2025 - 2025 год
Нейросетевой генератор планировочных решений для жилых комплексов
ML
девелопмент
Веб
Команда
1
ML-инженер
Техстек
Fastapi
PyTorch
ONNXRuntime
OpenCV
Shapely
NumP
Pydantic
Geopandas
Веб
О клиенте
Один из крупных девелоперов федерального масштаба, реализующий жилые проекты в разных регионах страны: от малоэтажных коттеджных посёлков до плотной многоэтажной застройки эконом- и бизнес-класса. Компания системно вкладывается в цифровизацию проектных процессов и рассматривала ИИ как способ снять с архитекторов часть механической, повторяющейся работы.
Идея клиента заключалась в том, чтобы передать нейросети начальный этап компоновки квартиры: по заданному контуру помещения и параметрам фасада система должна была сама предлагать расстановку комнат, стен, дверных и оконных проёмов, уже частично соответствующую нормативным требованиям и архитектор дорабатывал бы итоговый вариант.
Бизнес-задачи
Спроектировать модель машинного обучения, способную генерировать планировку квартиры на основе геометрии ее контура.
Переработать зарубежную (китайскую) методику генерации планировок под специфику российского жилищного проектирования.
Собрать и привести к единому стандарту крупный массив архивных чертежей (свыше 44 000 планов).
Дообучить модель с учётом российских реалий: иной логики размещения окон относительно несущих конструкций, иного набора типологий квартир, ограничений по глубине помещений.
Встроить готовую модель в веб-приложение, позволяющее архитекторам быстро получать и проверять варианты планировок.
Разработать автоматизированный конвейер проверки данных, опирающийся на архитектурную логику (соответствие комнат, стен, функциональных связей), а не только на формальную пиксельную точность.
Вызов
Исходная кодовая база была написана на китайском языке, практически без документации, и обучена на данных коттеджных домов - типологии, где присутствуют гаражи, центральное расположение гостиной и совершенно иная логика зонирования, чем в российских многоквартирных проектах. Прямой перенос такого решения был невозможен: требовалось заново продумать архитектуру связки нескольких нейросетей применительно к новому региону с другими нормами и способами проектирования, собрать собственный датасет, переобучить часть моделей и выстроить систему их проверки. Дополнительно давили сжатые сроки и изначальное недоверие к самой идее, что относительно простые модели компьютерного зрения в принципе способны решать архитектурные задачи такого уровня.
Как мы это сделали
Изучение методики
Команда детально разобрала зарубежный подход к генерации планировок с учётом контурных и геометрических ограничений. В основе генеративный пайплайн сегментации: на основе контура помещения и заданных ограничений модель генерирует сегментацию пространства на функциональные зоны. В основе — генеративный пайплайн сегментации: на основе контура помещения и заданных ограничений модель генерирует сегментацию пространства на функциональные зоны. Дальше методику адаптировали под российский контекст: убрали логику, завязанную на гаражи, переосмыслили роль гостиной, добавили зависимость планировки от расположения оконных проёмов.
Сбор и подготовка данных
Из архива клиента подняли сканы чертежей разных лет и проектов, выстроили конвейер их обработки и привели к единому формату разметки. В процессе работы датасет постепенно довели до 44 тысяч планировок с детальной разметкой типов помещений, стен и проёмов.
Доработка архитектуры сети
За основу взяли свёрточные сети и последовательно протестировали ряд современных модификаций и альтернативных архитектурных решений. Каждое изменение давало небольшой, но измеримый прирост качества по точности выделения комнат, стен и логических связей между помещениями.
Метрики качества
От стандартной метрики Accuracy отказались в пользу предметных показателей: совпадение по комнатам, точность построения стен, корректность функциональных связей между зонами квартиры. Такой подход позволял оценивать результат теми же критериями, которыми руководствуется архитектор.
Интеграция в веб-сервис
Модель обернули в REST API на FastAPI: архитектор передаёт контур этажа и получает в ответ сгенерированный вариант планировки, готовый для дальнейшей проверки и редактирования в привычных инструментах проектирования.
Что получил архитектор
Готовый прототип планировки за считанные часы вместо нескольких дней ручной работы.
Возможность быстро сравнить несколько вариантов планировки для одного и того же контура.
Больше времени на творческую часть работы вместо рутинной расстановки стен.
Что получил девелопер
Сокращение цикла разработки типовых архитектурных решений.
Технологическую основу, готовую к встраиванию в более крупный контур автоматизации проектирования.
Подтверждение того, что подход на основе машинного обучения применим к архитектурным задачам именно в российских условиях.
Мы не просто обучили нейросеть
Главным результатом стало не техническое выполнение задания, а перевод архитектурной экспертизы девелопера на язык компьютерного зрения и доказательство того, что такой подход работает на массиве российских квартир, для которых зарубежные датасеты попросту бесполезны.
Смотрите наши другие кейсы
Платформа памяти о героях ВОВ
Маркетинговый проект по созданию платформы памяти о героях Великой Отечественной войны
ML-сервис для аудита наружной рекламы с адаптацией под новые рекламные макеты
Разработали ML-микросервис для аудита наружной рекламы, который автоматически анализирует изображения и быстро адаптируется под новые рекламные макеты.