AA DRL优秀作品分享｜AMPHIBISCO：适应性水陆边界系统
作者 / Yiying Wu 编辑／柒杯【如需转载请先联系我们】
编者按：AA DRL（Digital Research Laboratory）作为AA研究生的热门专业，致力于参数化设计的应用和研究，从各个角度尺度来探索建筑和城市。今天分享的项目将水作为一种积极的运输媒介，通过行为设计将水重新带回到城市交通和居民的日常生活中。
AADRL的当前课程大纲（Construct Agency）旨在借由行为设计（Behavior-Based Design）对物理材料和数字模型进行研究，以追求具备适应性，生长性和行为机制的建筑系统；在理论和技术领域中突破当前的局限，讨论未来城市文化、居住生活和工作场景中建筑的广泛定义。Theodore Spyropoulos作为该专业director，他的工作室主题是运用单体机器人的集群行为在不同条件下生成可变的空间构造。针对未来文化这一课题，今年的研究方向在于通过行为设计将建筑定义为可通过发展自我意识(self-awareness)和自我建构（self-construction）而生成的城市设施，为产生新的活动空间和城市文化提供可能。
Unit State Flow Test
系统的单体存在三种不同的变型状态: 分别是原始状态，活动状态和折叠状态。不同状态对应着不同的稳定性，连接能力以及流体应对表现。这些性能将在之后作为制定反馈行为的依据，使单体可以通过状态转换来应对不同条件。
在物理模型上，单体由骨架和可充气表皮两套主要系统组成。它共有20个三角形, 每个面板包含气囊，控制元件以及框架。面板相互间通过软性结点连接。
因为在水中难以实现反复充气，20个气囊采用密闭内循环系统，根据功能分为三组。第一组气囊支持单体变型，第二组装有电磁体的气囊用于实现单体之间的连接和断开。第三组气囊可扩大体积填充单体连接后出现的空隙。在测试了最佳的气囊形状和所有所有元件气密性之后，最终的单体模型重量为2.2公斤，可以承载至少20公斤的重量。
继而我们在单体到线性发展的过程中加入水流模拟测试，从中发现群组生长能力因水流变急受限。不同比例的线性群组在遇到特定的信号的情况下闭合，连接，最终生成网络。 根据先前的策略，在这个系统网络形成后，这样的集群中包含了每个单体信息，为进一步群体重组提供了可依据的本地信息(local information)。
管水母 Siphonophore
基于本地信息进行集群协作的机制可在自然生物体中找到依据，如同在水生环境中的管水母（由多数异形个体集成的群体）。同样，利用每个单元的充气和旋转功能及多个单体间的协作，闭合群组可以实现从0到25％，50％和100％不同比例的支撑面和三维结构。这样的机制可以被应用于任何数量的群组中。
根据这个机制，群组可以调整自身的开合状态选择主动或被动的应对水流，并通过感知人体的重量和实时的信息传递生成水面平台。在平台结构中，随着人数增加和停留时间增长，更多的单体折叠以使结构获得更高的稳固性，最终形成持久的立体景观结构。立体结构同时可以使平台在落潮时可达。这个机制确保系统能对时间，环境和人类进行实时反馈。
在第二个机制中，我们主要运用Machine Learning探讨它的可行性。首要的研究对象是自然界中广泛存在的分散系统（decentralised system）。在分散系统里，单体独立工作，对信息快速反应而不影响集群的其余部分，从而实现极高的适应性。例如蚁群：每只蚂蚁只能感知到周围一定距离的环境信息，却可以在没有中心系统调控的情况下，通过集群协作实现一个高等级的目标。
其次我们对系统中不同尺度的群组在水中的行动能力进行研究。由八个单体组成的最小群组在四个正交方向都具备传感器，因此被当作最佳的导航Agent用于下一步的机器学习。
接下来，我们基于人工智能的子领域Deep Reinforcement Learning，运用游戏引擎Unity中的开源插件ml-agents 0.9模拟神经网络对Agent进行训练。最初，模拟模型中的Agent根据对环境的观察做出随机决策。在此基础上，我们根据目标对Agent的决策制定奖惩机制。此后的训练过程中，Agent会逐渐将决策与奖励联系到一起，并给出更贴近期望的反馈。
基于以上理论，我们根据系统特性将研究分为两个部分：Agent之间的行为，Agent与人之间的行为，并建立逐步递进的行为模型。
行为模型A：连接
Agent根据连接的精确度和次数得到奖励。这样的机制产生了基本的的集群行为，它们不断地接近，触碰，移动。
行为模型B：密集连接
在A的基础上Agent可以选择加入成为结构的某一部分，根据所连接的邻居数量得到奖励。模型中已出现决策差异性。结果趋于形成高结构密度。
行为模型C：目标点间的连接
以红，蓝点为起点的模型。当Agent连接到主体，自身会变为相应颜色。不同颜色的Agent连接到一起时会获得丰厚奖励。
行为模型D：跟随人创造结构
在Agent模型的基础上加入随机移动的人。Agent的任务是识别人，通过改变自身颜色发出识别信号，与其他Agent协同在人周围创造结构。连接数量最多的Agent将获得奖励。
行为模型E: 建立一座桥梁
当两点之间有人的信号持续输时，结构中的单体不断累加，在之间产生持续的连接，便形成了桥（作为一个一定条件下的结果，而非目的）。
在系统具备了基本的行为机制并被验证了可行性之后，我们将其模拟运用到城市场地中。当水岸边的人数增加时，agent感应到信号并开始在这些人流节点处聚集，进而连接形成水岸平台。人进入这个平台结构后，与agent实时交互,相互影响并产生不同的行为结果。他们聚集，分散，漫游，跨越河，扩宽河岸，形成桥。
在伦敦，河流将城市分割成两半。人的活动遵循固有的城市网路，将水岸视为界限。Amphibisco作为一个适应性的水岸设施，模糊了水岸边界的同时为城市提供了水上空间解决方案。借由这个动态框架，人的活动在可达的水域上将不再受限，并可根据时间、空间不断变化。在这个水生网络和人类活动不断相互影响、适应和发展的过程中，城市居民开始积累跟新水岸生活相关的经验，出现群体行为和群体认同。由此，系统与人衍生出的水陆栖居文化也将被带入城市之中。