SpaceMaker 3D 공간 모델링과 AI 학습 데이터 생성

도면의 선과 문자를 활용 가능한 공간 정보로 바꾸는 작업

기존 건물의 공간을 디지털트윈이나 3D 검토 환경으로 옮길 때, 출발 자료는 평면도 이미지나 CAD 도면인 경우가 많습니다. 사람은 도면을 보면서 벽과 문, 교실과 복도, 사무실과 회의실을 구분하지만, 컴퓨터가 이 정보를 활용하려면 각각의 요소를 객체와 속성으로 정리해야 합니다. 벽은 위치와 두께를 가진 요소가 되어야 하고, 문과 창은 어느 벽에 설치되어 있는지 연결되어야 합니다. 실은 경계와 이름, 용도, 면적을 가진 공간으로 구분되어야 합니다.

이 과정에는 도면의 실제 치수를 맞추고, 벽의 연결 관계를 정리하며, 누락된 개구부와 공간 정보를 보완하는 작업이 필요합니다. 이미지가 흐리거나 선이 겹쳐 있으면 벽 후보를 잘못 판단할 수 있고, 벽 끝점이 연결되지 않으면 하나의 방을 닫힌 공간으로 인식하기 어려울 수 있습니다. 따라서 도면을 모델로 옮기는 작업에는 자동 처리 결과를 검토하고 수정하는 단계가 함께 필요합니다.

SpaceMaker의 도면 기반 작업은 이러한 문제를 다룹니다. 도면을 작업 화면의 기준으로 불러오고 실제 치수에 맞춘 뒤, 가이드라인과 벽 객체를 구성합니다. 이후 벽의 접합부와 공간 경계를 정리하고 문·창·실의 정보를 보완해, 화면에서 확인하고 다시 편집할 수 있는 모델로 발전시킵니다

 

시스템 구조

도면 입력과 공간 조건 입력이 공통 모델로 이어지는 구조

공식 기능을 기준으로 보면 SpaceMaker의 작업 흐름은 입력, 공간 모델 생성·편집, 검토, 결과 출력으로 이어집니다. 입력 방식은 크게 두 가지입니다. 하나는 기존 도면을 기준으로 모델을 구성하는 방식이고, 다른 하나는 실의 종류와 면적 등 설계 조건을 바탕으로 배치안을 생성하는 방식입니다.

도면을 사용하는 경우에는 Plan Underlay에서 평면도 이미지를 불러오고 축척을 맞춥니다. 이 이미지 위에서 벽을 구성할 가이드라인을 작성하거나 검출 결과를 정리합니다. 공간 조건을 사용하는 경우에는 Shape에서 배치할 영역과 필요한 실 구성을 정하고, 생성된 대안을 선택합니다. 선택한 배치안은 Compose를 통해 벽·문·창·실로 변환됩니다. 두 경로에서 만들어진 객체는 이후 같은 모델링 도구로 편집할 수 있습니다.

도면과 공간 조건이 공통 공간 모델로 이어지고, 검토·파일 출력·학습 데이터 생성으로 활용되는 흐름입니다. 공식 매뉴얼을 바탕으로 재구성한 기능 구성도입니다.

객체와 공간 관계를 함께 관리하는 모델

공간 모델의 중심에는 벽·문·창·실·층과 같은 객체가 있습니다. 벽의 위치와 연결 상태는 실의 경계를 결정하고, 문과 창은 벽에 연결된 개구부로 관리됩니다. 실에는 이름과 용도, 면적 등의 정보를 부여할 수 있으며, 층별로 모델을 구성하거나 표시 범위를 바꾸어 확인할 수 있습니다.

이러한 구조에서는 평면에서 작성한 공간을 3D 화면에서 확인하고, 필요에 따라 객체를 다시 편집할 수 있습니다. 계단이나 지붕, 가구 등의 요소를 추가해 모델의 내용을 보완하는 것도 가능합니다. 사용자는 전체 건물을 살펴보면서 공간의 배치를 확인하거나, 특정 층과 요소를 중심으로 작업할 수 있습니다

목적에 따라 나뉘는 결과물

작업 결과는 사용 목적에 맞는 형식으로 저장하거나 내보냅니다. .smp는 작업을 이어가기 위한 프로젝트 파일이고, GLB는 3D 형상을 다른 뷰어나 도구에서 확인하는 데 활용합니다.

