Hoje, no domínio do planeamento espacial urbano, os designers humanos também têm parceiros de IA.
Uma equipe de pesquisa da Universidade de Tsinghua propôs um modelo de algoritmo de aprendizagem por reforço profundo. Baseado no conceito de cidade de 15 minutos, este modelo permite um planejamento complexo do espaço urbano. Combinado com a contribuição humana, o planejamento espacial terrestre e rodoviário assistido por aprendizado de máquina superou outros algoritmos e designers humanos profissionais, em cerca de 50% em todas as métricas consideradas e até 3.000 vezes mais rápido.
O artigo de pesquisa relevante é intitulado "Planejamento espacial de comunidades urbanas por meio de aprendizagem por reforço profundo" e acaba de ser publicado na última edição da subjornal NatureNature Computational Science.
Em um artigo simultâneo do News & Views, Paolo Santi, cientista pesquisador do Senseable City Lab do MIT, escreveu: "Yu Zheng et al. abordam os principais desafios conceituais e computacionais. Ao mesmo tempo, também demonstrou com sucesso a viabilidade de integração de IA e fluxo de trabalho humano na área de planejamento espacial, fornecendo uma riqueza de direções de pesquisa para o futuro**.
O planejamento urbano precisa urgentemente de mudanças e o conceito de “cidade de 15 minutos” é amplamente popular
As cidades tornaram-se centros de inovação, criatividade e oportunidades, atraindo pessoas de todas as esferas da vida que procuram entretenimento, educação, cuidados de saúde e oportunidades de emprego. **Um planeamento espacial eficaz é essencial para a actividade económica e o desenvolvimento sustentável das cidades. **
O planeamento urbano moderno é muitas vezes orientado para os veículos, favorecendo funções centralizadas e modos de transporte dependentes do automóvel, o que não só cria congestionamentos de tráfego, mas também contribui para o aquecimento global. Ao mesmo tempo, a pandemia do coronavírus também expôs a vulnerabilidade das cidades durante o confinamento. Portanto, o planeamento urbano precisa de ser transformado urgentemente e a mudança de uma orientação orientada para os veículos para uma orientação orientada para as pessoas precisa de ser acelerada.
Vale a pena notar que o conceito de "cidades de 15 minutos" está se tornando cada vez mais popular no planejamento de novas comunidades urbanas e na renovação de comunidades existentes, onde os residentes podem caminhar ou pedalar até os serviços básicos em 15 minutos. Ele reflete as expectativas das pessoas em relação a um layout de alta eficiência espacial. em comunidades urbanas.
No entanto, os humanos investiram décadas de esforço no desenvolvimento de modelos computacionais e ferramentas de apoio para automatizar o planeamento urbano. Embora os planejadores urbanos humanos sejam muito mais produtivos hoje usando ferramentas GIS do que eram décadas atrás,** tarefas tediosas de layout ainda precisam ser feitas manualmente**.
Agentes de IA podem gerar soluções de planejamento mais eficientes do que especialistas humanos
Para enfrentar os desafios acima mencionados, uma equipa de investigação da Universidade de Tsinghua propôs um modelo de planeamento urbano baseado na aprendizagem por reforço profundo, que é capaz de gerar o uso do solo e traçados rodoviários para as comunidades urbanas.
No entanto, em comparação com tarefas com condições de rede regulares, como design de chips e Go, as comunidades urbanas apresentam diferentes formas de geometria que são mais diversas e irregulares.
Para resolver este problema, a equipe de pesquisa propôs um gráfico de continuidade urbana para descrever a topologia da geometria urbana, com elementos geográficos urbanos como nós e continuidade espacial como arestas. A construção de gráficos permite captar as relações espaciais fundamentais de qualquer forma de comunidade. Portanto, eles formulam o planejamento espacial como um problema de decisão sequencial em um gráfico e planejam no nível topológico e não no nível geométrico.
Além disso, outro grande desafio no planejamento do espaço é o enorme espaço de soluções e o maior espaço de ação que o acompanha. O espaço de ação de uma comunidade de médio porte pode facilmente ultrapassar 4.000 elevado a cem (4.000 ações possíveis por etapa, um total de 100 etapas para o planejamento do espaço comunitário), inviabilizando uma busca exaustiva.
