优化 | 当LLM化身室内设计师：Co-Layout用整数规划实现房间与家具的联合优化

来源：市场资讯

（来源：真的是小马啊运筹OR帷幄）

研究发表于AAAI 2026，由中国科学技术大学、清华大学和腾讯联合完成。该研究提出了Co-Layout——一种将大语言模型（LLM）与网格化整数规划相结合的室内布局自动化设计框架，首次实现了房间布局与家具摆放的联合优化，在物理合理性、视觉美学和文本对齐等指标上全面超越现有的两阶段设计方法。

论文标题：Co-Layout: LLM-driven Co-optimization for Interior Layout

项目主页：Project Page — https://xccelephant.github.io/paper/co-layout/

引言：当AI也能像人类设计师一样“通盘考虑”

想象这样一个场景：你想让AI帮你设计一套100平米的公寓。如果像现有方法一样分两步走——先规划房间布局，再往里塞家具——很可能得到的结果是：卧室倒是规划好了，但床放进去后人连门都进不去；客厅大小合适，但沙发一摆，通往阳台的路就被堵死了。

这正是两阶段设计流程的致命缺陷：房间规划和家具摆放被割裂成两个独立的优化问题，先确定的房间格局没有为后续家具预留合理的空间，而后来的家具又无法“回溯”修改房间布局。

经验丰富的室内设计师从来不会这样工作。他们的大脑里，房间和家具是同时涌现的——想到“卧室”的同时，床、衣柜、床头柜的尺寸和位置就已经在脑海中浮现。真正的设计是联合涌现的，而非串行生成的。

来自中国科学技术大学、清华大学和腾讯的研究团队在AAAI 2026上给出了一个优雅的答案：Co-Layout。

该框架的核心洞察包含三个层面：

第一，用LLM做“需求翻译”。用户只需输入一段自然语言描述（如“设计一个带开放式厨房的100平米两居室”），多智能体LLM工作流就能将其转化为结构化的设计约束——包括房间功能、面积需求、家具清单、空间关系等。

第二，用网格化整数规划做“联合优化”。借鉴建筑大师勒·柯布西耶的“模度”（Modulor）概念，将空间离散化为网格，用一套统一的整数规划模型同时决定每个网格单元属于哪个房间、摆放哪件家具。

第三，用粗到精策略做“加速”。先在低分辨率网格上求解简化问题，再将解映射回高分辨率网格作为热启动，大幅提升计算效率。

实验结果表明，Co-Layout在物理合理性（重叠率0%、越界率0%）、视觉美学和文本对齐等指标上全面超越Holodeck和AnyHome等SOTA两阶段方法，用户研究也显示其在语义合理性、布局逻辑性和路径通畅性上均获得最高评分。

背景与痛点：为什么室内设计自动化这么难？

两大子问题，互为因果

室内设计自动化的核心难点在于：房间布局和家具摆放是强耦合的两个子问题。

房间布局决定空间划分：哪些区域是卧室、客厅、厨房，每个房间多大、什么形状

家具摆放决定功能实现：床、沙发、餐桌放在哪里，如何组合

两者的耦合关系是双向的：

房间的尺寸和形状约束了家具的放置（一个3米×3米的卧室放不下1.8米宽的床+衣柜+床头柜）

家具的尺寸和组合需求反过来应影响房间的划分（“需要一个能放得下转角沙发和六人餐桌的客厅”）

现有方法要么先定房间再摆家具（Holodeck、AnyHome），要么仅做房间布局（House-GAN++、Graph2Plan），本质上是将问题“肢解”后再拼凑，其结果往往是局部合理、整体矛盾。