Gongvue JSON은 해당 서비스의 스키마에 맞춘 공간 정보 교환에 사용됩니다. 학습 데이터 생성 과정에서는 점군을 담은 PLY 또는 NPZ, 그리고 건축 요소와 공간을 담은 IFC가 함께 출력됩니다.

이처럼 결과물의 역할을 나누면 같은 공간 모델을 재편집, 시각적 검토, 정보 교환, AI 학습 준비에 각각 활용할 수 있습니다. 외부 시스템에 전달할 때에는 필요한 형상과 속성이 어떤 파일에 들어 있는지 확인하고, 해당 시스템의 입력 요구에 맞춰 사용하는 과정이 필요합니다.

자동 처리와 AI가 담당하는 역할

SpaceMaker의 자동 처리에는 영상 처리, 기하 계산, 규칙 기반 배치가 포함됩니다. 공식 매뉴얼의 벽 검출 기능은 도면 이미지의 밝기와 선 분포를 분석해 가이드라인 후보를 찾고, 불필요한 선분과 중복을 정리하는 방식으로 설명됩니다. 벽 교차점을 정리하거나 닫힌 영역을 찾아 실을 만드는 과정도 공간의 기하 관계를 계산하는 작업입니다.

OCR은 도면에 적힌 실 이름 등의 문자 입력을 보조합니다. AI 연구와 직접 연결되는 부분은 공간 사례를 조합해 라벨 점군과 대응 IFC를 만드는 데이터 생성 기능입니다. 이 기능은 학습에 필요한 자료를 준비하며, AI 모델의 학습과 성능 평가는 그 이후의 별도 과정으로 이어집니다

동작 설명

도면을 불러오고 실제 치수에 맞춥니다

기존 평면도가 있다면 먼저 이미지를 작업 화면에 불러옵니다. PNG나 JPG로 준비한 도면을 사용할 수 있으며, 스캔한 도면이나 CAD 화면을 이미지로 만든 자료도 작업 기준으로 활용할 수 있습니다. 이후 길이를 알고 있는 구간의 두 점을 지정하고 실제 길이를 입력해 이미지의 축척을 맞춥니다.

예를 들어 도면에 5m로 표시된 벽 구간을 기준으로 지정하면, 그 구간을 바탕으로 이미지와 실제 모델 치수의 관계를 설정할 수 있습니다. 이 단계가 맞아야 이후에 작성하는 벽의 길이와 실의 면적을 올바른 기준에서 다룰 수 있습니다. 이미지의 위치와 투명도도 조정해 도면과 모델을 겹쳐 보면서 작업합니다.

가이드라인을 벽으로 변환하고 실과 개구부를 구성합니다

축척을 맞춘 도면 위에 수평·수직·사선 가이드라인을 작성하거나, 자동 검출로 얻은 벽 후보를 확인합니다. 가이드라인은 벽을 만들기 위한 기준선이므로, 도면의 문자나 치수선 등 불필요한 부분이 포함되었다면 정리해야 합니다. 벽이 빠진 부분에는 선을 추가하고, 교차점 사이의 불필요한 선분은 제거합니다.

정리한 가이드라인을 벽으로 변환한 뒤에는 벽의 접합부와 끝점을 확인합니다. 서로 만나는 벽이 적절하게 연결되면 닫힌 영역을 실로 구성할 수 있습니다. 학교 평면도를 예로 들면 교실과 복도를 나누는 벽을 정리하고, 각각의 경계를 공간으로 만든 뒤 실 이름과 용도를 부여하는 방식입니다. 벽 끝점에 틈이 있으면 기대한 공간이 만들어지지 않을 수 있으므로 원본 도면과 비교해 보완합니다.

문과 창은 벽에 배치하고 위치와 크기 등을 조정합니다. 이후 3D 화면으로 전환해 벽과 개구부가 의도한 위치에 구성되었는지, 평면에서 놓친 연결부나 누락 요소가 있는지 확인합니다.

필요한 실의 조건에서 새로운 배치안을 만듭니다

기존 도면이 없는 경우에는 Shape에서 공간을 배치할 영역을 정하고 필요한 실의 조건을 입력할 수 있습니다. 예를 들어 사무실과 회의실, 로비가 필요한 계획이라면 각 실의 개수와 목표 면적을 설정하고, 서로 가까이 두어야 할 공간의 관계를 반영합니다.

