Интеллектуальная система автогенерации планировок квартир
на основе нейросетей
-
Ключевоедевелопмент, ML, аутстаф -
Периодиюнь 2025 - октябрь 2025 год -
Тех стекFastAPI, PyTorch, Onnxruntime, OpenCV, Shapely, NumPy, Pydantic, Shapely, Geopandas -
ОСWeb -
Команда проекта1 ML инженер -
КлиентИзвините, у нас NDA
О клиенте
Крупный российский девелопер с портфелем жилых комплексов по стране и амбициозной программой цифровизации операционных процессов. Компания активно инвестирует в R&D, чтобы автоматизировать рутинные этапы проектирования и сократить цикл разработки архитектурных решений. В портфеле клиента — как коттеджные сообщества, так и многоэтажные комплексы эконом- и премиум-класса с плотной застройкой и нестандартными конфигурациями.
Клиент пришёл с амбициозной идеей: вместо того, чтобы архитектор вручную расставлял комнаты, стены, двери и проёмы на типовом этаже, поручить эту работу нейросети, которая на основе контура помещения и ограничений по фасаду автоматически синтезирует планировку, предварительно согласованную по кодексам и стандартам.
Клиент пришёл с амбициозной идеей: вместо того, чтобы архитектор вручную расставлял комнаты, стены, двери и проёмы на типовом этаже, поручить эту работу нейросети, которая на основе контура помещения и ограничений по фасаду автоматически синтезирует планировку, предварительно согласованную по кодексам и стандартам.
Бизнес-задачи
- Разработать ML-модель для автоматической генерации планировок квартир с учетом конструкционных ограничений;
- Адаптировать иностранный исследовательский подход (китайскую архитектуру сегментации) к российским реалиям квартирного проектирования;
- Собрать и стандартизировать обширный датасет планировок (44+ тысячи планов) из архивов чертежей;
- Обучить модель на российских квартирах с учётом локальных особенностей (расположение окон в несущих стенах, разнообразие типологии жилых единиц, ограничения по глубине помещений);
- Интегрировать обученную модель в веб-сервис для быстрого прототипирования и верификации архитекторами;
- Создать пайплайны валидации с архитектурной семантикой (метрики совпадения комнат, стен, функциональных зависимостей, а не только пиксельной точности).
|
Вызов
Исходный пайплайн был обучен на датасетах коттеджей (совершенно другая типология: гаражи, центральная гостиная, иная расстановка функций), лишён комментариев и был неприменим к квартирному проектированию без глубокой переработки. Задача выходила за рамки прямого переноса кода и потребовала переосмысления пайплайна из нескольких нейросетей для иного региона с существенно отличающимися доменными требованиями, а также создания нового датасета, переобучения отдельных сетей и их валидации. При этом сроки были сжаты, а изначальный скепсис к применимости простых сегментационных моделей требовал доказательства концепции в кратчайший срок.
Как мы это сделали
- Анализ и адаптация архитектурыРазобрали исходную китайскую статью и код, поняли, что в основе — не генеративная модель, а сегментация изображений по контуру и ограничениям. С учётом российских реалий переосмыслили подход: учли другую типологию квартир, отсутствие гаражей, роль гостиной и зависимость планировки от расположения окон.
- Метрики и валидацияВместо простой Accuracy ввели предметные метрики: совпадение по комнатам, точность стен, корректность функциональных связей. Это позволило оценивать результат так, как его оценивают архитекторы.
- Подготовка датасетаВзяли сырые сканы чертежей из архивов клиента, построили пайплайн обработки и привели данные к единому формату. Датасет итеративно масштабировали до 44 тысяч планировок с разметкой по типам помещений, стенам и проёмам.
- Веб‑интеграцияОбъединили модель в REST API на FastAPI: архитектор отправляет контур этажа, в ответ получает вариант планировки для дальнейшей проверки и доработки в привычных инструментах.
- Модификация нейросетевой архитектурыНа базе сверточных сетей применили набор современных улучшений и альтернативных архитектур. Каждая доработка давала небольшой, но ощутимый прирост качества: по комнатам, стенам и связям внутри квартиры.
Преимущества для клиента
девелопер
- Сокращение цикла проектирования архитектурной типологии.
- Снижение ошибок на этапе предпроектных предложений.
- Масштабируемость: система готова к интеграции в более крупный пайплайн автоматизации проектирования.
- Доказательство концепции применимости ML к архитектурным задачам в российском контексте.
Что получил
архитектор
- Прототип за часы вместо дней ручного проектирования.
- Автоматическое исключение очевидных ошибок (проходные спальни, несоответствие окнам, нарушение санитарных норм).
- Вариативность: возможность быстро перебрать несколько вариантов планировки для одного контура.
- Фокус на творческой доработке вместо рутинной расстановки стен.
Что получил
Результат
- За четыре месяца разработки мы доказали жизнеспособность подхода сегментационных сетей для генерации квартирных планировок. Несмотря на исходный скепсис и сложность адаптации иностранного исследования, добились стабильного прироста метрик на российском датасете, значительно уступающем исходному по масштабу (~40 тыс. против ~80 тыс. примеров).Веб-сервис успешно интегрирован и готов к использованию в пилотных проектах.
- Модель показала, что даже простые архитектуры, правильно адаптированные к доменным особенностям и валидированные экспертами, могут быть мощным инструментом ускорения архитектурных процессов. Открыты перспективы дальнейшего развития (больше данных, более сложные архитектуры, интеграция с 3D-визуализацией).
Мы сформулировали саму задачу, переведя архитектурный опыт девелопера на язык компьютерного зрения, и доказали применимость этого подхода на массиве российских квартир, где мировые датасеты бесполезны, а не просто реализовали техническое задание.
Мы не просто обучили нейросеть