的物件为关系对的第二阶层的物件之间的配置距离、与第一阶层的物件为关系对的第二阶层的物件的配置方向的政策信息。
第二政策可以包括定义关于预定的物件配置的适当高度的范围的政策信息。
第三政策可以包括定义使得将从特定位置(ex.玄关)到达所有种类的空间(ex.客厅、厨房、卫生间、卧室等)的最短空间的动线识别为预定宽度的面积的政策信息。
主体可特定为待配置于虚拟空间的物件，主体可成为基于预先定义的政策和补偿，执行关于在虚拟空间配置的位置、角度等的决定的控制操作的对象。
补偿可根据评价随着针对主体的控制操作变化的学习环境的状态(ex.表示虚拟空间的变量的组合)分别符合第一政策、第二政策及第三政策的程度预设的多个评价式计算得到，并基于确定的加权值合算反映根据各个评价式计算得到的评价分数的比率来确定。
例如，补偿可通过以下数学式1至数学式13来确定。
[数学式1]
(CIF：物件之间距离的评价分数，F：虚拟空间内所有物件的集合，f1：第一物件，f2：第二物件，异议冲突(Objection Collision)：在虚拟空间第一物件和第二物件重叠的体积比率，边界框冲突(Bounding Box Collision)：在虚拟空间属于第一物件的干涉信息的空间和属于第二物件的干涉信息的空间重叠的体积比率，wp是第一物件和第二物件属于关系对的情况下为0，非关系对的情况下为1)
[数学式2]
(CIG：物件分组之间的距离的评价分数，边界框冲突(Bounding Box Co llision)：在虚拟空间相当于属于第一组的物件的干涉信息的空间和相当于属于第二组的物件的干涉信息的空间重叠的体积比率)
在此，数学式2的情况下，物件的分组可基于在虚拟空间内物件所在位置的三维坐标的位置，利用集群化物件的预定的算法分类相邻配置的物件之间的组。为此，可使用各种分组化算法，例如可使用基于密度的含噪声应用空间聚类(Density Based SpatialClustering of Applications with Noise，DBSCAN)集群算法。
[数学式3]
(CAF：物件之间排列关系的评价分数，F：虚拟空间内所有物件的集合，f1：第一物件，f2：第二物件，f1(θ)+f2(θ)：连接第一物件的中点和第二物件的中点的线相对于预定的轴(ex.x轴或y轴)所形成的角度)
[数学式4]
(CAG：物件分组之间排列关系的评价分数，g1(θ)+g2(θ)：连接形成为第一组的物件的中点和形成为第二组的物件的中点的线相对于预定的轴(ex.x轴或y轴)所形成的角度)
[数学式5]
(CAW：物件分组与墙壁的排列关系的评价分数，F：虚拟空间内所有物件的集合，G：虚拟空间内形成的物件的分组，W：虚拟空间内墙壁，G(θ)+W(θ)：连接分组内物件的中点和墙壁的中点的线相对于预定的轴(ex.x轴或y轴)所形成的角度)
[数学式6]
(CH：关于物件配置的高度的评价分数，F：虚拟空间内所有物件的集合，f：特定物件，H(f)：特定物件超出预先定义的适当高度的高度的比率，F(h)：所有物件的平均高度超出对特定空间(ex.客厅、卧室、卫生间)预先定义的高度的高度的比率)
[数学式7]
(CFAG：关于地面的剩余空间的评价分数，Area(ground)：地面的总面积，G：虚拟空间内所有组的集合，g：虚拟空间内特定分组，Area(proj(B(g)))：将属于特定分组的所有物件的大小投射到地面时投射到地面的面积)
[数学式8]
(CFAW：关于物件是否有密度地配置在墙壁的评价分数，W：虚拟空间内所有墙壁的集合，w：虚拟空间内特定墙壁，Kw：以预定距离以下配置在墙壁w的物件的个数，f：以预定距离以下配置在墙壁w的物件，Area(w)：墙壁w的面积，Area(proj(B(f)))：将预定距离以下配置在墙壁w的物件的大小投射在墙壁w时，投射在墙壁的面积)