시스템은 입력 조건에 따른 배치 대안을 생성하고, 면적 적합도나 실 간 인접 관계 등의 기준으로 비교할 수 있도록 제공합니다. 사용자는 대안을 살펴본 뒤 하나를 선택하고, 필요한 부분의 형상과 경계를 조정합니다. 선택한 안을 Compose로 넘기면 공간 외곽과 공유 경계를 벽으로 변환하고, 규칙에 따라 문과 창을 배치해 3D로 확인할 수 있습니다.

이 과정에서는 조건을 바꾸어 배치안을 다시 만들거나, 선택한 결과를 직접 편집하는 방식으로 계획을 발전시킵니다. 자동으로 생성된 안은 검토의 출발점이며, 실제 설계 요구와 사용 동선을 확인하면서 구체화하게 됩니다.

그리드와 층 정보를 바탕으로 기둥과 보를 구성합니다

Structure에서는 그리드 간격과 층 구성을 정하고, 이를 기준으로 기둥과 보 등의 부재를 구성합니다. 그리드는 부재를 놓을 기준이 되므로 간격과 선의 수를 바꾸어 건물의 기본 구성을 조정할 수 있습니다. 제공된 시연은 이러한 부재 구성에 이어 커튼월을 추가하고 건물의 형상을 살펴보는 과정을 설명합니다.

SpaceMaker에서 직접 캡처한 그리드 간격 입력과 미리보기 화면입니다.

건물 내부를 확인할 때에는 절단면을 이동하면서 외부에서 가려진 부재와 층 구성을 살펴봅니다. 이 기능은 부재의 형상과 배치를 검토하는 데 사용하며, 하중 계산이나 구조 안전성 판단은 별도의 해석과 검토가 필요한 업무입니다.

방과 층의 조건을 조합해 학습용 공간 사례를 생성합니다

Room Data Set은 방 하나를 대상으로 다양한 공간 사례를 생성합니다. 건물과 실의 유형을 선택하고, 방의 형상과 문·창의 조합, 가구 배치 조건을 바꾸는 방식입니다. 같은 침실이라도 방의 비율이나 문과 창의 개수·위치, 가구 구성이 달라지면 서로 다른 사례가 됩니다.

Floor Plan Data Set은 여러 실이 연결된 한 층을 대상으로 합니다. 실 구성과 배치 영역의 비율·형태, 배치안과 가구 배치를 조합해 층 단위의 모델을 만듭니다. 방 단위 데이터는 벽·문·창·가구 등의 요소 인식에, 층 단위 데이터는 공간 분할과 방의 경계, 문으로 연결된 공간 관계를 연구하는 데 활용할 수 있습니다.

생성할 사례의 수는 이러한 조건의 조합에 따라 증가합니다. 특정 유형만 지나치게 많아지지 않도록 건물 유형과 실 유형별 생성 수를 조정하고, 연구에서 필요한 조합이 충분히 포함되었는지 확인하는 것이 중요합니다.

같은 공간에서 점군과 IFC를 함께 출력합니다

학습 데이터 생성의 핵심은 같은 공간 모델을 기준으로 점군과 정답 모델을 함께 만든다는 점입니다. 공간 모델의 표면에서 점을 생성하고 각 점에 요소의 종류와 객체·실의 식별정보를 연결합니다. 이 점군은 PLY 또는 NPZ로 출력되어 학습 입력과 라벨 자료로 활용됩니다

대응 IFC에는 동일한 공간의 벽·문·창·슬래브·실 등의 건축 객체가 담깁니다. 연구자는 점군의 특정 부분이 어떤 건축 요소에 해당하는지, 복원해야 할 공간 구조가 무엇인지 연결해 다룰 수 있습니다. 별도로 생성하는 GLB는 사람이 모델의 형상을 열어 보고 확인하기 위한 결과물입니다.

생성 조건과 객체 목록 등의 정보도 JSON과 CSV로 함께 제공합니다. 개구부가 어느 벽의 어디에 있는지, 공간 경계가 어느 실에 접하는지 등의 자료는 개별 사례의 구성을 확인하고 데이터 처리 과정에서 활용할 수 있습니다.

하나의 합성 공간 모델에서 라벨 점군과 대응 IFC를 함께 생성하는 흐름입니다. GLB는 사람이 형상을 검수하는 데 사용합니다.

