Landscape Generative Design · Research Note

소공원 동선 자동설계

4,000㎡ 소공원에서 남측 입구 1개와 동측 입구 1개를 폭 2m의 순환형 보행로로 연결한다. 목표는 ‘정답 한 개’를 그리는 것이 아니라, 물리적으로 가능한 동선 설계공간을 자동으로 생성하고 탐색하는 것이다.

이 노트는 관련 논문을 읽으면서 무엇을 그대로 가져올 수 있는지, 무엇은 우리 문제에 맞게 바꿔야 하는지, 그리고 동선 생성기를 전체 공원 자동설계 파이프라인으로 어떻게 확장할지를 정리한다.

site · 4,000㎡entrances · south + east path width · 2mtopology · circulation QD · MAP-Elites

4,000㎡ 소공원의 남측 및 동측 출입구, 폭 2m 순환형 보행동선, 자동설계 처리 흐름과 설계 지표를 정리한 개념도 — **Figure 1.** 소공원 동선 자동설계의 초기 개념 프레임워크. 고정된 부지·출입구·보행폭 조건에서 동선을 생성하고, 기하 검증과 특성 계산을 거쳐 Quality-Diversity 탐색으로 다양한 설계 대안을 보존한다.

1 · 문제 정의와 현재 결론

초기 문제는 의도적으로 단순하게 잡는다. 부지 형상은 먼저 직사각형 또는 실제 필지 polygon으로 입력하고, 출입구는 남측과 동측 경계에 하나씩 둔다. 보행로 폭은 전 구간 2m다. 막다른 가지 없이 두 출입구를 연결하는 순환형 동선을 생성한다.

Fixed

고정 조건

부지 경계, 남측·동측 출입구, 보행로 폭 2m, 순환 연결.

Variable

탐색 대상

길이, 굴곡, 내부면적, 경계와의 거리, 두 경로 사이 간격, 형태의 비대칭성.

Goal

목표

최적안 하나가 아니라 서로 다른 성격의 유효한 대안을 가능한 넓게 수집한다.

Output

출력

벡터 중심선 + 2m buffer polygon + 설계 특성값 + 평가값. 이후 GIS·CAD·BIM으로 연결한다.

현재의 핵심 결론. “이상해 보이는 설계”를 너무 빨리 제거하지 않는다. 물리적으로 불가능하거나 실험에서 정의한 topology를 깨는 경우만 hard constraint로 제거하고, 길고 좁고 많이 휘어진 형태는 가능한 한 descriptor로 기록한다.

동선의 기본 표현

남측 출입구를 S, 동측 출입구를 E라고 하면 가장 단순한 순환형은 S와 E를 잇는 서로 다른 두 경로로 표현할 수 있다.

P_A : S → E
P_B : S → E
Loop = P_A ∪ P_B

초기 구현에서는 각 경로를 B-spline 또는 Bézier 계열 곡선으로 두고 제어점을 유전자로 사용한다. 다른 선택지는 하나의 기준선 R(t)을 만든 뒤 양쪽 offset 함수로 두 경로를 생성하는 것이다.

2 · Hard constraint와 다양성을 분리한다

처음에는 자기교차, 좁은 고리, 긴 동선, 급한 굴곡을 모두 금지조건으로 두는 방안을 검토했다. 그러나 생성설계의 목적이 설계공간 탐색이라면 그렇게 할수록 사람이 이미 익숙한 형태만 남는다.

항목	v0.1 처리	이유
출입구 연결	Hard constraint	문제 정의 자체.
부지 밖으로 이탈	Hard constraint	물리적으로 시공 불가능.
폭 2m buffer가 성립하지 않음	Hard constraint	중심선만 존재하고 실제 보행면이 성립하지 않는 안은 제외.
동선 길이	Descriptor	짧음·김 자체가 설계 유형. 나중에 효율 또는 체류성 평가에 사용.
루프 내부면적	Descriptor	작은 내부공간도 다른 공간구성의 가능성.
곡률·굴곡 복잡도	Descriptor	‘뱀 모양’도 먼저 기록하고 이후 품질 평가에서 다룬다.
두 경로 최소간격	Descriptor + topology 검사	좁은 것은 허용하되 2m 포장면이 합쳐져 연결구조가 바뀌면 별도 분류.
교차	실험 모드에 따라 다름	출입구 외 노드 없음이라는 strict topology에서는 제외. 탐색 범위를 넓히는 실험에서는 교차 횟수 자체를 descriptor로 둔다.