[数学式9]
CC＝-Length(Circulation Curve)
(Cc：关于动线的长度的评价分数，Length(Circulation Curve)：连接从预设的第一位置(ex.玄关等)至预设的第二位置(ex.窗户、客厅、厨房、卫生间、卧室等)的线段的长度)
在此，数学式9的情况下，可针对特定第一位置及第二位置的各个位置的中点信息适用维诺图(Voronoi Diagram)算法计算总长度。
[数学式10]
C＝CIf+CH+CAf+CFAW
数学式10是以各个物件为基准，考虑物件之间的配置距离、配置高度、物件之间的排列关系、物件与墙壁的配置密度的评价分数。
[数学式11]
P＝CIG+CAG+CAw+CFAG
数学式11是以物件的分组为基准，考虑分组之间的配置距离、分组之间的排列关系、分组与墙壁的排列关系、分组与墙壁的配置密度的评价分数。
[数学式12]
C＝Cc
数学式12是考虑随着物件的配置的动线的效率性的评价分数。
[数学式13]
R(s，a)＝WG*G+WPp*P+WCc*C
(wG是评价分数G的反映比率，wPp是评价分数P的反映比率，wCc是评价分数C的反映比率)
因此，补偿可随着控制操作变化的学习环境的状态针对分别符合所述第一、第二、第三政策的程度基于预设的数学式1至数学式9的评价式计算得到，可考虑对于以各个基准评价的数学式10、数学式11、数学式12根据学习意图反映比率设定学习环境，以如数学式13确定最终补偿。
如此，完成对学习环境的设定以后，强化学习模块123可以生成学习预测随着可在学习环境所能具有的各个状态能够执行的控制操作将要实现的补偿的价值函数的第一神经网络(S220)，以及生成学习导出最大化在学习环境所能够具有的各个状态能够执行的控制操作中最终累积的补偿的控制操作的政策函数的第二神经网络(S230)。
图6是用于说明根据本发明的一个实施例基于强化学习中Actor-Critic算法训练价值函数及政策函数的操作的示例图。
作为强化学习算法的一个实施例的Actor-Critic算法是模型化政策并对该政策函数适用倾斜下降法进行学习的On-policy强化学习算法，可通过政策倾斜法(PolicyGradient)学习最佳政策。
根据本发明的一个实施例的物件布置模型(ex.Actor-Critic模型)可以包括第一神经网络及第二神经网络。第一神经网络可以包括学习预测在学习环境所能够具有的各个状态执行预定的控制操作时即将实现的补偿的价值函数的Critic模型。控制操作可以包括变更成为控制对象物件配置的位置、角度等变量的控制操作。
第二神经网络可以包括学习导出最大化在学习环境所能够具有的各个状态能够执行的制操作中最终累积的补偿的控制操作的政策函数的Actor模型。
在此，政策定义为πθ(at|st)，表现为对于当前状态(st)的控制操作(at)的条件部概率。另外，对于状态和行动的状态-行动价值函数(state-action value fu nction)定义为Qw(st，at)，表示在某个状态(st)执行某个行动(at)时将获得的总补偿的期待值。
强化学习模块123将第一神经网络的输入变量设定为学习环境的状态(st)，第一神经网络的输出变量可设定为在学习环境可具有的各个状态执行政策时将实现的补偿，即价值函数的预测值(Vw(st))。在此，输入变量可使用第一变量或第二变量的组合作为构成学习环境的状态的变量。
另外，用于确定第一神经网络的学习方向的费用函数可以是使得表示价值函数的预测值(Vw(st))比实际价值好多少的增益(A(s，a))最小的MSE(mean square error)函数，例如，可以设定为以下数学式14。
[数学式14]
A(s，a)＝Qw(st，at)-Vw(st)