现有表示的局限性

光栅化表示（像素网格）：分辨率受限，难以建模精确的空间关系

向量化表示（多边形顶点）：难以表达走廊连通性、房间可达性等高阶约束

纯文本/图像生成（扩散模型）：缺乏约束满足的显式保证

Co-Layout选择了第三条路：网格化表示+整数规划，在保留空间精度的同时，显式建模所有设计约束。

核心解法：统一网格上的联合优化

第一步：LLM多智能体提取设计约束

用户输入一段自然语言描述，Co-Layout的多智能体LLM系统将其转化为结构化的设计规格：

基本信息分析智能体：提取房屋尺寸、层高、居住者结构等

环境分析智能体：分析气候、朝向、采光等环境因素

空间分析智能体：确定户外区域、入口位置等

房间分析智能体：确定房间列表、面积目标、邻接关系、隐私层级等

家具分析智能体：为每个房间列出必备家具及其尺寸、摆放约束

最终输出是一个结构化的场景图（Scene Graph），包含房间列表RR、家具列表SS以及数十条空间约束。

第二步：网格化整数规划建模

整个空间被离散化为一个W×L的二维网格G，每个网格单元(i,j)被分配一组二进制变量：

房间变量xi,jk：表示单元(i,j)是否属于房间rk

走廊变量pi,j：表示单元是否属于走廊

家具变量fi,jk,l：表示单元是否被房间rkrk中的第ll件家具占据

每件家具sk,l有四个可能的朝向（由两个二进制变量σk,l和μk,l控制）。

关键约束：连通性、可达性、互斥性

Co-Layout的设计亮点在于显式建模了三大核心空间约束：

1. 空间互斥性（Non-Overlapping）：每个网格单元只能属于一个空间元素：

2. 走廊连通性（Corridor Connectivity）：这是Co-Layout相较基线方法的一大优势。通过流网络（Flow-based Formulation），确保走廊和开放式房间形成一个单一连通的网络，从入口可以到达所有空间。具体而言，在每个走廊/开放房间单元上定义流量守恒方程，入口作为流量源，其他单元各消耗1单位流量。