실제 스캔과 비슷한 조건을 고려하기 위해 가상 스캔 위치와 가시성, 스캐너가 볼 수 없는 면의 제거, 잡물 조건도 설정할 수 있습니다. 예를 들어 가구나 잡물에 가려진 벽은 한 위치에서 전체가 관측되지 않을 수 있습니다. 이런 조건을 데이터에 반영하면 깨끗한 공간 표면만으로 구성한 사례보다 다양한 관측 상황을 준비할 수 있습니다. 이 데이터셋에서 점군으로 분류한 클러터는 점군에 포함하고 IFC에서는 제외하여, 복원 대상 건축 요소와 구분하도록 구성합니다.
생성이 끝나면 썸네일로 모델을 살펴보고, 유형별 수량과 실 면적·가구 수 등의 분포를 확인합니다. 개별 모델의 점군·IFC·메시를 함께 확인하는 검수 기능도 동작합니다.

소프트웨어의 장점

기존 자료를 공간 모델의 출발점으로 활용합니다

SpaceMaker는 기존 평면도를 작업 기준으로 사용하면서 벽과 실을 구성할 수 있도록 합니다. 도면을 화면에 겹쳐 놓고 실제 치수를 맞추므로, 원본과 작성 중인 모델의 관계를 확인하며 작업할 수 있습니다. 이는 기존 건물의 공간 정보를 정리하거나 디지털트윈에 사용할 기초 모델을 마련하는 업무에서 활용할 수 있는 방식입니다.

반복 작업을 자동 처리하고 결과를 직접 보완합니다

도면에서 벽 후보를 찾고, 선분과 접합부를 정리하며, 닫힌 영역을 공간으로 만드는 작업은 반복적으로 수행됩니다. SpaceMaker는 이런 과정을 도구로 제공하고, 사용자가 생성 결과를 직접 편집할 수 있도록 연결합니다. 자동 배치안 역시 선택 후 벽과 문·창으로 변환하고 모델링 도구로 조정할 수 있습니다.

이 방식의 장점은 자동 처리와 검토가 하나의 작업 흐름 안에서 이어진다는 점입니다. 입력 도면의 품질이나 공간 조건에 따라 달라지는 결과를 확인하고, 필요한 부분을 수정하면서 모델의 완성도를 높일 수 있습니다.

평면 계획과 입체 검토를 연결합니다

평면도에서는 실의 배치와 경계를 중심으로 검토하고, 3D 화면에서는 벽과 개구부, 부재의 입체적 구성을 확인할 수 있습니다. 절단면을 사용하면 내부에 가려진 요소도 살펴볼 수 있습니다. 계획안을 검토하는 사람은 같은 공간을 여러 관점에서 확인하면서 모델의 구성과 수정 사항을 이해할 수 있습니다.

AI Labs 관점에서 주목할 부분은 공간 모델링 결과가 학습 데이터 제작으로 이어진다는 점입니다. 방의 형상과 개구부, 가구 배치를 바꾸어 공간 사례를 만들고, 각 사례에 대응하는 점군과 IFC를 함께 준비할 수 있습니다. 연구자는 필요한 실 유형이나 공간 관계를 중심으로 데이터 범위를 정하고, 생성 조건을 추적하면서 사례를 검토할 수 있습니다.

이러한 합성 데이터는 실제 스캔 데이터를 확보하기 전 초기 실험을 준비하거나, 특정 공간 조건에 대한 사례를 보완하는 데 활용할 수 있습니다. 실제 적용 성능을 확인하려면 현장 스캔 자료와의 차이를 고려한 학습과 평가가 필요합니다. 데이터 생성량이나 형상 다양성만으로 AI의 복원 정확도를 판단할 수는 없습니다.

결과물을 목적에 맞게 이어서 활용합니다

작성한 공간은 프로젝트로 저장해 다시 편집하고, 3D 형상은 GLB로 확인하며, 공간 정보와 학습 자료는 각각의 출력 형식으로 전달할 수 있습니다. 모델 작성부터 검토와 데이터 준비까지 연결된 결과물을 확보한다는 점이 활용상의 장점입니다

SpaceMaker는 기존 도면에서 공간의 구조를 정리하는 작업과, 여러 공간 조건을 조합해 AI 학습 사례를 만드는 작업을 함께 다룹니다. 건물의 공간을 편집 가능한 모델로 구성하고, 그 모델을 검토와 데이터 제작에 활용하려는 업무에서 살펴볼 수 있는 도구입니다.