두 가지 실험 모드. Strict-loop는 출입구 외 노드가 없는 단일 loop만 허용한다. Exploratory-loop는 교차와 국부 합류를 허용하고 intersection count와 graph topology를 별도 특성으로 기록한다. 이렇게 하면 “교차는 나쁜가?”를 사전에 결정하지 않고 결과로 비교할 수 있다.

3 · 직접 써먹을 선행연구

Yan et al. (2023) · 정원 길을 파라메트릭하게 생성하고 GA로 최적화

International Journal of Environmental Research and Public Health 20(4), 3158 · DOI 10.3390/ijerph20043158

강남 고전정원의 도로체계를 대상으로 곡률, 각도, 조망 면적 같은 형상 특성을 추출하고 이를 파라메트릭 플랫폼에 옮긴 뒤 유전알고리즘으로 최적화했다. 논문 스스로 courtyard, community park, urban park 등으로의 적용 가능성을 제시한다.

가져올 것 · 보행로를 단순 선이 아니라 곡률·각도·시각경험을 가진 파라메트릭 객체로 표현하는 방식. 우리 v0.1의 spline generator와 가장 직접적으로 연결된다.

논문 DOI

Galanos et al. (2021) · ARCH-Elites

GECCO '21 Companion, pp. 313–314 · DOI 10.1145/3449726.3459490

MAP-Elites를 도시설계에 적용해 Boston의 실제 대상지에서 대규모 도시배치를 탐색했다. 비싼 시뮬레이션 대신 사전학습 surrogate model을 이용해 가능성 공간을 넓게 탐색하는 구조다.

가져올 것 · “최적안 한 장”이 아니라 설계공간을 지도처럼 채우는 것을 연구목적으로 삼는 논리. 동선 길이 × 내부면적 × 곡률 복잡도 같은 descriptor 축을 정의하는 근거가 된다.

논문 DOI

Gaier et al. (2022) · T-DominO

PPSN XVII · DOI 10.1007/978-3-031-14721-0_19

실제 설계문제는 objective, constraint, feature가 뒤섞인다. T-DominO는 QD archive의 다양성을 유지하면서 여러 objective에서 한쪽 성능만 극단적으로 좋은 해보다 균형 잡힌 해를 선호하도록 만든다.

가져올 것 · 나중에 그늘, 탄소, 공사비, 접근성, 시각성 등 평가항목이 늘어날 때 단일 quality score로 억지 합산하지 않고 multi-criteria exploration으로 확장하는 방법.

논문 DOI

Gaier et al. (2024) · TileGPT: QD → 언어모델 → 제약만족

GECCO '24, pp. 823–831 · DOI 10.1145/3638529.3654138

Quality-Diversity 탐색으로 다양하면서 성능이 좋은 설계 데이터셋을 먼저 만든 뒤, 이를 언어모델 학습에 사용하고, 자연어로 생성된 고수준 설계를 Wave Function Collapse 기반 제약만족 단계로 정제한다.

가져올 것 · QD를 단순 최적화가 아니라 미래 생성모델의 학습데이터 제작기로 보는 관점. “잔디마당 크게, 그늘 많게, 산책길 250m” 같은 자연어 조건을 나중에 연결하기 좋다.

논문 DOI

Ren et al. (2025) · Pocket park 식재의 생성 최적화

Urban Forestry & Urban Greening 112, 128993 · DOI 10.1016/j.ufug.2025.128993

20m × 20m pocket park에서 수종별 탄소저장 데이터를 갖춘 식물 DB와 식재 규칙을 파라미터화하고, GA로 biomass·shade·canopy diversity in view 세 목적을 최적화했다. 50개체 × 50세대의 2,500개 해에서 86개의 Pareto 해를 얻고 clustering과 ML로 다시 선별했다.

가져올 것 · 동선 다음 단계인 식재 자동배치 모듈의 거의 직접적인 선행연구. 수목 라이브러리의 수고·수관폭·수종·탄소·그늘 속성을 객체 데이터로 연결하면 된다.

논문 DOI

Zandniapour et al. (2025) · GIS + 3D Isovist + NSGA-II

International Journal of Geoheritage and Parks 13(1), 1–16 · DOI 10.1016/j.ijgeop.2024.08.002

GIS로 대상지를 표현하고 3D Isovist 분석과 constrained NSGA-II를 연결해 공원·공공오픈스페이스 설계를 연속적인 solution space로 탐색했다.

