本發明涉及城市規劃領域，具體為一種基于多情景模擬的城市天際線實景可視觸控交互優化方法。

背景技術：

1、一方面，城市天際線是展現城市風貌的重要窗口，其規劃設計也是城市設計工作中的重點工作。當前的城市設計工作中，城市天際線的優化設計主要由規劃師通過電腦屏幕觀察并手動調整城市建筑三維模型完成，在這一過程中，存在空間認知單一、天際線展示效果與實際觀感差距大、調整過程費時費力等問題，規劃師在進行不同天際線方案優化工作時，存在判斷標準不一等問題。另一方面，隨著人工智能技術的發展，城市設計的工作方式和展現形式也在不斷地發生變化。當前，強化學習作為具有代表性的人工智能技術，已經在城市設計工作中有所應用，并表現出超過人類規劃師的工作能力。但當前強化學習技術較多地應用在二維平面的城市設計工作中，缺少針對三維空間的應用，且缺少與如多智能體等的其他人工智能技術的結合。

2、基于多情景模擬的城市天際線實景可視觸控交互優化方法具有重大意義。所述方法解決了傳統城市天際線優化工作中存在的觀察視角單一、觀察效果較差、調整效率低、判斷標準不一等多方面問題，實現了基于多情景的城市天際線自動優化和規劃師對城市天際線方案的高效、準確調整。

技術實現思路

1、為解決上述背景技術中提到的不足，本發明的目的在于提供一種基于多情景模擬的城市天際線實景可視觸控交互優化方法，通過記錄并匯總用戶調整城市天際線模型的行為和指令，使用多智能體深度強化學習方法，自動生成城市天際線優化方案并展示。

2、本發明的目的可以通過以下技術方案實現：

3、基于多情景模擬的城市天際線實景可視觸控交互優化方法，包括如下步驟：

4、步驟(1)：通過搭載多目傾斜相機和gps定位模塊的無人機采集城市目標片區建筑物傾斜攝影數據，通過激光雷達掃描儀采集城市目標片區建筑物三維形態數據，通過數據配準融合，獲得城市目標片區三維實景數據。

5、步驟(2)：將實景數據上傳至數字孿生可視化平臺，重建城市目標片區三維模型，通過基于卷積神經網絡對城市目標片區三維模型進行單體化處理，利用數字李生融合渲染引擎重建城市目標片區天際線輕量化實景模型。

6、步驟(3)：將城市目標片區天際線輕量化實景模型根據點云簇群的幾何位置、密度、法線特征及其距天際線模型視點的位置，進一步劃分為近地建筑、標志高層建筑和基質建筑；將搭載載眼動檢測模塊的混合現實眼鏡與搭載慣性傳感器的手持觸控儀連接到數字孿生可視化平臺，記錄用戶觸控調整天際線模型的行為和指令信息；逐條轉譯用戶行為和指令信息，并匯總為調整時設備的監測數據、調整前后模型的參數變化、調整后模型的特征參數。

7、步驟(4)：采用多智能體深度強化學習(rial)對城市目標片區天際線輕量化實景模型進行天際線優化問題進行求解，根據調整時設備的監測數據定義近地建筑、標志高層建筑和基質建筑中的每一個建筑單體為一個智能體，并定義智能體的動作以及獎勵函數。

8、步驟(5)：在訓練迭代過程中，記錄損失函數的變化情況，判斷損失當損失函數是否收斂至0.1以下，且獎勵函數是否收斂至最優解，當同時滿足以上兩個條件時，則停止迭代輸出城市天際線優化方案；反之，則清空經驗回放緩沖區，重新開始執行智能體與環境的交互，循環執行訓練過程，直到滿足終止條件為止。

9、步驟(6)：保存輸出方案，輸出至儲存有現狀城市目標片區天際線輕量化實景模型的全息沙盤中并運行顯示，進行城市天際線優化方案與現狀天際線的對比，以及二次交互精確調整。

10、進一步地，所述步驟(1)包括以下步驟：

11、通過搭載多目傾斜相機和gps定位模塊的無人機獲取帶有地理坐標信息的城市目標片區建筑物傾斜攝影數據，包括建筑物的頂部影像和立面影像；通過帶有gps定位模塊的車載式激光雷達掃描儀和手持式激光雷達掃描儀獲取帶有地理坐標信息的城市目標片區建筑物三維形態數據，包括建筑物高度、建筑物輪廓的點云數據。將傾斜攝影影像數據與激光掃描點云數據配準融合，獲得城市目標片區三維實景數據。

12、進一步地，所述步驟(2)包括以下步驟：

13、將步驟(1)中獲取的城市目標片區三維實景數據輸入easyv數字孿生可視化平臺，重建城市目標片區三維模型，通過基于卷積神經網絡的圖像識別算法對城市目標片區三維模型進行單體化處理，生成能夠分別對各個建筑物進行調整的現狀城市目標片區天際線輕量化實景模型，并通過easytwi?n數字孿生融合渲染引擎進行渲染和展示。

