ReLighting Spaces - Addestramento della cognizione all'accesso alla luce diurna in assemblaggi spaziali combinatori tramite Reinforcement Learning

Questa ricerca studia un processo combinatorio per la generazione di assemblaggi spaziali con controllo adattivo su fattori legati al clima, come l'accesso alla luce diurna, attraverso l’uso del Reinforcement Learning (RL). Nella progettazione combinatoria, un insieme finito di parti e regole per il loro accoppiamento e aggregazione, genera assiemi più grandi le cui proprietà a diverse scale di sistema, differiscono da quelle delle parti costituenti. Un ruolo chiave nello stabilire il potenziale per l'emergere di qualità olistiche risiede nella progettazione di parti e regole e nella politica che ne definisce la selezione in relazione agli obiettivi di progettazione. La progettazione combinatoria è definita da Sanchez come un processo aperto, in cui non è possibile ottenere alcun tipo di ottimizzazione. Tuttavia, è possibile operare all'interno di questo contesto per realizzare sistemi le cui proprietà olistiche, legate agli aspetti quantitativi dello spazio architettonico, seguono criteri progettuali predeterminati. Basandosi sul lavoro sperimentato da Makoto Sei Watanabe nella sua serie Induction Cities, questa tesi mira a legare la logica combinatoria con considerazioni topologiche e feedback climatico-ambientali, per la generazione adattativa al contesto di assemblaggi di unità spaziali con controllo sull'accesso alle ore diurne sulle superfici esposte. L'approccio utilizza agenti addestrati tramite RL per adattarsi alle condizioni di illuminazione nel processo di selezione e aggregazione delle parti. Gli agenti spostano e posizionano le parti (voxel) all'interno di uno spazio voxelizzato, con l'obiettivo di garantire la coerenza topologica e un accesso alle ore diurne target sulle superfici esposte nell'assemblaggio finale. Lo studio è implementato accoppiando librerie Python allo stato dell’arte (Stable Baselines 3, Gymnasium) per la parte di RL, e l'ambiente Rhino+Grasshopper per la modellazione, il calcolo del fattore di luce diurna e la visualizzazione.