가져올 것 · 생성기를 평가기와 분리하는 구조. 동선 자체가 아니라 동선에서 보이는 공간과 수목·건물의 시각성을 별도 시뮬레이션 모듈로 계산할 수 있다.

논문 DOI

Chen et al. (2025) · 원격탐사 → GAN → Stable Diffusion

Cities 166, 106181 · DOI 10.1016/j.cities.2025.106181

주변 도시환경을 원격탐사로 자동 추출하고, 외부 맥락을 조건으로 GAN이 공원·주거녹지 배치를 생성한 뒤 Stable Diffusion으로 세부와 해상도를 보강하는 full-process generative workflow를 제안한다.

가져올 것 · site context를 자동으로 읽는 앞단. 다만 우리 시스템의 핵심 중간표현은 raster image보다 graph·vector geometry로 두는 것이 BIM·시공 자동화까지 연결하기 쉽다.

논문 DOI

Liu et al. (2025) · Node-mediated landscape layout generation

Landscape Architecture 32(12), 12–23 · DOI 10.3724/j.fjyl.LA20250217

End-to-end 생성모델의 낮은 통제성과 해석가능성을 문제로 보고, semantic·process-level interpretability와 인간 개입을 포함한 다중모델·다중경로 생성 프레임워크를 제안한다.

가져올 것 · 풀트랙 공원설계에서 Lawn, Plaza, Playground, Rest Area, Entrance 같은 프로그램 노드와 관계를 먼저 만들고 geometry를 나중에 생성하는 구조.

논문 DOI

Zhang et al. (2026) · MADDPG 기반 street-corner park 경로계획

Applied Soft Computing 195, 115033 · DOI 10.1016/j.asoc.2026.115033

지형고도, POI, 위치정보를 CNN+MLP로 처리하는 ParkEnv를 만들고 MADDPG 다중에이전트로 공원 동선을 자동 생성했다. 32,462,344 training steps를 수행했고, 결과는 CAD/BIM과 호환 가능한 editable vector path로 출력한다.

가져올 것 · RL이 필요한 시점과 비교기준. 초기에는 spline + QD가 더 단순하지만, 지형·POI·장애물이 복잡해지면 RL path planner를 비교군 또는 후속 모듈로 붙일 수 있다.

논문 DOI

Zhang et al. (2026) · LLM으로 시각경험 요구를 계산가능한 목표로 번역

Building and Environment 296, 114544 · DOI 10.1016/j.buildenv.2026.114544

이용자가 자연어로 표현한 visual perceptual expectation을 LLM이 정량적 trend로 번역하고, point-cloud 기반 visual metric과 다목적 경로 최적화를 연결했다.

가져올 것 · “더 개방적인 길”, “숲속처럼 느껴지는 길” 같은 정성적 설계의도를 objective 또는 target profile로 바꾸는 인터페이스. 풀트랙 시스템의 인간-설계자 입력 계층으로 유용하다.

논문 DOI

선행연구를 합치면 역할이 분명해진다. Yan은 동선의 파라메트릭 생성, ARCH-Elites/T-DominO는 설계공간 탐색, Zhang 2026은 RL 경로계획과 이용자 요구 번역, Ren은 식재, Zandniapour는 성능평가, Liu는 semantic graph, Chen은 외부 맥락 자동입력, TileGPT는 QD 데이터와 언어 인터페이스를 담당한다.

4 · 동선 생성기 v0.1

4.1 최소 구현

01Site polygon

02S / E entrance

03Spline generator

042m buffer check

05Descriptor archive

첫 버전에서는 학습모델이 필요 없다. Python의 geometry stack으로 충분하다. 부지 polygon과 출입구 좌표를 입력하고 두 개의 spline 경로를 만든 뒤, 중심선에 1m buffer를 적용해 실제 2m 보행면 polygon을 만든다. Shapely 계열의 연산으로 경계 포함 여부, 교차, 면적, 길이, 최소거리 등을 계산할 수 있다.

4.2 설계 유전자

경로당 제어점 3~4개에서 시작한다. 제어점 자체를 유전자로 쓰면 하나의 설계안은 대략 다음과 같다.

X = (xA1,yA1, xA2,yA2, xA3,yA3, xA4,yA4,
xB1,yB1, xB2,yB2, xB3,yB3, xB4,yB4)

다른 방식은 하나의 기준선과 양측 offset profile을 유전자로 두는 것이다. 이 방식은 처음부터 두 경로가 비슷한 흐름을 갖게 만들어 유효한 loop가 나올 확률을 높인다.