14、進一步地，所述步驟(3)包括以下步驟：

15、s31、在easyv數字孿生可視化平臺中，使用預置的目標檢測算法將建筑單體進一步劃分為近地建筑、標志高層建筑和基質建筑，記錄其建筑高度、立面面積、基底面積值并鏈接到對應的屬性表中；

16、所述預置的目標檢測算法進行劃分的依據為建筑單體點云簇群的幾何位置、密度、法線特征及其距天際線模型視點的位置。

17、s32、將搭載眼動檢測模塊的mr混合現實眼鏡與搭載慣性傳感器的手持觸控儀連接到easyv數字孿生可視化平臺中，記錄用戶觸控調整天際線模型的行為和指令信息。指令信息可供選擇的調整設定包含：近地建筑、標志高層建筑和基質建筑的“移出”、“添加”、“高度增高”、“高度降低”、“沿建筑垂線的立面縮進”；

18、s33、當用戶完成對城市目標片區天際線模型的觸控調整后，平臺逐條轉譯用戶行為和指令信息，并匯總為調整時設備的監測數據、調整前后模型的參數變化、調整后模型的特征參數，具體包含：

19、

20、

21、進一步地，所述步驟(4)包括以下步驟：

22、s41、采用多智能體深度強化學習(rial)對天際線輕量化實景模型優化問題進行求解，定義近地建筑、標志高層建筑和基質建筑中的每一個建筑單體為一個智能體，在每個時刻t觀測環境系統的局部狀態o為該智能體幾何重心周邊1km緩沖區范圍內其他智能體的特征參數，并向環境發送動作集a中的一個動作。所述動作包含：近地建筑、標志高層建筑和基質建筑的“移出”、“添加”、“高度增高”、“高度降低”、“沿建筑垂線的立面縮進”；

23、s42、在算力為10tflops的云計算平臺中，導入根據步驟(3)中記錄的用戶操作訓練數據，擬合獎勵函數評估當前狀態和對天際線模型的觸控調整結果；

24、所述獎勵函數是通過整合調整前后模型的參數變化、調整后模型的參數與用戶訓練數據相似度來定義的，具體公式為：

25、r＝λ·minr1+μ·maxr2

26、其中，minr1使得調整前后模型的參數變化趨于最小，maxr2使得調整后模型的參數與用戶訓練數據相似度趨于最大；λ和μ為調節參數，用于平衡兩項參數的變化影響，可以使獎勵函數更好地反映模型調整的效果。

27、進一步地，所述步驟(5)包括以下步驟：

28、s51、在訓練迭代過程中，監測學習時損失函數的變化情況，當損失函數收斂至0.1以下，且獎勵函數收斂至最優解時，停止迭代進入下一步判斷；所述損失函數采用策略梯度方法，用于最大化累積獎勵，具體公式為：

29、

30、其中，l(θ)是模型的損失函數，軌跡τ是智能體在環境中執行一系列動作所經歷的狀態序列，r(τ)是智能體在軌跡τ上的累積獎勵，表示智能體在執行一系列動作后所獲得的總獎勵，表示對參數θ的梯度，π(a|s；θ)是智能體的策略網絡輸出的動作概率分布，表示給定狀態s下選擇每個可能動作a的概率。通過引導智能體在不同狀態下做出合適的動作選擇，以實現最優的決策策略。

31、s52、若不滿足終止條件，清空經驗回放緩沖區，重新開始執行智能體與環境的交互，收集新的經驗數據，更新智能體的策略網絡參數。循環執行訓練過程，直到滿足終止條件為止。

32、進一步地，所述步驟(6)包括以下步驟：

33、保存步驟(5)中滿足終止條件的城市天際線情景優化方案，并將優化方案的建筑物三維模型輸出至儲存有現狀城市目標片區天際線輕量化實景模型的全息沙盤中，分別顯示現狀城市天際線和城市天際線優化方案的三維模型，并通過表格展示城市現狀和優化方案的模型的特征參數。用戶通過mr混合現實眼鏡比較現城市狀天際線和城市天際線優化方案，并通過手持觸控儀對城市天際線情景優化方案模型進行進行二次精確調整。

34、本發明的有益效果：

35、1、本發明通過運用多智能體深度強化學習方法，基于用戶操作數據集，進行天際線優化問題的求解，能夠快速、自動生成符合用戶需求的城市天際線優化方案，實現了天際線方案優化的自動化和智能化，減少了規劃師手動調整天際線方案的工作量，提高了城市設計工作的和效率。

36、2、本發明通過記錄并逐條轉譯用戶調整天際線模型的行為和指令數據，結合調整前后模型的參數變化和調整后模型的特征參數，將具有隨機性的用戶行為轉化為準確的特征參數，避免了在傳統天際線優化工作中判斷標準不一、隨意性大的問題，提高了天際線優化工作的科學性和準確性。

37、3、本發明通過mr混合現實眼鏡向用戶展示城市天際線實景模型，能夠更準確地還原天際線優化方案的視覺效果，用戶在全方位的實時感知中，能夠通過手持式觸控儀對優化方案進行調整，并實時查看方案調整前后天際線模型特征參數的對比，提升了方案調整的即時性。