HyperLayout：一种解耦且面向规划的地块级建筑布局生成框架

《Computers, Environment and Urban Systems》：HyperLayout: A decoupled and planning-oriented framework for parcel-level building layout generation

　　**摘要要点：**• 解耦框架支持规划导向的地块级布局生成。• 建筑属性在明确的规划约束下进行优化。• ControlNet根据规划属性生成可控的建筑几何形态。• MARL通过协作空间优化提升布局质量。• HyperLayout支持城市规划实践中的情景探索。**引言**根据联合国人居署的数据，2021年全球城市化率达到56%，预计到2030年将超过60%（United Nations, 2024）。随着城市化进入成熟阶段，城市发展正日益从土地粗放扩张转向存量城市空间的更新与优化（Huang et al., 2025）。这一转变使城市布局设计更加复杂且约束密集，降低了传统人工方法的有效性。在此背景下，城市规划越来越多地依赖计算设计工具来支持决策制定，并在多重规划约束下评估空间配置的影响（Wu, Wang, Cheng, and Kwok, 2024）。作为城市空间形态的基本组成部分，建筑布局不仅影响视觉外观和空间结构，还影响土地利用效率、环境质量和功能组织（Lei, Liu, Milojevic-Dupont, and Biljecki, 2024）。因此，对于能够在复杂且可能存在冲突的规划要求下生成、评估和比较多种建筑布局方案的计算规划支持方法的需求日益增长。为应对这一挑战，人工智能和生成建模的最新进展激发了人们对数据驱动的建筑布局生成方法日益浓厚的兴趣（Zhang and Zhang, 2025）。各种基于变分自编码器（VAE）（Kingma and Welling, 2013）、生成对抗网络（GAN）（Goodfellow et al., 2014）和扩散模型（Ho et al., 2020）的方法已被提出，通过学习地块数据或历史样本中的空间分布来自动生成建筑布局。尽管这些方法在捕捉城市形态特征方面效果显著，但在实际规划应用中仍存在若干局限性。首先，符合规划要求的训练数据可用性有限。真实世界中的城市数据集通常包含在不同规划标准下开发的布局，许多样本并不完全满足当前法规，特别是在建筑间距、建筑覆盖率（BCR）、容积率（FAR）和退线要求方面。因此，基于此类数据训练的模型可能会复制不合规的空间模式。其次，大多数现有方法隐式地学习空间分布，而不是显式地建模规划指标和设计约束（Fedorova, 2026; Jiang, Ma, Webster, Wang, and Cheng, 2024; Li et al., 2025），这使得难以确保同时满足多个约束。第三，端到端生成框架通常缺乏可解释性和可控性。建筑布局往往作为整体的空间模式生成，而没有显式地建模建筑属性、空间关系或潜在的决策过程。这种黑箱生成过程使得难以显式控制或验证关键的规划指标和空间关系，从而限制了这些方法在需要透明度、法规合规性和人工干预的规划场景中的适用性。更根本的是，地块级开发目标、单体建筑形态和建筑间空间关系代表了不同空间尺度上的不同规划决策。BCR、FAR和建筑数量（BC）定义了开发容量在地块内的分布方式。建筑形态决定了这种容量如何通过个体几何形态来表达，而当多栋建筑被共同布置时，间距、退线、朝向以及与地块边界的关系便随之产生。将这些决策视为单一的综合问题会模糊它们的不同规划角色，并使难以识别特定要求如何以及在哪个阶段得到满足。因此，规划导向的生成过程应将这些决策分离开来，同时保持它们之间的显式联系。为弥补这一差距，本研究提出了HyperLayout，一个解耦且规划导向的地块级建筑布局生成框架。HyperLayout没有将布局生成视为单一的合成任务，而是将过程组织为三个可解释的规划阶段：开发容量配置、建筑形态生成和空间布局优化。这些阶段通过显式的约束传播相互联系。地块级规划目标首先被转化为可行的建筑属性组合。所选属性随后被转化为建筑形态生成的几何和语义条件。生成的几何形态随后根据明确的间距、退线、朝向以及与地块边界关系的标准进行排列和优化。这一工作流程建立了一条从地块级目标到建筑属性、几何条件和空间优化标准的可追溯路径。每个阶段都有明确定义的输入、输出和评估指标，允许独立检查中间决策和结果。因此，规划人员可以检查在不同阶段做出的决策如何影响最终布局，并在重新生成相应的下游结果之前修改选定的输入。该工作流程还支持对替代规划情景进行比较和迭代优化。HyperLayout使用中国粤港澳大湾区（GBA）的地块和建筑数据进行评估。实验结果表明，该框架在满足多个规划约束的同时生成了空间连贯的布局。研究结果表明，规划导向的工作流程分解和显式约束传播为开发可解释且可控的城市设计和情景探索规划支持工具提供了实践基础。**章节摘要****规划导向的建筑布局生成**建筑布局生成是计算城市设计中的重要课题。它支持替代空间配置的探索，并减少了重复人工设计的需求（Ko, Ennemoser, Yoo, Yan, and Clayton, 2023; Wang, Zhou, Liu, and Cheng, 2024）。早期研究主要使用专家定义的规则和程序化方法，包括形状语法、L系统和元胞自动机，将建筑和城市设计原则转化为计算程序（Müller,**方法论**如图1所示，HyperLayout将地块级建筑布局生成表述为四阶段规划工作流程：数据准备与指标提取、形态表示学习与属性优化、条件建筑形态生成以及布局初始化与空间优化。每个阶段的输出为下一阶段提供显式数据或约束，形成从地块级规划目标到最终建筑布局的可追溯过程。**实现**所提出框架的三个主要组件以解耦方式分别实现和训练。对于形态表示学习，使用8000个建筑样本子集来学习特征表示。MLP投影头使用Adam优化器以监督对比学习进行训练，学习率为1 × 10?4。训练进行100个周期，批量大小为128。对于建筑属性优化，使用30,000个属性原型**解耦生成框架的有效性**实验结果表明，HyperLayout在评估的数据集、基线和指标下改善了单体建筑几何生成和地块级布局优化。该框架的一个显著特征是其解耦架构，将布局生成分解为三个协调阶段：属性优化、单体建筑几何生成和空间布局精化。与隐式学习形态的传统端到端方法不同**结论**本研究提出了HyperLayout，一个解耦且规划导向的地块级建筑布局生成框架。该框架将任务组织为三个相互连接的阶段：建筑属性优化、建筑形态生成和空间布局优化。这种结构允许地块级规划目标逐步转化为建筑属性、几何条件和空间标准，相比单一的端到端**生成式AI和AI辅助技术在手稿准备过程中的声明**在准备本作品期间，作者使用ChatGPT以提高可读性和语言质量。在使用该工具后，作者根据需要审查和编辑了内容，并对发表文章的内容承担全部责任。**CRediT作者贡献声明****Ming Jiang：** 可视化、验证、软件、方法论、调查、撰写——初稿。**Yimin Chen：** 方法论、资金获取、概念化、撰写——审阅与编辑。**Xiaoping Liu：** 数据管理、撰写——审阅与编辑。**Haifeng Li：** 方法论、数据管理。**利益冲突声明**作者没有与本文内容相关的需要声明的利益冲突。**致谢**本研究得到中国国家自然科学基金的资助（批准号42322110和42271415）。Ming Jiang|Yimin Chen|Xiaoping Liu|Haifeng Li