3. 房间可达性（Room Accessibility）：每个房间必须至少有一个“出入口”单元格(i,j)，满足：

属于该房间但未被家具占据

与走廊或开放房间相邻

这三个约束共同保证了最终设计的功能完整性——不会出现“有房间但走不进去”或“走廊断头”的尴尬局面。

目标函数：多层级质量驱动

目标函数

由三组加权惩罚项组成：

几何质量目标：

矩形性Erect：最小化房间包围盒面积与实际面积之差，鼓励规整形状

周长惩罚Eperim：鼓励紧凑形状，减少“触手”状延伸

功能质量目标：

面积匹配Earea：软约束房间面积尽量接近LLM建议的目标面积

长宽比控制Easpect：避免房间过于狭长

隐私排序Epriv：卧室等私密空间距离入口更远

家具布局目标：

相对位置Erel：如“椅子面向桌子”的距离约束

分布平衡Ebal：家具区域中心与房间几何中心对齐

加速策略：粗到精优化

图6（粗到精优化策略示意图）

联合优化的变量规模可达数千个二进制变量，直接求解在精细网格上开销巨大。Co-Layout采用两阶段加速：

粗阶段：在低分辨率网格（如12×10→6×5）上仅优化房间布局（不含家具），快速获得高层次的房间划分方案

粗到精映射：将粗网格的解映射回精细网格，作为房间变量的热启动初始化

细阶段：在精细网格上进行完整的房间+家具联合优化，同时加入一致性惩罚项ErefEref鼓励解接近粗阶段的方案

效果：粗到精策略在高分辨率场景下可将求解时间降低数倍，同时保持相近的解质量。

实验验证：全面超越两阶段基线

对比方法

Holodeck（Yang et al., CVPR 2024）：LLM驱动的3D场景生成，房间→家具两阶段

AnyHome（Fu et al., ECCV 2024）：开放词汇3D家居生成，同样两阶段

量化指标

物理合理性：物体重叠率（OOR↓）、越界率（OOB↓）

视觉美学：Q-Align模型评估的图像质量（IQA↑）和美学评分（IAA↑）

文本对齐：CLIP相似度（CLIP↑）

主要结果

表1（量化评估结果对比表）

方法

OOR↓

OOB↓

IQA↑

IAA↑

CLIP↑

Holodeck

0.82

2.33

4.03

3.32

AnyHome

0.00

0.04

4.10

3.32

Co-Layout（Ours）

0.00

4.17

3.35

Co-Layout在所有指标上均取得最优

物体重叠率为0，越界率为0——这意味着生成的布局在物理上是完全可行的

Holodeck的OOR高达0.82，说明其两阶段流程中家具与房间之间存在大量冲突

定性对比

图4（与Holodeck、AnyHome的定性对比图）

在多个住宅和商业场景中：

Holodeck：布局随机性强，常出现“穿过卧室才能到达客厅”等违反隐私逻辑的设计

AnyHome：房间形状不规整，甚至出现完全不可达的房间

Co-Layout：所有房间通过走廊连通，空间层次清晰，家具摆放规整

用户研究

表2（用户研究结果表）

方法

语义合理性↑

布局逻辑性↑

路径通畅性↑

MRR↑

Holodeck

3.43

3.12

3.06

0.59

AnyHome

3.07

2.59

2.80

0.45

Co-Layout

3.77

3.23

3.41

0.80

64名有效参与者的盲评结果：Co-Layout在所有维度上得分最高

MRR（平均倒数排名）达0.80，显著优于Holodeck的0.59和AnyHome的0.45

消融实验

粗到精策略：在高分辨率网格上可将求解时间降低数倍，且不影响解质量。

关键约束验证：

移除可达性约束：家具堵住房间入口 → 房间不可达

移除走廊连通性约束：走廊断头 → 部分区域不可达

移除联合优化（改为顺序优化）：先定房间再放家具 → 可达性问题重现

三组消融实验共同证明：房间与家具的联合优化以及连通性/可达性约束是Co-Layout成功的核心支柱。

方法论贡献总结

联合优化范式：首次在室内设计中实现房间布局与家具摆放的同时优化，打破了两阶段方法的根本性局限

LLM+IP混合框架：LLM负责“理解需求”，整数规划负责“满足约束”——各取所长

网格化统一表示：将两个子问题映射到同一个离散空间，共享同一套变量和约束体系

显式空间约束建模：走廊连通性、房间可达性等关键约束被直接编码为数学约束，而非依赖数据学习

粗到精加速：在不牺牲解质量的前提下大幅提升计算效率

实践启示：Co-Layout能用在哪儿？

场景

适用性

理由

住宅室内设计（公寓、别墅）

⭐⭐⭐⭐⭐

核心目标场景，所有测试通过

商业空间（咖啡店、诊所）

⭐⭐⭐⭐⭐

实验已覆盖，表现良好

房地产/家装行业的AI辅助设计

⭐⭐⭐⭐⭐

从文本到方案的自动化程度高

虚拟3D场景构建（游戏、影视）

⭐⭐⭐⭐

生成结果可直接导入Blender等工具

需要极精细家具细节

⭐⭐⭐

当前仅支持落地家具，墙挂/桌面物品未覆盖

用户需求高度模糊/矛盾

⭐⭐⭐

LLM可能生成冲突约束，需人工介入

局限与未来方向

当前局限：

仅支持落地家具，墙挂式（如壁灯、装饰画）和桌面物品尚未覆盖

LLM偶尔生成冲突约束（如“床靠墙”+“床不靠墙”同时出现），需人工干预

仅支持单层设计，多楼层/跨层约束未纳入

网格分辨率固定，无法自适应调整

未来方向：

拓展家具类型：墙挂式、层板式、悬挂式家具的建模与约束

冲突约束自修复：让LLM在生成约束后自我检查与矛盾消解

多楼层协同设计：楼梯、电梯、上下层功能耦合的联合优化

交互式设计：用户可在优化过程中“锁定”部分房间或家具，让系统优化其余部分

真实数据集验证：在RPLAN等大规模真实布局数据集上进行量化评估