Towards an automated AI-based framework for floor plan compliance checks for residential buildings

기술 요약: 주거용 건물의 평면도 준수 여부 검사를 위한 자동화된 AI 기반 프레임워크를 향하여

문제 정의
본 논문은 거주자의 웰빙을 개선하기 위한 정부 정책 개혁(예: SEPP 65, BADS, SPP 7.3)에 대한 주거용 아파트 설계 품질 평가의 핵심적인 과제를 다룹니다. 현재의 준수 여부 확인은 인간 전문가가 복잡한 건축 도면(주로 래스터 이미지 또는 PDF)을 텍스트 규정과 대조하여 해석해야 하는 수동적이고 노동 집약적인 과정입니다. 이러한 수동 방식은 확장성 문제를 야기하며, 수천 채의 아파트를 대상으로 하는 대규모 평가를 실무적으로 불가능하게 만듭니다. 또한, 기존의 자동화된 방법들은 파편화되어 있습니다. 이들은 일반적으로 단일 아파트의 의미론적 분석이나 건물 요소 식별에 집중할 뿐, 다세대 평면도를 처리하고, 구조화된 데이터를 추출하며, 규칙 기반의 준수 추론을 동시에 수행할 수 있는 통합된 프레임워크는 갖추지 못하고 있습니다. 다양한 파일 형식, 도면 관례, 그리고 고층 건물의 공유 순환 공간의 존재는 자동화된 해석을 더욱 복잡하게 만듭니다.

방법론
저자들은 컴퓨터 비전, 자연어 처리, 그래프 기반 추론을 통합하는 자동화된 준수 확인을 위한 개념적 프레임워크를 제안합니다. 시스템은 세 가지 주요 엔진으로 구성됩니다:

1. 데이터 추출 엔진 (Data Extraction Engine): 이 모듈은 원시 평면도 이미지(PDF, PNG, JPEG)를 구조화되고 기계가 읽을 수 있는 건물 모델로 변환합니다.

   • 전처리 (Preprocessing): 다중 페이지 PDF를 고해외상 이미지로 변환하고, 특징 가시성을 높이기 위해 향상 기법(노이즈 감소, 샤프닝)을 적용합니다.
   • 고급 텍스트 인식 (OCR+): PaddleOCR 또는 Tesseract와 같은 라이브러리를 사용하여 텍스트 메타데이터(척도, 실 이름, 치수)를 추출합니다. 결정적으로, 픽셀 측정을 실제 세계의 치수로 변환하기 위해 도면의 척도를 복구합니다.
   • 멀티태스크 딥러닝 (Multi-task Deep Learning): 객체 탐지(고정물, 문, 창문), 의미론적 분할(벽, 방), 그리고 중첩된 객체를 구별하기 위한 인스턴스 분할을 위해 합성곱 신경망(CNN)을 활용합니다. 또한 태양광 및 통풍 검사에 필수적인 건물 방위를 분석하기 위해 북향 화살표를 감지하는 컴퓨터 비전 기술을 채택합니다.
   • 구조화된 건물 모델 (Structured Building Model): 추출된 시각적 및 텍스트 데이터를 JSON 기반의 속성 그래프로 변환합니다. 이 그래프에서 공간적 엔티티(방, 발코니)는 노드가 되고, 위상 관계(인접성, 문을 통한 연결성)는 엣지가 됩니다. 이 표현 방식은 기하학적 구조와 위상을 모두 보존하여 효율적인 공간 추론을 가능하게 합니다.

2. 규칙 엔진 (Rule Engine): 이 구성 요소는 자연어 건물 코드를 실행 가능한 기계 판독 가능 규칙으로 변환합니다.

   • LLM(대규모 언어 모델)을 활용하여 규제 텍스트(예: High Life Study, BADS, SEPP 65 등에서 추출)를 파싱하고 이를 구조화된 JSON 객체로 분해합니다.
   • 각 규칙은 특정 속성인 규칙 식별자, 적용 가능성(예: 아파트 유형), 조건, 임계값, 비교 연산자 및 점수 산정 로직(예: 이진 통과/실패 또는 비례 점수 산정)을 가집니다.
   • 이 접근 방식은 수동 규칙 인코딩의 병목 현상을 극복하는 것을 목표로 하며, 시스템을 재설계하는 대신 규칙 세트를 업데이트함으로써 진화하는 정책에 적응할 수 있도록 합니다.

3. 준수 확인 엔진 (Compliance Check Engine): 이 엔진은 구조화된 건물 모델을 인코딩된 규칙에 따라 평가합니다.