4.3 계산할 descriptor

기호	의미	용도
L	총 순환 길이	짧은 산책형 ↔ 긴 체류형
A	루프가 둘러싼 내부면적	좁은 고리 ↔ 큰 중앙공간
K	곡률 또는 곡률변화 통계	직선적 ↔ 굴곡이 많은 형태
Dmin	두 경로 사이 최소거리	타이트한 loop ↔ 넓게 벌어진 loop
B	경계와의 평균/최소거리	중앙집중 ↔ 경계추종
I	교차 횟수	strict mode에서는 0, exploratory mode에서는 descriptor
C	compactness / elongation	둥근 형태 ↔ 길쭉한 형태

길이의 경우 절대적으로 “200m 이상 금지”처럼 자르기보다, 입구 S–E 직선거리 D에 대한 비율 L/D와 전체 루프 길이를 기록한다. 이후 실제 이용성·시공비·공간프로그램과 함께 평가한다.

5 · 왜 Quality-Diversity인가

NSGA-II는 좋은 Pareto 해집합을 찾는 데 강하지만, “성능은 비슷하더라도 형태가 전혀 다른 설계”를 의도적으로 넓게 수집하는 것이 주목적은 아니다. 소공원 초기설계에서는 오히려 서로 다른 성격의 대안을 빠르게 보는 것이 중요하다.

MAP-Elites cell example

x-axis = circulation length
y-axis = enclosed area
(optional) feature = curvature complexity

각 cell에는 그 형태 영역에서 가장 성능이 좋은 설계안을 저장

예를 들어 내부면적이 작고 길이가 긴 공원, 내부면적이 크고 동선이 짧은 공원, 굴곡이 많은 경계추종형 공원 등을 동시에 archive에 보존할 수 있다. 이때 ‘좁은 고리’는 실패가 아니라 하나의 cell이 된다.

중요한 구분. descriptor는 “어떤 종류의 설계인가”를 말하고, objective는 “그 종류 안에서 얼마나 좋은가”를 말한다. 둘을 섞지 않는 것이 QD 구조의 핵심이다.

초기 quality는 단순하게

첫 실험부터 미기후·탄소·공사비를 모두 넣지 않는다. 우선 geometry만으로 계산 가능한 품질을 쓴다. 예를 들어 유효 보행면적, 지나친 국부 중첩 여부, 경계위반량, 수치적 곡선 안정성 같은 항목이다. 설계공간 archive가 안정되면 그 위에 성능 evaluator를 붙인다.

6 · 풀트랙 자동 공원설계로 확장

동선 생성은 전체 시스템의 한 모듈이다. 최종 목표는 평면 그림을 자동으로 그리는 것이 아니라, 입력된 부지에서 설계·성능평가·BIM 객체화까지 이어지는 machine-readable workflow다.

01Site / GIS

02Semantic graph

03Geometry

04Simulation

05QD archive

06Program layout

07Planting

08Cost / WBS

09IFC / BIM

10Construction sim.

권장 내부 표현

Diffusion으로 평면 이미지를 바로 생성하면 보기에는 좋지만 좌표, 면적, 연결관계, 물량, IFC 속성을 안정적으로 이어가기 어렵다. 그래서 내부 핵심은 다음 순서를 유지하는 편이 좋다.

Semantic Graph → Vector Geometry → Performance Simulation → QD Search → BIM/IFC

GAN·diffusion·LLM은 이 구조를 대체하기보다 입력과 출력 계층에 둔다. LLM은 자연어 요구조건과 semantic graph 사이를 번역하고, diffusion은 최종 프레젠테이션 이미지를 만드는 식이다.

공원 객체 그래프 예

Nodes = {Entrance, Path, Lawn, Plaza, Playground, RestArea, TreeZone, Facility}
Relations = {Connected, Adjacent, Separated, Visible, Accessible, Contains}

이 구조는 나중에 IFC 4.3 객체, WBS 작업, 시공순서와 연결하기도 쉽다. 즉 동선의 좌표만 생성하는 연구를 넘어 설계 객체와 관계를 끝까지 유지하는 자동화가 된다.