losscritic＝(rt+1+γVw(st+1)-Vw(st))2
在此，Qw()表示状态-行动价值函数，w表示学习的参数，st表示学习环境的当前状态，Qw(st，at)表示对于当前状态(st)的控制行动(at)的总补偿的期待值，losscritic表示第一神经网络的费用函数，rt+1表示在下一个状态(st+1)得到的补偿，Vw(st+1)表示对于下一个状态(st+1)的政策的总补偿的期待值，Vw(st)表示对于当前状态(st)的政策的总补偿的期待值，γ表示学习的加减率。
因此，第一神经网络可在每次变更学习环境的状态时，向最小化第一神经网络的费用函数的方向更新第一神经网络的参数，例如加权值(weight)及偏差(bias)。
第二神经网络学习导出最大化在学习环境所能够具有的各个状态能够执行的控制操作中最终将累积的补偿的控制操作的政策函数。为此，可将第二神经网络的输入变量设定为价值函数的预测值及学习环境的状态(st)，并将第二神经网络的输出变量设定成最大化在学习环境所能够具有的各个状态能够执行的控制操作中最终将累积的补偿的控制操作。在此，输入变量可使用第一变量或第二变量的组合作为构成学习环境的状态的变量。
在此，第二神经网络可基于例如以下数学式15等形态的费用函数学习。
[数学式15]
在此，表示第二神经网络的费用函数，πθ()表示政策函数，θ表示在第二神经网络学习的参数，st表示学习环境的当前状态，πθ(at|st)表示在前状态(st)控制操作(at)的条件部概率，Qw()表示状态-行动价值函数，w表示学习的参数，st表示学习环境的当前状态，Qw(st，at)表示对于当前状态(st)的控制行动(at)的总补偿的期待值。
另外，第一神经网络的输出变量可适用于第二神经网络的费用函数，可以如以下数学式16设定。
[数学式16]
在此，表示第二神经网络的费用函数，πθ()表示政策函数，θ表示在第二神经网络学习的参数，st表示学习环境的当前状态，πθ(at|st)表示在当前状态(st)控制操作(at)的条件部概率，Vw()表示价值函数，w表示在第一神经网络学习的参数，Vw(St)表示对于当前状态(st)的政策的总补偿的期待值，rt+1表示在下一个状态(st+1)得到的补偿，Vw(st+1)表示对于下一个状态(st+1)的政策的总补偿的期待值，γ表示在第一神经网络(st+1)学习的加减率。
因此，强化学习模块123可执行向第一神经网络的费用函数及第二神经网络的费用函数达到最小的方向的强化学习(S240)。
即，可以更新价值函数，使得学习环境从任意的开始状态(或，装修服务的大数据中包含的虚拟空间的状态)开始，随着执行对特定物件的控制操作改变状态的过程中成为结束状态为止，每个状态中第一神经网络的费用函数达到最小，并将更新的价值函数反映至第二神经网络的费用函数，并列更新政策函数使得第二神经网络的费用函数达到最小。
因此，第二神经网络接收学习环境的当前状态(st)的输入并可基于政策函数导出从当前学习环境的状态到最终状态为止将累积的补偿最大的控制操作(at)。
之后，学习环境通过控制操作(at)将当前状态(st)基于设定的规则变更为下一个状态(st+1)，并将构成下一个状态(st+1)的变量及在下一个状态的补偿(rt+1)提供给第一神经网络。因此，第一神经网络更新价值函数，使得第一神经网络的费用函数成为最小，并将更新的参数提供给第二神经网络，第二神经网络可将更新的价值函数的参数反映至第二神经网络的费用函数，并更新政策函数，使得第二神经网络的费用函数成为最小。
如此，强化学习模块123可根据上述的方向性反复第一神经网络及第二神经网络的学习次数，训练使得价值函数及政策函数确定最佳控制操作，物件布置模型可理解为包括学习反复数次的第一神经网络及第二神经网络的构成。因此，利用物件布置模型在特定虚拟空间配置物件的情况下，使得能够算出符合预先定义的政策的最佳位置。
