[发明专利]一种基于分件强化学习技术的家具布局方法及系统

权利要求书

1.一种基于分件强化学习技术的家具布局方法，其特征在于，包括家具布局环境搭建步骤、家具布局强化训练步骤和家具布局强化学习生成步骤；

其中，家具布局环境搭建步骤包括：

步骤100，获得大量装修布局方案的样本数据；

步骤101，获得对样本数据的装修布局方案的评价打分；

步骤102，将样本数据的装修布局方案转化为特征向量之后作为输入值，将样本数据的评价打分作为输出值；

步骤103，按照装修布局方案当中的家具的种类，分别针对各个家具类别构建利用神经网络模型，对输入值和输出值进行人工智能算法的回归训练，得到多个环境反馈模型M1、M2、……、Mn；

其中，家具布局强化训练步骤包括：

步骤200，获得大量未经布局的房间信息数据；

步骤201，获得房间内需要布局的家具信息，并对家具进行分类；

步骤202，构建强化学习Actor-Critic算法模型，模型中将步骤200中获得的房间信息和步骤201中获得的家具信息作为强化学习算法中的状态空间，将家具的空间位置参数作为强化学习中的动作空间；将房间信息和家具信息代入环境反馈模型而得到的输出值作为强化学习的动作值；

步骤203，对强化学习模型进行训练，根据网络参数更新函数，直至训练完成，得到家具布局模型N；

其中，家具布局强化学习生成步骤包括：

步骤300，获得待布局的房间信息；

步骤301，获得需要布局的家具信息；

步骤302，合并房间和家具信息，作为输入特征，输入家居布局的模型N中；

步骤303，将家具布局模型N的输出特征与房间信息结合，即为房间家具布局方案。

2.根据权利要求1所述的基于分件强化学习技术的家具布局方法，其特征在于，样本数据包括房间信息和家具信息；房间信息包括房间的轮廓坐标和房间的用途；家具信息包括种类、个数、尺寸、旋转角度、缩放比例和位置坐标；评价打分中的评分原则包括：房间功能性家具是否缺失、家具摆放是否合理、房间内饰品是否摆放合理。

3.根据权利要求1所述的基于分件强化学习技术的家具布局方法，其特征在于，在强化学习模型的训练中，按各类家具对布局效果的影响重要性由大至小依次将各类家具信息输入至模型中进行训练；上一类家具信息输入并对模型训练完成后，将上一类家具布局固定，再将下一类家具信息输入至模型中继续训练，直至全部类别的家具输入并训练完成。

4.根据权利要求1所述的基于分件强化学习技术的家具布局方法，其特征在于，在强化学习模型的训练中，家具的空间位置参数是指离散化后的空间坐标、旋转角度和缩放比例。

5.根据权利要求1所述的基于分件强化学习技术的家具布局方法，其特征在于，在家具布局强化学习生成步骤中，按各类家具对布局效果的影响重要性由大至小依次将各类家具信息输入至模型中进行布局优化；上一类家具信息输入并得到优化布局结果后，将上一类家具布局固定，再将下一类家具信息输入至模型中继续布局优化，直至全部类别的家具输入并完成最终的布局优化结果。