Para reduzir o espaço de ação, os pesquisadores treinaram um agente de IA, que consiste em uma rede de valor e duas redes de políticas para encontrar boas estratégias de planejamento por meio da exploração e utilização eficientes no enorme espaço de ação. Especificamente, a rede de valor prevê a qualidade do ordenamento do território com base na implementação do conceito de “cidade de 15 minutos”, e as outras duas redes políticas são utilizadas pelo agente de IA para selecionar os usos do solo e a localização das estradas. Ao amostrar ações da rede de políticas e estimar recompensas utilizando a rede de valor, o espaço de ação é significativamente reduzido.
Para obter uma representação eficaz dos elementos geográficos urbanos, os pesquisadores desenvolveram ainda um codificador de estado baseado em rede neural de grafos (GNN), que usa passagem de mensagens e agregação de vizinhos no gráfico de continuidade urbana para capturar terrenos, segmentos de estradas e a relação espacial entre pontos de intersecção. Este codificador de estado GNN é compartilhado entre a rede de valor e a rede de políticas, facilitando assim a previsão de recompensas e a seleção de localização. Em última análise, os agentes de IA são capazes de gerar soluções de planeamento mais eficientes do que os especialistas humanos.
Extensos resultados experimentais mostram que sob as mesmas condições iniciais e restrições de planejamento, este método supera significativamente algoritmos de última geração e especialistas humanos e pode melhorar os indicadores objetivos de eficiência espacial em mais de 48,6%. Especialmente quando se utilizam comunidades reais existentes como condições iniciais, o modelo pode gerar planos de transformação do uso do solo que aumentam significativamente a acessibilidade dos residentes a diversas instalações em mais de 18,5%.
Tendo em conta a maturidade e complexidade dos métodos de planeamento urbano, com base no modelo DRL apresentado, os investigadores propõem um fluxo de trabalho para colaboração de IA com designers humanos, no qual o designer humano se concentra na prototipagem do conceito e utiliza o modelo para completar o trabalho pesado e esforços de planejamento demorados.
Os resultados demonstram que os designers humanos podem se beneficiar de um fluxo de trabalho de colaboração humano-IA que supera o trabalho inteiramente humano tanto em métricas de planejamento objetivas quanto em testes cegos subjetivos com 100 designers humanos profissionais. Conclua o fluxo de trabalho e melhore a eficiência do tempo em 3.000 vezes.
Além disso, o modelo pode aprender habilidades gerais de planejamento a partir de cenários simples e aplicá-las a tarefas complexas de planejamento em larga escala no projeto de diferentes estilos, como comunidades verdes e comunidades de serviços.
O aprendizado de máquina promove o desenvolvimento urbano sustentável e a participação de múltiplas partes interessadas
No entanto, neste experimento, embora o número de planos espaciais gerados tenha ultrapassado 1 milhão, ainda não era grande o suficiente em comparação com os conjuntos de dados utilizados em tarefas DRL semelhantes (como Go e design de chip). Além disso, estender este método de pesquisa ao nível da cidade requer a coleta de um grande número de amostras de treinamento de clusters distribuídos e o uso de várias GPUs em vários servidores para treinar redes neurais maiores.
Vale ressaltar que os três subespaços de decomposição (o que planejar, onde planejar e como planejar) podem ser otimizados em conjunto pelo agente, mas isso requer mais amostras de treinamento. Além disso, a secção sobre o que planear pode ser expandida para incluir outros elementos importantes relacionados com a sustentabilidade urbana, tais como rotas e estações de transporte público. Além disso, este quadro também ignora alguns indicadores subjetivos de avaliação do ordenamento do território, tais como pontuações estéticas e artísticas.
Os quadros actuais são em grande parte guiados por indicadores estáticos e, embora seja possível gerar planos de bairro com elevada eficiência espacial, planear uma cidade inteira é uma tarefa mais complexa que requer a consideração de diversos objectivos, incluindo o crescimento económico e a saúde dos residentes. É quase impossível avaliar o impacto do planeamento ao nível da cidade através de alguns indicadores estáticos.
Na maioria das experiências, os investigadores ignoraram centenas de regras de planeamento urbano e não tiveram em conta questões-chave no planeamento urbano real, como a propriedade da terra, o acesso público, a segregação urbana e a renovação. Contudo, com os ajustes necessários e razoáveis, a abordagem pode lidar bem com estas questões regulamentares e políticas de planeamento prático.
Embora a pesquisa ainda apresente deficiências, não podemos negar sua importância.