另外，上述的数学式14至数学式16是用于说明强化学习而例示的数学式，为了实现本发明的实施例可在显而易见的范围变更并使用。
图7是根据本发明的一个实施例的物件布置模型提供装置100通过物件布置模型确定物件待配置的位置的物件布置模型提供方法的操作流程图。但，根据图7的物件布置模型的使用操作无需在与根据图2的物件布置模型的学习操作必须相同的装置执行，可以是相互不同的对象的设备。
参见图7，通过物件布置模型提供装置100生成的物件布置模型113可保存在内存110中(S710)。
输入界面可从装修服务的用户接收对预定的物件的配置请求(S720)。
控制模块125生成用于特定关于用户的虚拟空间的状态的信息和关于预定的物件的信息的变量后，可基于输入至物件布置模型后输出的控制操作，在虚拟空间确定预定的物件的配置空间(S730)。
根据上述实施例可考虑基于强化学习装修服务的虚拟空间物件所占大小、物件之间的干涉、一同配置的物件种类、虚拟空间的动线等提供最佳物件布置技术。
上述的本发明的实施例可通过多种手段实现。例如，本发明的实施例可通过硬件、固件(firmware)、软件或这些的结合等实现。
通过硬件实现的情况下，根据本发明的实施例的方法可通过一个或一个以上的ASICs(Application Specific Integrated Circuits)、DSPs(Digital SignalProcessors)、DSPDs(Digital Signal Processing Devices)、PLDs(Programmable LogicDevices)、FPGAs(Field Programmable Gate Arrays)、处理器、控制器、微控制器、微处理器等实现。
通过固件或软件实现的情况下，根据本发明的实施例的方法可以以执行以上说明的功能或操作的模块、步骤或函数等的形态实现。记录软件代码等的计算机程序可存储在计算机可读存储介质或内存单元并通过处理器驱动。内存单元位于处理器内部或外部，可通过公知的各种方式与处理器收发数据。
另外，附加于本发明的框图的各个框和流程图的各个步骤的组合还可以通过计算机程序指令执行。这些计算机程序指令可加载于通用计算机、专用计算机或其它可编程数据处理设备的编码处理器，因此通过计算机或其它可编程数据处理设备的编码处理器执行的这些指令生成用于执行在框图的各个框或流程图的各个步骤说明的功能的方案。为了通过特定方法实现功能，这些计算机程序指令还可以存储在可面向计算机或其它可编程数据处理设备的计算机可用或计算机可读内存，存储于该计算机可用或计算机可读内存的指令还可以生产用于执行在框图的各个框或流程图的各个步骤中说明的功能的包含指令方案的制造品种。计算机程序指令还可以加载在计算机或其它可编程数据处理设备上，从而在计算机或其它可编程数据处理设备上执行一系列操作步骤来生成用计算机执行的进程，执行计算机或其它可编程数据处理设备的指令还可以提供用于执行在框图的各个框及流程的各个步骤中说明的功能的步骤。
并且，各个框或各个步骤可表示包括用于执行特定逻辑功能的至少一个可执行指令的模块、部分或代码的一部分。另外应注意在几种替代实施例中框或步骤中提及的功能还可能超出顺序发生。例如，连续示出的两个框或步骤还可以实质上同时执行，或者该框或步骤有时还根据相应功能按倒序执行。
如此，能够理解的是，本发明所属技术领域的技术人员在不变更该技术思想或必要特征的情况下能够以其它具体形态实施。因此，应理解以上描述的实施例在所有方面均是示例性的，而非限定性的。本发明的范围由所附权利要求的范围确定，而非具体说明，应解释为权利要求范围的含义、范围以及从其等价概念导出的所有变更或变形的形态包含于本发明的范围。

