基于人工智能的BIM疏散設計自動化方法

梁裕卿，吉久茂，楊佳蕾，張東升，王 珂，王凌宇

基于人工智能的BIM疏散設計自動化方法

梁裕卿1,2，吉久茂1,2，楊佳蕾3，張東升1,2，王 珂4，王凌宇1,2

(1. 同濟大學建筑設計研究院(集團)有限公司，上海 200092； 2. 上海建筑數字建造工程技術研究中心，上海 200092； 3. 普華永道信息技術(上海)有限公司數字方案部，上海 200021； 4. 同濟大學建筑與城市規劃學院，上海 200092)

針對目前建筑信息模型(BIM)消防疏散路徑人工繪制的耗時問題，從提高設計效率出發，提出了一種基于深度Q學習(DQN)與A*結合的混合算法，并以此開發了一種基于該算法的BIM疏散自動設計工具。首先，房間疏散路徑使用A*算法進行繪制；然后使用改進的DQN算法確定樓層疏散中疏散門至安全出口的路徑再以A*算法繪制。在DQN算法的基礎上重新設計了獎勵矩陣賦值及增加了獎勵矩陣驗證機制提高了繪制正確性；最后，使用以該算法為基礎的疏散設計自動化工具對實際項目進行了實驗。結果表明，該算法不僅能正確繪制路線并且比手工繪制效率提高2~3倍。通過服務器部署及硬件的升級為該算法效率進一步提升提供了可能。目前基于該算法的自動設計工具已在同濟設計院上海建筑數字中心的多項實際項目中使用。

人工智能；建筑信息模型；疏散；設計自動化；深度Q學習

近年來，建筑信息模型(building information modeling，BIM)在設計階段的應用已從最初的二維翻模向正向設計逐步過渡。BIM設計不僅僅只停留在原始的繪圖出圖，而是更多的為建筑設計提供數據化的建議與指導，幫助設計師及時查找紕漏，做出合理的優化。消防疏散路徑繪制是驗證設計是否符合建筑消防規范的重要環節[1]。BIM建模人員在繪制消防疏散施工圖時需要花費大量時間在BIM軟件中勾勒出房間和樓層的疏散路徑及疏散方向。所以，自動繪制路徑的需求應運而生。經典的自動繪制路徑算法有Dijkstra算法[2]，A*算法[3-5]等。Dijkstra算法是典型的最短路徑算法，其通過離出發點距離最近的點向外層擴展，至終點。該算法在每次經過下一個節點時需要遍歷Open集合的所有點，效率較低。而且，距離最近的點是針對出發點而言的，不能保證最短路徑的搜索方向始終指向終點，這樣會導致搜索方向產生偏差不能得到最優解。針對Dijkstra算法的不足，A*算法引入了估價函數，通過約束Dijkstra算法的搜索方向，從而減少搜索空間，提升搜索效率。A*算法搜索性能依賴于估價函數的定義，由于其依托于Dijkstra算法，仍需要維護Open/Close集合，即A*算法是一種內存受限的啟發式搜索算法。所以，A*算法常常與其它自動繪制路徑算法相結合，當節點數少時，使用A*算法進行最后的處理。概率路線圖(probabilistic roadmap，PRM)算法[6]是一種結合A*算法的路徑規劃算法，其基本思想是從周圍環境中布置隨機采樣點，以相對較少的采樣點將連續空間轉換成離散空間從而避免點的采樣數量過高，然后利用A*算法在路線圖上尋找路徑，提高搜索效率。快速擴展隨機樹(rapidly exploring random tree，RRT)算法[7-8]與PRM算法相類似，通過向空白區域擴展樹枝得到節點，再通過A*算法尋找起始點到終點的路徑。上述2種與A*結合的算法都是通過隨機采樣的方式獲取節點位置，而在實際設計中樓層/房間的角點或凹點都是固定的，并不需要布置隨機采樣點。所以其不適用于BIM的自動化設計。

隨著人工智能(artificialintelligence，AI)技術在各個領域的普及，一些使用AI算法繪制疏散路徑的方案也紛紛提出。LEE等[9]提出了基于圖的通用流通網絡(universal circulation network，UCN)算法，該算法是圍繞建筑平面內的所有障礙物，如墻、門、樓梯等空余出一小段緩沖區域以模擬實際人群疏散的情形，同時將所有門點，鄰近凹點進行連接形成網絡，最后使用Dijkstra算法繪制出疏散路徑。其不足之處在于依舊需要生成大量節點，并使用了無方向限制的Dijkstra算法作為最后的繪制方式。SHARMA等[10]提出了基于Q-Learning+DQN的混合算法處理消防疏散問題，并將其與多種DQN變種算法進行橫向比較。該算法速度更快，正確率更高。其是先將小空間范圍內的房間使用Q-Learning算法得到Q矩陣，并將該矩陣作為DQN算法的初始矩陣，以期望在DQN運行之前就獲取房間至出口的距離信息，提高運算效率。但經過使用相同的參數配置復現該先驗方式發現，Q-Learning算法[11]并不能適用于所有小空間分布情況，主要原因是Q-Learning易陷入局部最優而無法得出結果，同時還受制于矩陣維度約束，即需要另一套機制去分割空間以正常運行Q-Learning算法[12-14]或者說需要更強力的硬件支持(故原文作者采用了專用于AI研究的NIVIDIA DGX)。上述2種方案都在AI方向做出了大膽的創新與嘗試，為本文研究自動繪制消防疏散路徑提供了豐富的借鑒。

同濟設計院數字中心日常使用Autodesk Revit平臺進行BIM設計，所以部門需要一款基于Revit的插件工具，方便設計師繪制消防疏散路線圖并便于同平臺模型檢查，減少導入其他平臺所產生的時間成本。雖然Autodesk已發布的Revit 2019版新增了行進路徑功能[15]，但其有4項局限性：①無法批量對房間進行路徑繪制；②只能在Revit 2019及以上版本使用；③繪制效果不符合設計院日常習慣；④無法應對較復雜房間構形。為了突破上述的局限性并提高設計效率，本課題組提出了一種基于改進的深度Q學習與A*相結合的混合算法，以避免上述算法的一些先天缺陷并依據該算法開發了基于Autodesk Revit平臺的疏散設計自動化工具插件，覆蓋設計院常用的Revit 2016至2020版本。

本文提出的混合算法有以下若干特點：

(1) 針對房間的疏散路徑使用A*算法。

(2) 針對樓層疏散路徑，首先使用改進的DQN算法獲取防火分區內所有疏散門到最近安全出口的行走路徑，再使用A*算法進行繪制，避免了A*算法本身的內存受限問題，提高了計算效率。

(3) 重新設計了獎勵矩陣的賦值方式，將門與門之間的長度關系反映到獎勵矩陣的值上。

(4) 由于使用了神經網絡算法不可避免地會產生小概率誤差，所以在改進的DQN網絡運算之后加入了獎勵矩陣驗證機制，避免了錯誤路徑的繪制。

最后，在實際設計中對該算法進行了驗證，取得了較好的效果，并將其應用于日常施工圖消防疏散設計中。

1 消防疏散路徑的繪制

消防疏散路徑繪制包括2個部分：房間疏散路徑繪制、樓層疏散路徑繪制。

房間疏散路徑表示的是房間內任一點至疏散門的路徑(通常取最遠點)。如果一個房間存在多個疏散門，則需要繪制對應數量的疏散路徑。

樓層疏散路徑表示的是房間內某一點至疏散門的路徑以及疏散門至最近安全出口的路徑。每一層樓有一個或多個防火分區，每個防火分區有一個或多個安全出口，繪制樓層疏散線就是將防火分區內所有房間及疏散門至最近安全出口的路徑繪制出來。

1.1 房間疏散線繪制

房間疏散路徑繪制需要將Revit模型轉換成網絡節點圖。首先需要獲取房間周圍墻線，將各墻線的端點作為節點。房間周圍墻面可能是直線，也可能是帶有弧度的弧形墻。弧形墻可以對其進行微小切分，將弧線轉換成無數個較短直線集合，將各短直線的端點作為節點。然后找到房間內疏散門的位置，將其加入網絡中形成該房間的網絡節點圖，如圖1所示。

圖1 房間網絡示意圖

通過疏散門位置與節點之間距離的大小比較，可以找到房間內離疏散門最遠的節點。將該最遠節點作為起始點，疏散門的位置作為終點，運用A*算法得到最短路徑并繪制，如圖2所示。

圖2 房間疏散示意圖((a)單疏散門房間；(b)多疏散門房間；(c)帶L拐角房間；(d)弧線墻房間)

消防疏散線在圖2中以虛線表示。A*算法可表示為

其中，為當前節點；()為當前節點的估值；()為起始點到當前節點的距離；()為當前節點到終點的距離。如圖2(b)所示，該房間共有2個疏散門，所以分別得到房間內距其疏散門最遠的節點作為起始點進行繪制。圖2(c)中，符合A*算法的中間節點在L形角點處。圖2(d)是將弧形墻做了切分處理成若干離散節點形成網絡，得到最短疏散路徑。

1.2 樓層疏散線繪制

防火分區內包含房間及公共區域，如走廊、過道等等。根據上述房間疏散線的繪制思路，可將公共區域視作為“房間”并在Revit中為其添加“房間”標記，如圖3所示。

對于一個公共區域而言，當其被標記為房間后(圖3(a))，只需要知道起始的疏散門與到達的疏散門或安全出口，使用上述的A*算法即可繪制其消防疏散路徑(圖3(b))。

一個防火分區可能存在多個安全出口，防火分區內任意一個疏散門如何找出其通往最近安全出口所經過的疏散門并保證該路徑為最短路徑？這是一個典型的智能體迷宮問題。由此，本文提出以改進的DQN算法來解決上述問題。

圖3 樓層疏散中的公共區域處理 ((a) Revit中的走廊；(b)示意圖)

2 算法原理

首先，DQN算法來源于Q-Learning算法，Q-Learning算法是一種傳統的強化學習算法。強化學習是機器學習中的一個子集。強化學習的智能體可以從與環境的直接交互中學習，而無需明確的監督或完整的環境模型。

Q-Learning中的Q表示的是在某一時刻狀態(?)下，采取動作(?)能夠獲得收益的期望。所有的狀態與動作會形成一張(,)矩陣。通過Q-Learning公式不斷更新矩陣以達到收斂狀態

其中，為學習率；為折扣率；?為下一個狀態；?為?的所有可執行動作中選擇獎勵值最大的行為。

Q-Learning對于大維度運算具有局限性并且容易陷入局部最優而處于一直運算的狀態無法得到運算結果。DQN算法[16-17]是將神經網絡與Q-Learning算法相結合。主要改進在于：

(1) DQN利用神經網絡來逼近值函數，突破原有算法的維數限制。

(2) DQN利用經驗回放訓練強化學習的學習過程，讓有用的樣本得到更多的訓練次數，提高樣本使用效率，減少訓練時的方差，并減輕陷入局部最優的情況。

(3) DQN獨立設置了目標網絡來單獨處理時序差分中的偏差，增強網絡訓練的穩定性。

2.1 DQN算法示例

通過圖4來闡述DQN算法的處理過程。

圖4 防火分區示意圖

假設存在一個如圖4所示的防火分區。首先對每個房間的疏散門進行編號，6號門作為安全出口，其他房門均為疏散門。根據每個房間與其他房間是否互通的關系，可以得到圖5的網絡示意圖。

圖5 網絡示意圖

每個房間疏散門都是一種狀態(state)，在本例中一共有6種狀態。每種狀態對應的動作(action)可以使用獎勵矩陣來表示，如圖6所示。疏散門如果可直接到達安全出口，其獎勵值記為100；互不相通的疏散門或安全出口，獎勵值記為-1；其他情況皆記為0。

圖6 獎勵矩陣

獲得該防火分區的獎勵矩陣后，即可代入DQN算法進行下一步的處理，具體步驟如下：

步驟1.設置參數：獎勵矩陣，學習率，

折扣率，迭代總數，初始化容量為的經驗池。初始化隨機權重的網絡。初始化權重為-的網絡target，令-=q。

步驟2. 對于每一次迭代，執行：

步驟2.1. 隨機選擇一個狀態。

步驟2.2. 以概率在當前狀態的所有可執行動作中(即獎勵矩陣所在行不等于-1的列)任意選取一種動作或選取獎勵值最大作為動作。

步驟2.3. 將狀態與動作代入獎勵矩陣，得到獎勵值，將選定的動作作為下一個狀態?。

步驟2.4. 將當前狀態，當前執行的動作，獎勵值，下一個狀態?放入經驗池中。如果超過記憶的容量，則將最久遠的記憶移除。

步驟3. 從經驗池中隨機選取一小批記憶樣本，對于每個樣本，如果其獎勵值為-1，則網絡target記錄該獎勵值；否則網絡target根據以下公式記錄結果

步驟4. 根據損失函數()按梯度下降法更新網絡權重，損失函數為

將損失函數為最小時的模型參數保存到data文件中。

步驟5. 每隔步更新網絡target=。

步驟6. 從data文件中取出損失函數值為最小時的矩陣target。

當迭代結束后，可得到損失函數最小時的矩陣target，如圖7所示。以疏散門1為例，在狀態為1時，所在行最大值為168.1，即到達了疏散門2的位置。狀態為2時，所在行最大值為186.78，即直接到達了安全出口，由此形成了疏散門1的完整疏散路徑：1-2-6，最后使用A*算法在Revit中繪制出具體路徑。

2.2 改進的DQN算法

從圖7可以觀察到，疏散門4在target矩陣中有2個相同的值168.1，對應疏散門3和5。而疏散門5距離安全出口6的距離更近，但未在矩陣的值中體現。同時，神經網絡算法不可避免地會產生小概率誤差，運算結果需要一種簡單、有效的方式進行驗證。

圖7 最終矩陣

因此本文提出了改進的DQN算法，主要的改進點在：重新設計了獎勵矩陣的賦值方式，將門與門之間的長度關系反映到獎勵矩陣的值上；在DQN網絡運算之后加入了獎勵矩陣驗證機制，避免了錯誤路徑的繪制。

獎勵矩陣的賦值關系可重新定義為：

當狀態無法執行動作時，即

當防火分區內所有門與門之間的長度都相同，狀態可選擇動作時，即

當防火分區內所有門與門之間的長度不同，狀態可選擇動作時，即

對于DQN網絡運算之后得到的疏散路線集合={1,2,3,4,···,p}，其中每條疏散路徑={1,2,3,4,···,Node}需要通過獎勵矩陣的驗證，即

綜上，改進的DQN算法流程圖如圖8所示。

3 實驗與分析

根據本文上述房間疏散與樓層疏散繪制的實現方式，在Autodesk Revit平臺上使用C#語言編寫了房間疏散與樓層疏散2個功能的插件。房間疏散針對單個房間進行繪制，而樓層疏散針對樓層防火分區內所有房間及公共區域進行繪制。改進的DQN算法以Google TensorFlow的Python腳本實現。C#與TensorFlow腳本以csv格式文件來傳遞矩陣信息。本文以模型線來表示疏散路徑，并以箭頭族表示防火分區內室內或疏散門至安全出口的疏散方向。紅色虛線表示疏散路徑不符合消防疏散規范；而綠色虛線表示符合規范。

參數設置如下：學習率=0.001，折扣率=0.9，探索率從0.1降低至0.000 1。迭代總數為3 000 000次，初始化容量為=5000的經驗池，每隔觀察1 000次更新矩陣。

3.1 房間疏散路徑實驗

本文以圖2為例在Revit中繪制4種不同構形的房間，并執行插件中的“房間疏散”功能，結果如圖9所示。

通過圖9可知，使用A*算法可以正確地繪制出房間疏散路徑。設計師只需要點擊功能命令，再選中需要繪制的房間即可得到結果，節省了畫線、調整線型、放置箭頭族并轉動正確方向的時間。

3.2 單安全出口疏散路徑實驗

單安全出口疏散路徑實驗是以某幼兒園項目為例，其防火分區圖如圖10所示，其中安全出口已使用圓圈標出。

執行改進的DQN算法得到如圖11所示結果，整個疏散路徑以綠色虛線表示，同時繪有疏散箭頭族指向安全出口。疏散路徑的結果是正確的。

表1對比了單安全出口實驗在人工手繪、A*算法、Q-Learning算法及改進的DQN算法中的執行時間。

圖9 Revit實現房間疏散繪制((a)單疏散門房間疏散路徑；(b)多疏散門房間疏散路徑；(c)帶L拐角房間疏散路徑； (d)弧線墻房間疏散路徑)

圖10 單安全出口的某項目

圖11 改進的DQN運行結果

表1 單安全出口實驗各繪制方式所用時間對比

通過表1可以得出，A*算法與Q-Learning算法在該項目中的執行速度是非常快的，點擊按鈕就能立即得到疏散路徑圖。其次是改進的DQN算法，在防火分區較小的情況下，使用神經網絡在本機運行的情況下不具有效率優勢，改進的DQN算法需要自我訓練才能得出結果，而訓練時間占用了一定的開銷。時間消耗最多的是人工手繪方式，畫線、改線樣式、放置疏散箭頭每個步驟都需要正確操作。

3.3 多安全出口疏散路徑實驗

多安全出口疏散實驗以金鼎中心項目為例。某層共有2個防火分區，左側防火分區有3個安全出口，右側防火分區有2個安全出口，以綠色指示箭頭，如圖12中紅色畫圈位置。

圖12 金鼎中心項目某防火分區

執行改進的DQN算法得到如圖13所示結果。

圖13 改進的DQN運行結果

項目確定的消防疏散圖如圖14所示。

圖14 金鼎中心項目消防疏散圖

對比圖13與圖14，發現區別在于：

(1) 圖14以CAD進行繪制，沒有標明所有房間的疏散路徑，而是以離各安全出口最遠處房間為例進行路徑繪制。即如果最遠處房間能通過消防規范路徑長度的話，其他房間亦能通過。

(2) 圖13是在Revit平臺上進行自動繪制，對每個房間及公共區域都繪制了疏散路徑，比傳統CAD疏散圖更加詳盡，在繪圖表達上完全體現了建筑設計防火規范5.5.17中2個距離原則[1]，即“房間疏散門至最近安全出口的直線距離”與“房間內任一點至房間疏散門的直線距離”，并為之后使用該BIM數據進行運維提供了便利。

同樣，表2對比了多安全出口實驗在人工手繪、A*算法、Q-Learning算法及改進的DQN算法中的執行時間。

表2 多安全出口項目各繪制方式所用時間對比

從表2可知，只有手繪方式與改進的DQN算法得出了結果。A*與Q-Learning算法由于用時過長一直處于執行狀態未記錄時間。改進的DQN算法用時約11 min，手繪用時約26 min。需要說明的是這里的手繪是對每個房間及走道都有連線并放置箭頭族，而并非采用圖14所示的繪圖方式。改進的DQN算法的效率是手工繪制的2~3倍。

4 總結與展望

本文提出了一種基于改進DQN算法與A*算法相結合的混合算法用以在BIM施工圖消防疏散路徑中進行繪制與檢查。針對房間疏散路徑，使用A*算法進行繪制；針對樓層疏散路徑，使用改進的DQN算法確定疏散門至安全出口的路徑并以A*算法繪制。本文在DQN算法的基礎上重新設計了獎勵矩陣的賦值方式，將門與門之間的長度關系反映到獎勵矩陣的值上；在DQN網絡運算之后加入了獎勵矩陣驗證機制，避免了錯誤路徑的繪制。本文提出的算法優勢在于適用于大面積的批量執行，避免了傳統算法的內存受限及易局部最優的缺陷。在本文的實驗中，該混合算法比手工繪制的效率提高了2~3倍。未來可通過將本算法部署于服務器開放WebAPI及使用高性能AI顯卡脫離客戶機的硬件限制，進一步提升算法的執行效率。目前，基于該算法的疏散設計自動化工具已應用于同濟設計院上海建筑數字中心的多個實際項目中。

[1] 中華人民共和國住房和城鄉建設部. 建筑設計防火規范: GB 50016—2014[S]. 北京: 中國計劃出版社, 2018: 79-80. Ministry of Housing and Urban-Rural Development of the People’s Republic of China. Code for fire protection in building design: GB 50016—2014[S]. Beijing: China Planning Press, 2018: 79-80 (in Chinese).

[2] DIJKSTRA E W. A note on two problems in connexion with graphs[J]. Numerische Mathematik, 1959, 1(1): 269-271.

[3] NILSSON N J. The quest for artificial intelligence[M]. Stanford University: Cambridge University Press, 2009: 1-578.

[4] 張超超, 房建東. 基于定向加權A*算法的自主移動機器人路徑規劃[J]. 計算機應用, 2017, 37(S2): 77-81. ZHANG C C, FANG J D. Path planning of autonomous mobile robot based on directional weighted A*algorithm[J]. Journal of Computer Applications, 2017, 37(S2): 77-81 (in Chinese).

[5] 張啟飛, 郭太良. 基于多階段決策的機器人全局路徑規劃算法[J]. 計算機工程, 2016, 42(10): 296-302. ZHANG Q F, GUO T L. Global path planning algorithm of robot based on multistage decision[J]. Computer Engineering, 2016, 42(10): 296-302 (in Chinese).

[6] KAVRAKI L E, SVESTKA P, LATOMBE J C, et al. Probabilistic roadmaps for path planning in high-dimensional configuration spaces[J]. IEEE Transactions on Robotics and Automation, 1996, 12(4): 566-580.

[7] LAVALLE S M. Rapidly-exploring random trees: a new tool for path planning[R]. Technical Report. Computer Science Department, lowa State University, 1998.

[8] LAVALLE S M, KUFFNER J J. Randomized kinodynamic planning[J]. The International Journal of Robotics Research, 2001, 20(5): 378-400.

[9] LEE J K, EASTMAN C M, LEE J, et al. Computing walking distances within buildings using the universal circulation network[J]. Environment and Planning B: Planning and Design, 2010, 37(4): 628-645.

[10] SHARMA J, ANDERSEN P A, GRANMO O C, et al. Deep q-learning with q-matrix transfer learning for novel fire evacuation environment[EB/OL]. [2019-05-23]. https://xueshu. baidu.com/usercenter/paper/show?paperid=1f2d0jm0ms7r0ew0hx3m0th0j9655136&site=xueshu_se.

[11] WATKINS C J. Learning from Delayed Rewards[D]. Cambridge: Cambridge University, 1989.

[12] CHOSHEN L, FOX L, AIZENBUD Z, et al. On the weaknesses of reinforcement learning for neural machine translation[EB/OL]. [2019-05-23]. https://xueshu.baidu.com/ usercenter/paper/show?paperid=10370e60073n0pb0pq7b0870y4229607&site=xueshu_se&hitarticle=1.

[13] ANDREY K. Reinforcement learning’s foundational flaw[EB/OL]. [2018-07-08]. https://thegradient.pub/why-rl-is- flawed/.

[14] DULAC-ARNOLD G, MANKOWITZ D, TODD H. Challenges of real-world reinforcement learning[EB/OL]. [2019-04-29]. https://arxiv.org/pdf/1904.12901.pdf.

[15] Autodesk Inc. Revit: What’s new in the latest Revit release[EB/OL]. [2018-04-18]. https://www.autodesk.com/ products/revit/new-features.

[16] MNIH V, KAVUKCUOGLU K, DAVID SILVER, et al. Play atari with deep reinforcement learning[EB/OL]. [2013-12-19]. https://arxiv.org/abs/1312.5602.

[17] MNIH V, KAVUKCUOGLU K, D SILVER, et al. Human-level control through deep reinforcement learning[J]. Nature, 2005, (518): 529-533.

BIM evacuation design automation based on artificial intelligence

LIANG Yu-qing1,2, JI Jiu-mao1,2, YANG Jia-lei3, ZHANG Dong-sheng1,2, WANG Ke4, WANG Ling-yu1,2

(1. Tongji Architectural Design (Group) Co.,Ltd, Shanghai 200092, China; 2. Shanghai Digital Architecture Fabrication Technology Center, Shanghai 200092, China;3. Department Digital Solutions, PricewaterhouseCoopers Zhong Tian LLP (Shanghai), Shanghai 200021, China;4. College of Architecture and Urban Planning, Tongji University, Shanghai 200092, China)

To reduce the time cost of manual design of the Building Information Modeling (BIM) fire evacuation routes and to enhance design efficiency, an improved algorithm was proposed based on Deep Q Learning (DQN) and A* algorithm, through which a BIM evacuation design automation tool developed. First, the evacuation path of the room was drawn by A* algorithm. Then, the path from the evacuation door to safety exit in floor evacuation was determined using the improved DQN algorithm, and was drawn by A* algorithm. On the basis of the DQN algorithm, we redesigned reward matrix assignment and added reward matrix verification to improve the correctness of floor evacuation. Finally, we applied the improved algorithm-based evacuation design automation tool to practical projects. The results show that this improved algorithm can not only draw the route correctly, but also increase the efficiency by 2 to 3 times compared with manual drawing. The efficiency of this algorithm can be further improved by server deployment and hardware upgrades. At present, the automatic design tool has been adopted in several actual projects of Shanghai Digital Architecture Fabrication Technology Center (SFAB), Tongji Architectural Design (Group) Co., Ltd.

artificial intelligence; building information modeling; evacuation; design automation; deep Q-learning

TP 391

10.11996/JG.j.2095-302X.2021020299

A

2095-302X(2021)02-0299-08

2020-08-21；

21August，2020；

2020-10-23

23October，2020

教育部重點實驗室(同濟大學)開放課題(2019010103)

Open Projects Fund of Key Laboratory of Ministry of Education (Tongji University) (2019010103)

梁裕卿(1990–)，男，上海人，工程師，碩士。主要研究方向為BIM軟件開發。E-mail：51lyq@tjad.cn

LIANG Yu-qing (1990–), male, engineer, master. His main research interest covers BIM software development. E-mail：51lyq@tjad.cn