A aprendizagem automática como ferramenta de apoio pode aumentar a produtividade dos planeadores humanos e também criar potencialmente uma vida urbana mais sustentável. Além disso, além de ajudar os planejadores a agilizar o processo de layout do espaço, também pode trazer benefícios mais amplos para outros participantes. Ao introduzir opções de personalização no modelo, uma plataforma pública pode ser construída para facilitar a participação de moradores e incorporadores no processo de planejamento.
Conforme mencionado no artigo de pesquisa, o planejamento urbano nunca é um simples jogo de escolha do uso do solo e da localização das estradas, mas uma interação complexa entre múltiplas partes interessadas. O quadro proposto neste estudo demonstra a possibilidade de uma maior participação de todos os atores e é um pequeno passo em direção a uma cidade mais transparente e inclusiva.
Links de referência:
Ver original
Esta página pode conter conteúdo de terceiros, que é fornecido apenas para fins informativos (não para representações/garantias) e não deve ser considerada como um endosso de suas opiniões pela Gate nem como aconselhamento financeiro ou profissional. Consulte a Isenção de responsabilidade para obter detalhes.
Modelo Tsinghua AI publicado na subjornal Nature: Brincando com o planejamento espacial urbano, 3.000 vezes mais rápido que os humanos
Fonte: Manchetes Acadêmicas
Autor: Yan Yimi
Editor: Acadêmico
Hoje, no domínio do planeamento espacial urbano, os designers humanos também têm parceiros de IA.
Uma equipe de pesquisa da Universidade de Tsinghua propôs um modelo de algoritmo de aprendizagem por reforço profundo. Baseado no conceito de cidade de 15 minutos, este modelo permite um planejamento complexo do espaço urbano. Combinado com a contribuição humana, o planejamento espacial terrestre e rodoviário assistido por aprendizado de máquina superou outros algoritmos e designers humanos profissionais, em cerca de 50% em todas as métricas consideradas e até 3.000 vezes mais rápido.
O artigo de pesquisa relevante é intitulado "Planejamento espacial de comunidades urbanas por meio de aprendizagem por reforço profundo" e acaba de ser publicado na última edição da subjornal Nature Nature Computational Science.
O planejamento urbano precisa urgentemente de mudanças e o conceito de “cidade de 15 minutos” é amplamente popular
As cidades tornaram-se centros de inovação, criatividade e oportunidades, atraindo pessoas de todas as esferas da vida que procuram entretenimento, educação, cuidados de saúde e oportunidades de emprego. **Um planeamento espacial eficaz é essencial para a actividade económica e o desenvolvimento sustentável das cidades. **
O planeamento urbano moderno é muitas vezes orientado para os veículos, favorecendo funções centralizadas e modos de transporte dependentes do automóvel, o que não só cria congestionamentos de tráfego, mas também contribui para o aquecimento global. Ao mesmo tempo, a pandemia do coronavírus também expôs a vulnerabilidade das cidades durante o confinamento. Portanto, o planeamento urbano precisa de ser transformado urgentemente e a mudança de uma orientação orientada para os veículos para uma orientação orientada para as pessoas precisa de ser acelerada.
Vale a pena notar que o conceito de "cidades de 15 minutos" está se tornando cada vez mais popular no planejamento de novas comunidades urbanas e na renovação de comunidades existentes, onde os residentes podem caminhar ou pedalar até os serviços básicos em 15 minutos. Ele reflete as expectativas das pessoas em relação a um layout de alta eficiência espacial. em comunidades urbanas.
Agentes de IA podem gerar soluções de planejamento mais eficientes do que especialistas humanos
Para enfrentar os desafios acima mencionados, uma equipa de investigação da Universidade de Tsinghua propôs um modelo de planeamento urbano baseado na aprendizagem por reforço profundo, que é capaz de gerar o uso do solo e traçados rodoviários para as comunidades urbanas.
No entanto, em comparação com tarefas com condições de rede regulares, como design de chips e Go, as comunidades urbanas apresentam diferentes formas de geometria que são mais diversas e irregulares.
Para resolver este problema, a equipe de pesquisa propôs um gráfico de continuidade urbana para descrever a topologia da geometria urbana, com elementos geográficos urbanos como nós e continuidade espacial como arestas. A construção de gráficos permite captar as relações espaciais fundamentais de qualquer forma de comunidade. Portanto, eles formulam o planejamento espacial como um problema de decisão sequencial em um gráfico e planejam no nível topológico e não no nível geométrico.
