인테리어 디자인 가이드라인과 Proximal Policy Optimization을 사용한 인테리어 디자인 자동화 전략 :Automated Interior Design Strategy using Interior Design Guidelines and Proximal Policy Optimization

윤찬영

추천

검색

자료유형: 학위논문

저자정보: 윤찬영 (세종대학교, 세종대학교 대학원)

지도교수: 장윤

발행연도: 2023

저작권: 세종대학교 논문은 저작권에 의해 보호받습니다.

이용수5

이 논문의 연구 히스토리 (2)

2023

인테리어 디자인 가이드라인과 근위 정책 최적화를 사용한 인테리어 디자인 자동화 모델

윤찬영 , 임수빈 , 유상봉 외 1명 한국정보과학회 학술발표논문집 2023.06 학술대회자료

인테리어 디자인 가이드라인과 Proximal Policy Optimization을 사용한 인테리어 디자인 자동화 전략

윤찬영 컴퓨터공학과 2023.01 학위논문

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

주거 공간의 인테리어 디자인은 거주자의 만족도와 인상에 큰 영향을 미치는 중 요한 작업이다. 그러나 주거 공간의 인테리어 디자인은 구조화 되어 있지 않으 며, 전문적인 디자인 지식이 필요하므로 쉽게 접근하기 어렵다. 따라서 인테리 어 디자인을 자동화하기 위한 최적화 및 딥 러닝 방법이 제안되었다. 그럼에도 불구하고 이 기술들은 문제를 해결하는 데 많은 시간이 걸리거나, 많은 학습 데 이터를 확보해야 한다는 어려움이 존재한다. 강화 학습은 에이전트가 환경과의 상호작용을 통해 누적 보상을 최대화하는 최적의 정책을 학습한다. 따라서 학 습 데이터를 확보하지 않아도 되며, 문제 해결에 적은 시간이 소모되기 때문에 인테리어 디자인 자동화 전략에 적합하다. 이전 연구들은 강화 학습을 활용하여 인테리어 디자인의 자동화를 시도하였다. 하지만 디자인 가이드라인을 반영하 지 않으며, 이산 공간에 가구를 배치하는 한계가 있다.
본 논문에서는 심층 강화학습을 이용한 인테리어 디자인 자동화 전략을 제안한다. 제안하는 방법은 디자인 가이드라인을 학습하는 강화 학습 모델을 설계하기 위해 가이드라인을 디자인 보상 함수들로 변환한다. 디자인 보상 함 수들은 기능적 요구 사항과 시각적 요구 사항으로 분류되며, 보상 함수들을 가 중합해 최종 보상 함수를 정의한다. 또한 실제 세계와 같이 연속 공간에 가구를 배치하기 위해 대각 가우시안 정책과 PPO를 이용한 연속 행동 공간에서의 모 델 학습을 수행한다. 우리는 가구의 수와 방의 형태에 따른 보상을 비교하는 정량적 연구를 수행하여 제안하는 모델을 평가한다. 또한 보상 함수들의 조합 에 따른 결과를 비교하는 절제 연구를 수행하여 각각의 보상 함수들이 디자인 가이드라인의 학습에서 어떠한 역할을 하는지 평가한다.

The interior design of a residential space is an important task that significantly affects the satisfaction and impression of residents. However, it is not easy to optimize the interior design of residential spaces because it is not structured and requires professional design knowledge. Therefore, optimization and deep learning techniques have been proposed to automated interior design. Nevertheless, the automated interior design remains challenging since these techniques take much cost to solve problems or have difficulties obtaining many train data. Reinforcement learning learns an optimal policy that maximizes the cumulative reward while the agent interacts with the environment. As a result, there’s no need to secure extensive training data, and less time is consumed solving problems, making it a fitting strategy for the automated interior design. Researchers have utilized reinforcement learning for automated interior design. However, these studies have limitations because they arrange furniture in discrete positions and do not consider the interior design guidelines.
In this paper, we propose a strategy for automated interior design using deep reinforcement learning. The proposed method converts design guidelines into design reward functions to construct a reinforcement learning model that learns the design guidelines. The design reward functions are classified into functional and visual criteria, and are then combined using weighted sum to define the final reward function. We also use a diagonal Gaussian policy and Proximal Policy Optimization (PPO) for learning in a continuous action space, allowing the placement of furniture in continuous spaces, similar to the real world. We evaluate the proposed model by performing a quantitative study that compares rewards according to the number of furniture and the shape of a room. In addition, an ablation study is performed to compare the results of combinations of reward functions to evaluate the role of each reward function in learning the design guidelines.

#인테리어 디자인 #심층 강화학습 #근위 정책 최적화 #대각 가우시안 정책

제 1 절 서 론 1
제 2 절 관련 연구 및 배경 지식 4
2.1 관련 연구 4
2.1.1 인테리어 디자인 자동화의 필요성 4
2.1.2 최적화 기반 인테리어 디자인 자동화 5
2.1.3 딥 러닝 기반 인테리어 디자인 자동화 6
2.1.4 강화 학습 기반 인테리어 디자인 자동화 7
2.2 배경 지식 9
2.2.1 Reinforcement Learning 9
2.2.2 Proximal Policy Optimization 10
2.2.3 Diagonal Gaussian Policy 11
제 3 절 심층 강화학습을 활용한 인테리어 디자인 자동화 12
3.1 문제 정의 12
3.1.1 Interior Design Environment 12
3.1.2 Collision Function 12
3.1.3 State Information 14
3.1.4 Action Space 15
3.2 인테리어 디자인 가이드라인 보상 함수 16
3.2.1 Interior Design Guideline 16
3.2.2 Functional Criteria 16
3.2.3 Visual Criteria 20
3.2.4 Reward Function 23
3.3 인테리어 디자인 자동화 모델 25
3.3.1 모델 아키텍처 25
3.3.2 인테리어 디자인 자동화 프레임워크 28
3.4 실험 및 평가 29
3.4.1 실험 환경 설정 29
3.4.2 정량적 연구 - 심층 강화학습 모델 비교 실험 31
3.4.3 절제 연구 - 보상 함수 비교 실험 33
제 4 절 논의 및 결론 37
4.1 논 의 37
4.1.1 확장 가능성 37
4.1.2 성능 평가 방법 개선을 위한 향후 연구 방향 37
4.1.3 가중치와 보상 함수 파라미터의 설정 38
4.1.4 거주자의 선호도 38
4.1.5 창문과 빛의 영향 39
4.1.6 방의 모양과 개수 39
4.1.7 가구의 회전과 높이 40
4.2 결 론 41
참고 문헌 42

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)