Claims (12)

1.一种物件布置模型提供装置，包括：
至少一个内存，存储有用于执行预定动作的命令；以及
至少一个处理器，设定成与所述至少一个内存能够工作地连接执行所述命令，
所述处理器执行的操作包括：
通过设定构成由装修服务提供的虚拟空间的状态的变量、改变所述虚拟空间的变量的控制操作、配置于所述虚拟空间并作为成为所述控制操作的对象的物件的主体、定义预定变量对其它变量产生的影响的政策、基于由所述控制操作变更的虚拟空间的状态评价的补偿生成成为学习对象的学习环境的操作；
生成用于训练预测在所述学习环境所能够具有的各个状态执行预定的控制操作时即将达成的补偿的价值函数的第一神经网络的步骤；
基于对于通过在所述学习环境所能够具有的各个状态能够执行的控制操作变更的各个状态的所述价值函数的预测值，生成用于训练判别最大化所述可执行的控制操作中最终将积累的补偿的控制操作的政策函数的第二神经网络的操作；以及
执行向所述第一神经网络及所述第二神经网络的费用函数达到最小的方向的强化学习的操作。
2.根据权利要求1所述的物件布置模型提供装置，其中，所述变量包括：
特定构成所述虚拟空间的墙壁及地面的位置、角度、区域的第一变量；以及
特定配置于所述虚拟空间的物件的位置、角度、区域的第二变量。
3.根据权利要求2所述的物件布置模型提供装置，其中，所述第一变量包括：
特定所述墙壁的中点的位置坐标、特定配置于所述墙壁的角度的欧拉角度、特定所述地面的中心坐标及所述地面的边界面的多边形信息。
4.根据权利要求2所述的物件布置模型提供装置，其中，所述第二变量包括：
特定所述物件的中点的位置坐标、特定所述物件的横/竖/宽的大小的大小信息、特定所述物件所配置的角度的欧拉角度及用于评价所述物件与其它物件的干涉的干涉信息。
5.根据权利要求4所述的物件布置模型提供装置，其中，所述干涉信息包括：
关于凸出相当于在所述横/竖/宽的大小的内部包括所述物件的中点的六面体的面中任意一面的宽度乘上预定的距离的体积的多面体形态所占空间的信息。
6.根据权利要求2所述的物件布置模型提供装置，其中，所述政策包括：
将所述物件中与所述虚拟空间的地面或墙壁相接来支撑其它物件的物件分类为第一阶层，将所述物件中与所述第一阶层的物件相接得到支撑的物件分类为第二阶层，并预先定义关于设定为与预定的第一阶层的物件相关联并一起配置的关系对的第二阶层的物件的种类、与预定的第一阶层的物件为关系对的第二阶层的物件之间的配置距离、与预定的第一阶层的物件为关系对的第二阶层的物件的配置方向的第一政策；
预先定义关于预定的物件配置的高度的范围的第二政策；以及
预先定义使得将从所述虚拟空间的玄关到达所有种类的空间的最短空间的动线识别为预定宽度的面积的第三政策。
7.根据权利要求6所述的物件布置模型提供装置，其中，所述控制操作包括：
改变关于所述虚拟空间内所述主体的位置及角度的变量的操作。
8.根据权利要求7所述的物件布置模型提供装置，其中：
所述补偿是根据评价随着所述控制操作改变的所述学习环境的状态分别符合所述第一、第二、第三政策的程度的预设的多个评价式计算得到，并组合成设定针对各个所述多个评价式反映的比率的加权值来确定。
9.根据权利要求8所述的物件布置模型提供装置，其中，所述多个评价式包括：
针对虚拟空间内物件之间的距离的评价分数、针对将虚拟空间内物件按距离分组后分类的物件分组之间的距离的评价分数、关于虚拟空间内物件之间的排列关系的评价分数、关于所述物件分组之间的排列关系的评价分数、关于所述物件分组与墙壁的排列关系的评价分数、关于物件配置的高度的评价分数、关于地面的剩余空间的评价分数、关于物件配置于墙壁的密度的评价分数、关于动线的长度的评价分数。
10.一种物件布置模型提供装置，包括：
内存，用于存储由根据权利要求1-9中任一项所述的物件布置模型提供装置生成的物件布置模型；以及
输入接口，用于接收来自装修服务的用户的对预定的物件的配置请求；
处理器，用于生成特定关于所述用户的虚拟空间的状态的信息和关于所述预定的物件的信息的变量后，基于将所述变量输入至所述物件布置模型后输出的控制操作确定所述虚拟空间中关于所述预定的物件的配置空间。
11.一种物件布置模型提供方法，是由物件布置模型提供装置执行的物件布置模型提供方法，包括：
通过设定构成由装修服务提供的虚拟空间的状态的变量、改变所述虚拟空间的变量的控制操作、配置于所述虚拟空间作为成为所述控制操作的对象的物件的主体、定义预定变量对其它变量产生的影响的政策、基于由所述控制操作变更的虚拟空间的状态评价的补偿生成成为学习对象的学习环境的步骤；
生成用于训练预测在所述学习环境所能够具有的各个状态执行预定的控制操作时即将达成的补偿的价值函数的第一神经网络的步骤；
基于对于通过在所述学习环境所能够具有的各个状态能够执行的控制操作变更的各个状态的所述价值函数的预测值，生成用于训练判别最大化所述可执行的控制操作中最终将积累的补偿的控制操作的政策函数的第二神经网络的操作；以及
执行向所述第一神经网络及所述第二神经网络的费用函数达到最小的方向的强化学习的操作。
12.一种计算机可读存储据介质，其中存储有计算机程序，所述计算机程序包括使得处理器执行权利要求11所述的方法的命令。
CN202180086656.8A 2020-12-23 2021-12-22 基于强化学习的装修服务的物件布置模型提供装置及方法 Withdrawn CN116745797A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR10-2020-0181469 2020-12-23
KR1020200181469A KR102549980B1 (ko) 2020-12-23 2020-12-23 강화 학습 기반 인테리어 서비스의 사물 배치 모델 제공 장치 및 방법
PCT/KR2021/019629 WO2022139469A1 (ko) 2020-12-23 2021-12-22 강화 학습 기반 인테리어 서비스의 사물 배치 모델 제공 장치 및 방법

