01 · RESEARCH VISION
从空间生成到行为智能的统一空间智能框架
实验室不是并列开展三个孤立任务，而是逐步建立一套“空间表示—空间生成—空间交互—行为反馈”的基础模型体系。
核心主线： Space Generation → Controllable 3D Space → Behavior Understanding & Generation → Spatial Intelligence Foundation Model
⌂
建筑空间生成Spatial Grammar→
◇
可控 3D 空间Semantic World Model→
◎
行为理解与生成Behavior Agent→
↻
闭环优化设计Human-Centric Design01
02 · RESEARCH DIRECTION 1
SpaceGen：建筑空间的生成
Learning Spatial Language Models for Generative Architectural Design
研究问题：AI 能否学习建筑空间中的隐含语法，并在给定条件下生成合理、可评价、可优化的建筑平面？
INPUT住宅样本 / 平面图 / 属性数据真实住宅类型、房间、朝向、年代、结构与环境信息
→
REPRESENTATIONSpatial Tokenization房间、邻接、朝向、尺度、流线与类型学 token
→
GENERATIONConditional Plan Generator在面积、家庭结构、朝向与规范条件下生成候选平面
→
FEEDBACKThermal-Humidity Evaluator利用实测与模拟建立热湿性能反馈评价器
→
OUTPUTOptimized Floor Plans空间合理性、性能与可实施性综合筛选
核心贡献
- 将农村住宅的空间规律转化为可学习、可生成的空间语言。
- 在平面生成过程中嵌入热湿性能反馈，而非生成后被动评价。
- 形成面向真实住宅样本、可解释且可约束的建筑生成模型。
生成质量拓扑有效率、规范符合率、空间多样性
性能收益热舒适、湿度风险、能耗代理指标
可解释性token 贡献、约束满足、案例可追溯
关键模块
Plan GraphSpatial TokensConditional TransformerPerformance CriticPareto Selection
◎ 研究重点：空间语言、条件生成与性能反馈
02
03 · RESEARCH DIRECTION 2
3DSpaceAgent：可控的 3D 空间生成
Controllable 3D Spatial Generation with Semantic World Models
研究问题：AI 能否基于语义约束与用户意图，生成、编辑并交互式控制 3D 空间，而不仅仅是生成静态视觉结果？
INTENTUser Intent / Prompt空间用途、对象、关系、风格、性能与人群需求
→
PARSINGScene Parsing对象、区域、关系、可通行性与建筑语义解析
→
WORLD3D Gaussian World Model显式、可渲染、可直接操控的语义 3D 表示
→
GROUNDINGOpen-Vocabulary Grounding & ROI将文本意图定位到具体对象与空间区域
→
EDITINGEditable OperationsAdd / Move / Recolor / Replace / Remove / Relayout
→
OUTPUTControllable 3D Scene可解释、可编辑、可迭代的空间结果
核心贡献
- 从 text-to-3D 升级为 intent-to-spatial-world：理解空间目的，而非只生成视觉外观。
- 在统一 3D 表示中完成 grounding、生成与编辑，减少 2D—3D 反复投影。
- 将对象级编辑扩展到空间关系、建筑布局、可达性与人群需求控制。
N1
Semantic Gaussian Scene
显式语义 3D 表示与快速渲染。
N2
Spatial Relation Grounding
理解 left / between / near / accessible 等关系。
N3
Constraint-Aware Editing
编辑后保持结构合理、碰撞安全与可通行。
N4
Interactive Agent Loop
用户反馈驱动多轮空间修改。
典型能力
空间关系控制对象级编辑布局重组可访问性优化实时交互修改多轮指令修正
◎ 研究重点：语义 3D 表征、空间控制与交互编辑
03
04 · RESEARCH DIRECTION 3
BehaviorSpace：空间内人的行为理解与生成
Human Behavior Understanding and Generation in Intelligent Environments
研究问题：空间不仅是几何结构，更承载人的活动。AI 能否在 3D 空间中理解人的动作、预测行为轨迹，并生成合理的人—空间交互过程？
MULTIMODAL INPUT3D Space + Video / Motion + Language空间语义、人体动作、任务描述与环境状态
→
AGENTPlanner / Executor / Verifier分解复杂行为问题、调用专用模块并验证结果
→
UNDERSTANDBehavior Understanding动作、目标、意图、人与对象交互及使用模式
→
FORECASTTrajectory Forecasting预测下一动作、移动轨迹、停留区域与冲突风险
→
GENERATEBehavior Generation在空间约束和任务条件下生成合理动作序列
→
CLOSE LOOPSpace Redesign Loop用行为反馈反向评价并优化空间设计
核心贡献
- 构建空间条件下的人类行为模型，将动作理解从“人物本身”扩展到“人—物—空间”。
- 联合行为理解、轨迹预测与行为生成，支持多视角、多任务分析。
- 形成“生成空间—模拟行为—发现问题—修改空间”的闭环。
理解动作识别、意图推断、交互问答
预测轨迹误差、下一动作准确率、风险预警
生成物理合理性、空间约束、任务完成率
输出
行为识别轨迹预测空间使用模式风险诊断行为生成行为反馈设计
◎ 研究重点：行为理解、轨迹预测与行为生成
05 · INTEGRATED RESEARCH FRAMEWORK
三大研究方向共同构成 Spatial Intelligence 研究体系
| 研究方向 | 输入 | 核心研究 | 主要输出 | 体系作用 |
|---|---|---|---|---|
| 建筑空间生成 | Plan / Image / Attributes / Climate | Spatial Tokens + Conditional Plan Generation + Performance Feedback | 可约束、可评价、可优化的建筑空间方案 | 建立空间智能的生成基础 |
| 可控 3D 空间生成 | Prompt / 3D Scene / Spatial Constraints | Semantic 3D World Model + Grounding + Controllable Editing | 可解释、可编辑、可交互的三维空间 | 建立空间智能的世界模型与操作能力 |
| 空间行为理解与生成 | 3D Space / Motion / Video / Language | Multimodal Behavior Understanding + Forecasting + Generation | 行为识别、轨迹预测、行为生成与空间反馈 | 建立空间智能的人—空间交互能力 |
Long-term Vision：让 AI 不仅能够生成空间，还能够理解空间结构、控制三维空间，并建模人在空间中的行为，最终形成面向真实建筑环境与具身智能的空间智能方法体系。
06 · RESEARCH BASIS
三大研究方向的现有研究基础
以下内容对应现有项目基础与相关研究，可作为三大方向持续开展科研工作的技术起点。
农村住宅生成与空间 Token真实住宅样本、平面图、属性数据、热湿反馈，以及图像—文本—类型学 token 对齐，为 SpaceGen 提供数据与问题基础。
3DSceneEditor基于 3D Gaussian Splatting 的开放词汇 grounding、ROI 定位与对象添加、移动、重着色、替换和删除，为 3DSpaceAgent 提供 3D-only 编辑范式。
ChatMotionPlanner—Executor—Verifier 与 MotionCore 的多智能体分析框架，为 BehaviorSpace 的多模态行为理解、工具调用和结果验证提供架构基础。