   • 추출된 기하학적 및 위상적 데이터(예: 방 면적, 창문 접근성, 순환 경로)를 규칙 엔진에 정의된 임계값과 비교합니다.
   • 엔진은 단순한 수치적 임계값이 아닌 기하학적 이해에 의존하는 규칙들을 처리하기 위해 LLM을 통합하여 맥락적으로 측정값과 공간 관계를 해석합니다.
   • 엔진은 준수 상태, 특정 위반 사항 및 구제 지침을 상세히 기술하는 구조화된 JSON 보고서를 생성하여 의사 결정 과정의 투명성과 추적 가능성을 보장합니다.

주요 기여

1. 격차 식별: 본 논문은 기존 자동화 접근 방식의 한계, 특히 공유 공간이 포함된 다세대 평면도를 처리하는 능력과 시각적 파싱과 규제 추론 간의 통합 결여를 체계적으로 식별합니다.
2. 개념적 프레임워크: 시각적 파싱과 규제 추론 사이의 간극을 메우는 새로운 통합 프레임워크를 제안합니다. 이 프레임워크는 기하학적 추출을 위한 딥러닝과 LLM 기반의 규칙 생성 및 그래프 기반 위상 분석을 독특하게 결합합니다.
3. 확장 가능한 아키텍처: 제안된 모듈형 설계는 데이터 추출, 규칙 인코딩, 평가 프로세스를 분리함으로써 서로 다른 관할 구역 및 진화하는 건물 코드에 대한 적응을 허용합니다.

결과 및 실험적 발견
본 논문은 완전히 구축된 시스템을 대규모 데이터셋으로 테스트하기보다는 프레임워크 구성 요소의 타당성을 평가하기 위한 초기 실험을 제시합니다.

• 데이터 추출: 프레임워크는 방 경계, 가구, 방향을 포착하여 평면도 이미지를 구조화된 JSON 모델로 성공적으로 변환함을 입증했습니다.
• 규칙 인코딩: 실험 결과, LLM이 텍sal 텍스트 설계 표준(예: 최소 내부 면적 요구 사항)을 적절한 임계값과 점수 산정 로직을 가진 구조화된 JSON 규칙으로 효과적으로 변환할 수 있음을 보여주었습니다.
• 준수 확인: 샘ule 케이스 스터디(APT_101)는 2베드룸 아파트의 내부 면적(80.0 m²)을 규제 임서치(70.0 m²)와 비교하여 명확한 "PASS" 결과와 추적 가능한 근거를 생성하는 엔진의 능력을 보여줍니다.
• VLM의 한계: 저자들은 단일 유닛 및 다세대 평면도에 대해 시각 언어 모델(VLM)을 테스트했습니다. VLM은 주석이 달린 단일 유닛 평면도에서는 준수한 성능을 보였으나, 텍스트 라벨이 없는 다세대 평면도에서는 방 개수, 치수, 아파트 유형에 대한 환각(hallucination) 현상을 보이며 크게 어려움을 겪었습니다. 이는 현재의 VLM이 복잡하고 주석이 없는 시나리오에서 정밀한 기하학적 준수 여부를 판단하는 독립적인 도구로서에는 불충분함을 시사합니다.

의의 및 주장
본 논문은 제안된 프레임워크가 자동화된 준수 확인을 위한 확장 가능하고 일관되며 투명한 접근 방식을 제공한다고 주장하며, 이는 "High Life Study"와 같은 대규모 연구를 지원하고 수천 채의 아파트에 대한 설계 표준을 집행하는 데 필수적입니다. 설계 지표의 추출 및 평가를 자동화함으로써, 시스템은 수동 작업량을 줄이고, 재현성을 높이며, 정책 입안자가 설계 품질을 지속적으로 모니터링할 수 있는 능력을 강화하는 것을 목표로 합니다.

저자들은 현재 프레임워크가 개념적 단계임을 인정하며 신중한 입장을 유지합니다. 특히 평면 품질의 다양성, 다양한 스타일의 북향 화살표 감지, 다세대 레이아웃에서의 개별 유닛 분할 등의 측면에서 상당한 과제가 남아 있습니다. 저자들은 낮은 신뢰도의 출력에 대해 "Human-in-the-Loop(인간 참여형)" 검증 단계가 필요하며, 향후 연구는 다세대 평면을 위한 전용 데이터셋 개발과 전문화된 AI 구성 요소 간의 통합을 정교화하는 데 집중해야 한다고 강조합니다. 본 논문은 문제를 완전히 해결했다고 주장하는 것이 아니라, 완전히 자동화된 솔루션을 향한 실행 가능한 아키텍처 경로를 제공하는 것을 목적으로 합니다.