Publications (1)

Publication Number Publication Date
CN116745797A true CN116745797A (zh) 2023-09-12

Family

ID=82158488

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180086656.8A Withdrawn CN116745797A (zh) 2020-12-23 2021-12-22 基于强化学习的装修服务的物件布置模型提供装置及方法

Country Status (6)

Country Link
US (1) US20230315929A1 (zh)
EP (1) EP4246418A1 (zh)
JP (1) JP2023553638A (zh)
KR (1) KR102549980B1 (zh)
CN (1) CN116745797A (zh)
WO (1) WO2022139469A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102717657B1 (ko) 2024-01-26 2024-10-15 (주)비욘드시티 인공지능 기반의 상업공간 인테리어 자동설계 방법 및 시스템

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8253731B2 (en) * 2006-11-27 2012-08-28 Designin Corporation Systems, methods, and computer program products for home and landscape design
US11282287B2 (en) * 2012-02-24 2022-03-22 Matterport, Inc. Employing three-dimensional (3D) data predicted from two-dimensional (2D) images using neural networks for 3D modeling applications and other applications
KR102325297B1 (ko) * 2015-11-09 2021-11-11 에스케이텔레콤 주식회사 Ar 컨텐츠 자동 배치 방법
KR101833779B1 (ko) 2016-06-10 2018-03-05 박희정 인테리어 서비스 방법 및 인테리어 서비스 시스템
KR102186899B1 (ko) * 2017-12-04 2020-12-04 주식회사 양파 공간 인식에 기반한 인테리어 플랫폼 제공 방법
KR20190106867A (ko) * 2019-08-27 2019-09-18 엘지전자 주식회사 가구의 배치 위치를 가이드하는 인공 지능 장치 및 그의 동작 방법

Also Published As

Publication number Publication date
JP2023553638A (ja) 2023-12-25
KR102549980B1 (ko) 2023-06-30
EP4246418A1 (en) 2023-09-20
KR20220090695A (ko) 2022-06-30
WO2022139469A1 (ko) 2022-06-30
US20230315929A1 (en) 2023-10-05

Similar Documents

Publication Publication Date Title
US11461985B2 (en) Methods and systems for rendering and modifying three-dimensional models for interior design
Parekh Automating the design process for smart building technologies
Rahbar et al. Architectural layout design through deep learning and agent-based modeling: A hybrid approach
Wilson et al. How to generate a thousand master plans: A framework for computational urban design
US20100205122A1 (en) Methods and systems of adaptive coalition of cognitive agents
CN110633553B (zh) 一种住宅户型平面图自动生成方法和系统
US20170076016A1 (en) Automated layout generation
US20030200075A1 (en) Automatic model maintenance through local nets
CN111090899A (zh) 一种用于城市建筑空间布局设计方法
JP2008097637A (ja) 動的なリアルタイムマーケットセグメンテーションのための方法および装置
US8909501B2 (en) Method and apparatus for optimization of floor covering and system for user configuration and real time pricing information
US20230177226A1 (en) Interior layout device for providing analysis of space usage rate and operation method thereof
CN111709062A (zh) 用于获取物品摆放方案评分方法、装置以及设备、介质
CN109002837A (zh) 一种图像语义分类方法、介质、装置和计算设备
CN116745797A (zh) 基于强化学习的装修服务的物件布置模型提供装置及方法
CN111090898A (zh) 一种建筑室内布局设计方法
WO2022192417A1 (en) Methods and apparatus for artificial intelligence conversion of change orders into an actionable interface
US20080306627A1 (en) System and method for generating robot genome
CN112560212A (zh) 基于bim模型的喷淋系统，喷淋头及管道生成式设计方法
CN108898648A (zh) 一种k线图构造方法、系统及相关设备
Xiong et al. ShapeArchit: shape-inspired architecture design with space planning
US20220188488A1 (en) Floor plan generation
JP2023031310A (ja) ユーザプリファランスに基づいて３ｄ部屋に自動的に家具を取り付けるための方法
CN113065686B (zh) 排程数据优化处理方法及装置、设备
CN113870415A (zh) 一种基于物联网的虚拟家装设计平台

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20230912

WW01 Invention patent application withdrawn after publication