7 · 실험 계획

단계	실험	결과물
v0.1	50×80m 가상부지, 고정 입구 2개, spline random sampling	1만~10만 개 raw circulation
v0.2	2m buffer와 최소 hard constraint 적용	유효/무효 비율, 실패 유형
v0.3	descriptor 계산	L, A, K, Dmin, B, I, C 데이터셋
v0.4	MAP-Elites 적용	설계공간 archive와 coverage 지표
v0.5	NSGA-II / CMA-ES와 비교	quality, diversity, coverage 비교
v0.6	실제 비정형 필지 적용	형상 일반화 성능
v0.7	프로그램·식재·시각성 evaluator 연결	공원 전체 설계안
v1.0	GIS → QD → IFC/WBS export	full-track prototype

비교해야 할 핵심 질문

최소 hard constraint만 사용했을 때 실제로 얼마나 넓은 형태공간이 나타나는가?
교차·좁은 고리·과도한 굴곡을 미리 제거하는 방식과 descriptor로 남기는 방식은 결과 다양성에 어떤 차이를 만드는가?
Random sampling, NSGA-II, CMA-ES, MAP-Elites가 같은 평가예산에서 각각 얼마나 넓고 좋은 설계공간을 발견하는가?
geometry-only archive에 식재·그늘·시각성·공사비 evaluator를 추가했을 때 어떤 형태가 살아남는가?
한 부지에서 만들어진 생성 규칙이 다른 비정형 소공원에도 일반화되는가?

주의. 지금 단계에서 “좋은 공원의 길이는 몇 m다”, “교차는 나쁘다”, “좁은 고리는 나쁘다”를 먼저 답으로 넣으면 알고리즘이 그 편견을 재생산한다. 초기 연구에서는 가능한 설계공간을 먼저 밝히고, 이용성·미기후·비용·전문가 평가를 후단에 붙이는 편이 연구적으로 더 깨끗하다.

8 · 참고문헌

Yan, L., Chen, Y., Zheng, L., Zhang, Y., Liang, X., & Zhu, C. (2023). Intelligent Generation Method and Sustainable Application of Road Systems in Urban Green Spaces: Taking Jiangnan Gardens as an Example. International Journal of Environmental Research and Public Health, 20(4), 3158. doi:10.3390/ijerph20043158
Galanos, T., Liapis, A., Yannakakis, G. N., & König, R. (2021). ARCH-Elites: Quality-Diversity for Urban Design. GECCO '21 Companion, 313–314. doi:10.1145/3449726.3459490
Gaier, A., Stoddart, J., Villaggi, L., & Bentley, P. J. (2022). T-DominO: Exploring Multiple Criteria with Quality-Diversity and the Tournament Dominance Objective. PPSN XVII, 263–277. doi:10.1007/978-3-031-14721-0_19
Gaier, A., Stoddart, J., Villaggi, L., & Sudhakaran, S. (2024). Generative Design through Quality-Diversity Data Synthesis and Language Models. GECCO '24, 823–831. doi:10.1145/3638529.3654138
Ren, T., Zeng, Z., Hao, X., & Zhang, X. (2025). A generative optimization framework for pocket parks supported by mature plant carbon sequestration data. Urban Forestry & Urban Greening, 112, 128993. doi:10.1016/j.ufug.2025.128993
Zandniapour, K., Soroush, A., Khezerlu Agdam, E., & Sanaieian, H. (2025). Integrating GIS, 3D-Isovist, and an NSGA-II multi-objective optimization algorithm for automation of design process in urban parks and public open spaces. International Journal of Geoheritage and Parks, 13(1), 1–16. doi:10.1016/j.ijgeop.2024.08.002
Chen, R. et al. (2025). AI for Landscape Planning: Assessing Surrounding Contextual Impact on GAN-Generated Green Land Layouts. Cities, 166, 106181. doi:10.1016/j.cities.2025.106181
Liu, Y., Ni, B., Ling, X., & Zhao, J. (2025). Research on Node-Mediated Generative Design of Landscape Architecture Layout. Landscape Architecture, 32(12), 12–23. doi:10.3724/j.fjyl.LA20250217
Zhang, Z., Li, Z., Zhang, T., & Wang, M. (2026). Automated path planning method for urban street-corner parks based on multi-agent deep reinforcement learning. Applied Soft Computing, 195, 115033. doi:10.1016/j.asoc.2026.115033
Zhang, X., Cheng, Z., Fan, B., & Zhang, D. (2026). Integrating LLM-based interpretation of visual perceptual expectations into path optimization for urban green space renewal. Building and Environment, 296, 114544. doi:10.1016/j.buildenv.2026.114544