Para reduzir o espaço de ação, os pesquisadores treinaram um agente de IA, que consiste em uma rede de valor e duas redes de políticas para encontrar boas estratégias de planejamento por meio da exploração e utilização eficientes no enorme espaço de ação. Especificamente, a rede de valor prevê a qualidade do ordenamento do território com base na implementação do conceito de “cidade de 15 minutos”, e as outras duas redes políticas são utilizadas pelo agente de IA para selecionar os usos do solo e a localização das estradas. Ao amostrar ações da rede de políticas e estimar recompensas utilizando a rede de valor, o espaço de ação é significativamente reduzido.
Para obter uma representação eficaz dos elementos geográficos urbanos, os pesquisadores desenvolveram ainda um codificador de estado baseado em rede neural de grafos (GNN), que usa passagem de mensagens e agregação de vizinhos no gráfico de continuidade urbana para capturar terrenos, segmentos de estradas e a relação espacial entre pontos de intersecção. Este codificador de estado GNN é compartilhado entre a rede de valor e a rede de políticas, facilitando assim a previsão de recompensas e a seleção de localização. Em última análise, os agentes de IA são capazes de gerar soluções de planeamento mais eficientes do que os especialistas humanos.
Tendo em conta a maturidade e complexidade dos métodos de planeamento urbano, com base no modelo DRL apresentado, os investigadores propõem um fluxo de trabalho para colaboração de IA com designers humanos, no qual o designer humano se concentra na prototipagem do conceito e utiliza o modelo para completar o trabalho pesado e esforços de planejamento demorados.
Os resultados demonstram que os designers humanos podem se beneficiar de um fluxo de trabalho de colaboração humano-IA que supera o trabalho inteiramente humano tanto em métricas de planejamento objetivas quanto em testes cegos subjetivos com 100 designers humanos profissionais. Conclua o fluxo de trabalho e melhore a eficiência do tempo em 3.000 vezes.
Além disso, o modelo pode aprender habilidades gerais de planejamento a partir de cenários simples e aplicá-las a tarefas complexas de planejamento em larga escala no projeto de diferentes estilos, como comunidades verdes e comunidades de serviços.
O aprendizado de máquina promove o desenvolvimento urbano sustentável e a participação de múltiplas partes interessadas
No entanto, neste experimento, embora o número de planos espaciais gerados tenha ultrapassado 1 milhão, ainda não era grande o suficiente em comparação com os conjuntos de dados utilizados em tarefas DRL semelhantes (como Go e design de chip). Além disso, estender este método de pesquisa ao nível da cidade requer a coleta de um grande número de amostras de treinamento de clusters distribuídos e o uso de várias GPUs em vários servidores para treinar redes neurais maiores.
Vale ressaltar que os três subespaços de decomposição (o que planejar, onde planejar e como planejar) podem ser otimizados em conjunto pelo agente, mas isso requer mais amostras de treinamento. Além disso, a secção sobre o que planear pode ser expandida para incluir outros elementos importantes relacionados com a sustentabilidade urbana, tais como rotas e estações de transporte público. Além disso, este quadro também ignora alguns indicadores subjetivos de avaliação do ordenamento do território, tais como pontuações estéticas e artísticas.
Na maioria das experiências, os investigadores ignoraram centenas de regras de planeamento urbano e não tiveram em conta questões-chave no planeamento urbano real, como a propriedade da terra, o acesso público, a segregação urbana e a renovação. Contudo, com os ajustes necessários e razoáveis, a abordagem pode lidar bem com estas questões regulamentares e políticas de planeamento prático.
A aprendizagem automática como ferramenta de apoio pode aumentar a produtividade dos planeadores humanos e também criar potencialmente uma vida urbana mais sustentável. Além disso, além de ajudar os planejadores a agilizar o processo de layout do espaço, também pode trazer benefícios mais amplos para outros participantes. Ao introduzir opções de personalização no modelo, uma plataforma pública pode ser construída para facilitar a participação de moradores e incorporadores no processo de planejamento.
Conforme mencionado no artigo de pesquisa, o planejamento urbano nunca é um simples jogo de escolha do uso do solo e da localização das estradas, mas uma interação complexa entre múltiplas partes interessadas. O quadro proposto neste estudo demonstra a possibilidade de uma maior participação de todos os atores e é um pequeno passo em direção a uma cidade mais transparente e inclusiva.
Links de referência: