Forschung der Tsinghua-Universität: KI ist bei der Planung von Stadträumen 3.000-mal schneller als Menschen!

Auch im Bereich der Stadtraumplanung haben menschliche Designer heute KI-Partner.

Ein Forschungsteam der Tsinghua-Universität hat ein Modell eines Deep-Reinforcement-Learning-Algorithmus vorgeschlagen. Basierend auf dem Konzept der 15-Minuten-Stadt kann das Modell komplexe städtebauliche Raumplanungen durchführen. In Kombination mit menschlichem Input übertraf die durch maschinelles Lernen unterstützte Land- und Straßenraumplanung andere Algorithmen und professionelle menschliche Designer in allen berücksichtigten Metriken um rund 50 % und war 3.000-mal schneller .

Das zugehörige Forschungspapier mit dem Titel „Spatial planning of urban communities via deep reinforcement learning“ wurde gerade in der neuesten Ausgabe von Nature Computational Science, einer Tochterzeitschrift von Nature, veröffentlicht.

In einem dem Papier beigefügten Artikel von News & Views schrieb Paolo Santi, ein Wissenschaftler am MIT Senseable City Lab: „ Yu Zheng et al. befassen sich mit wichtigen konzeptionellen und rechnerischen Herausforderungen und demonstrieren gleichzeitig erfolgreich die Machbarkeit der Integration von KI und menschlichen Arbeitsabläufen in die Raumplanung, was wertvolle Forschungsrichtungen für die Zukunft aufzeigt .“

Die Stadtplanung muss sich dringend ändern, und das Konzept der „15-Minuten-Stadt“ gewinnt an Popularität

Städte sind zu Zentren der Innovation, Kreativität und Chancen geworden und ziehen Menschen aus allen Gesellschaftsschichten an, die auf der Suche nach Unterhaltung, Bildung, Gesundheitsversorgung und Beschäftigungsmöglichkeiten sind. Eine wirksame Raumplanung ist für die wirtschaftliche Aktivität und die nachhaltige Entwicklung von Städten von entscheidender Bedeutung.

Die moderne Stadtplanung ist oft fahrzeugorientiert und bevorzugt zentralisierte Funktionen und autoabhängige Verkehrsmittel, was nicht nur zu Verkehrsstaus führt, sondern auch zur Verschärfung der globalen Erwärmung beiträgt. Gleichzeitig hat die COVID-19-Pandemie auch die Verwundbarkeit der Städte während der Abriegelung offengelegt. Daher muss sich die Stadtplanung dringend ändern und den Übergang von der Fahrzeugorientierung zur Menschenorientierung beschleunigen .

Es ist erwähnenswert, dass das Konzept der „15-Minuten-Stadt“ bei der Planung neuer Stadtgebiete und der Renovierung bestehender Siedlungen immer beliebter wird . Die Bewohner können grundlegende Versorgungseinrichtungen zu Fuß oder mit dem Fahrrad innerhalb von 15 Minuten erreichen, was auch die Erwartungen der Menschen an eine möglichst platzsparende Raumaufteilung innerhalb städtischer Gemeinden widerspiegelt.

Allerdings hat der Mensch jahrzehntelange Anstrengungen in die Entwicklung von Computermodellen und unterstützenden Tools zur Automatisierung der Stadtplanung investiert. Obwohl menschliche Stadtplaner heute mit GIS-Tools um ein Vielfaches produktiver sind als noch vor Jahrzehnten, müssen mühsame Planungsaufgaben immer noch manuell erledigt werden .

KI-Agenten können effizientere Planungslösungen generieren als menschliche Experten

Um die oben genannten Herausforderungen zu bewältigen, hat ein Forschungsteam der Tsinghua-Universität ein auf Deep Reinforcement Learning basierendes Stadtplanungsmodell vorgeschlagen, das in der Lage ist, Landnutzung und Straßenführung für städtische Gemeinden zu generieren.

Im Vergleich zu Aufgaben mit regelmäßigen Rasterbedingungen wie Chipdesign und Go weisen städtische Gemeinschaften jedoch andere geometrische Formen auf und sind vielfältiger und unregelmäßiger.

Um dieses Problem zu lösen, schlug das Forschungsteam ein urbanes Kontinuitätsdiagramm vor , um die topologische Struktur der städtischen Geometrie zu beschreiben, mit städtischen geografischen Elementen als Knoten und räumlicher Kontinuität als Kanten. Durch die Konstruktion des Graphen lassen sich die wesentlichen räumlichen Beziehungen jeder Form von Gemeinschaft erfassen. Daher formulieren sie die Raumplanung als sequentielles Entscheidungsproblem auf einem Graphen und führen die Planung auf topologischer Ebene statt auf geometrischer Ebene durch.

Eine weitere große Herausforderung in der Raumplanung ist der riesige Lösungsraum und der damit verbundene, noch größere Handlungsraum. Der Aktionsraum für eine Community mittlerer Größe kann leicht 4000 hoch 100 überschreiten (4000 mögliche Aktionen pro Schritt, 100 Schritte insgesamt für die Community-Raumplanung), was eine erschöpfende Suche unmöglich macht.

Um den Aktionsraum zu reduzieren, trainierten die Forscher einen KI-Agenten, der aus einem Wertenetzwerk und zwei Richtliniennetzwerken besteht, um durch effizientes Erkunden und Ausnutzen des riesigen Aktionsraums gute Planungsstrategien zu finden. Insbesondere prognostiziert das Wertnetzwerk die Qualität der Raumplanung basierend auf der Umsetzung des Konzepts der „15-Minuten-Stadt“, und die beiden anderen Richtliniennetzwerke werden von KI-Agenten verwendet, um den Standort der Landnutzung und der Straßen auszuwählen. Durch die Stichprobennahme von Aktionen aus dem Richtliniennetzwerk und die Schätzung von Belohnungen mithilfe des Wertnetzwerks wird der Aktionsraum drastisch reduziert.

Um eine effektive Darstellung städtischer geografischer Elemente zu erhalten, entwickelten die Forscher einen Zustandscodierer auf Basis eines Graph Neural Network (GNN) , das Nachrichtenübermittlung und Nachbaraggregation auf einem städtischen Kontinuitätsgraphen verwendet, um die räumlichen Beziehungen zwischen Land, Straßenabschnitten und Kreuzungen zu erfassen. Dieser GNN-Status-Encoder wird zwischen dem Wertnetzwerk und dem Richtliniennetzwerk gemeinsam genutzt und erleichtert die Vorhersage von Belohnungen und die Auswahl von Positionen. Letztlich war der KI-Agent in der Lage, effizientere Planungslösungen zu generieren als menschliche Experten.

Umfangreiche experimentelle Ergebnisse zeigen, dass unser Ansatz unter denselben Ausgangsbedingungen und Planungsbeschränkungen modernste Algorithmen und menschliche Experten deutlich übertrifft und die objektive Kennzahl der räumlichen Effizienz um mehr als 48,6 % verbessern kann. Insbesondere wenn real existierende Gemeinden als Ausgangsbedingungen verwendet werden, kann das Modell Pläne zur Landnutzungsänderung generieren, die die Erreichbarkeit der Bewohner zu verschiedenen Einrichtungen um mehr als 18,5 % verbessern.

Angesichts der Reife und Komplexität der Methoden der Stadtplanung schlugen die Forscher auf Grundlage des vorgestellten DRL-Modells einen Arbeitsablauf für die Zusammenarbeit zwischen KI und menschlichem Designer vor, bei dem sich menschliche Designer auf das konzeptionelle Prototyping konzentrieren und das Modell verwenden, um die schwere und zeitaufwändige Planungsarbeit abzuschließen.

Die Ergebnisse zeigen, dass menschliche Designer von einem kollaborativen Arbeitsablauf zwischen KI und Mensch profitieren können , der sowohl bei objektiven Planungsmetriken als auch bei subjektiven Blindtests mit 100 professionellen menschlichen Designern einen Arbeitsablauf übertrifft, der vollständig von Menschen ausgeführt wird, und der 3.000-mal zeiteffizienter ist.

Darüber hinaus kann das Modell allgemeine Planungsfähigkeiten aus einfachen Szenarien erlernen und diese auf groß angelegte, komplexe Planungsaufgaben bei der Gestaltung unterschiedlicher Stile anwenden, beispielsweise für grüne Gemeinden und Service-Communitys.

Maschinelles Lernen fördert nachhaltige Stadtentwicklung und die Beteiligung mehrerer Interessengruppen

Obwohl die Anzahl der in diesem Experiment generierten Raumpläne 1 Million übersteigt, ist sie im Vergleich zu den Datensätzen, die in ähnlichen DRL-Aufgaben wie Go und Chipdesign verwendet werden, immer noch nicht groß genug. Darüber hinaus erfordert die Skalierung dieses Forschungsansatzes auf Stadtebene das Sammeln einer großen Anzahl von Trainingsbeispielen aus verteilten Clustern und die Verwendung mehrerer GPUs auf mehreren Servern, um größere neuronale Netzwerke zu trainieren.

Es ist erwähnenswert, dass die drei Unterräume der Zerlegung (was zu planen ist, wo zu planen ist und wie zu planen ist) vom Agenten gemeinsam optimiert werden können, dies erfordert jedoch mehr Trainingsbeispiele. Darüber hinaus kann der Abschnitt „Was ist zu planen?“ um weitere wichtige Elemente der städtischen Nachhaltigkeit erweitert werden, beispielsweise um öffentliche Verkehrsmittel und Haltestellen. Darüber hinaus werden in diesem Rahmen auch einige subjektive Bewertungsindikatoren der Raumplanung ignoriert, wie etwa Ästhetik und künstlerische Bewertungen.

Die aktuellen Rahmenwerke orientieren sich vorwiegend an statischen Indikatoren. Zwar können sie räumlich effiziente Stadtteilpläne hervorbringen, doch die Planung einer ganzen Stadt ist eine komplexere Aufgabe, bei der verschiedene Ziele berücksichtigt werden müssen, darunter auch Wirtschaftswachstum und Gesundheit der Einwohner. Es ist nahezu unmöglich, die Auswirkungen der Stadtplanung anhand einiger statischer Indikatoren zu beurteilen.

Bei den meisten Experimenten ignorierten die Forscher Hunderte von städtebaulichen Regeln und berücksichtigten keine zentralen Aspekte der realen Stadtplanung, wie etwa Grundbesitz, öffentlichen Zugang, städtische Segregation und Sanierung. Mit den notwendigen und angemessenen Anpassungen kann dieser Ansatz jedoch gut mit den regulatorischen und politischen Problemen in diesen praktischen Planungssituationen umgehen.

Auch wenn die Forschung noch einige Mängel aufweist, können wir ihre Bedeutung nicht leugnen .

Maschinelles Lernen als unterstützendes Instrument kann die Produktivität menschlicher Planer steigern und hat zudem das Potenzial, ein nachhaltigeres Stadtleben zu schaffen. Es hilft nicht nur Planern, den Raumplanungsprozess zu beschleunigen, sondern kann auch anderen Akteuren weitere Vorteile bringen. Durch die Einführung von Anpassungsoptionen in das Modell kann eine öffentliche Plattform erstellt werden, die die Beteiligung von Anwohnern und Entwicklern am Planungsprozess erleichtert.

Wie in der Forschungsarbeit erwähnt, ist Stadtplanung keineswegs ein einfaches Spiel der Wahl der Landnutzung und der Straßenführung, sondern vielmehr eine komplexe Interaktion zwischen zahlreichen Interessengruppen . Der in dieser Studie vorgeschlagene Rahmen zeigt die Möglichkeit einer stärkeren Einbindung aller Akteure auf und ist ein kleiner Schritt hin zu transparenteren und integrativeren Städten.

Referenzlinks:

https://www.nature.com/articles/s43588-023-00503-5

https://www.nature.com/articles/s43588-023-00515-1

Autor: Yan Yimi

Herausgeber: Academic