CANDO: Cooperative Agentic Network for Layout Design Optimization¶

会议: NeurIPS 2026
arXiv: 2610.10044
OpenReview: https://openreview.net/forum?id=NHvR8ej2Fu
代码: https://github.com/shell/cando
领域: LLM Agent
关键词: 布局设计优化, 多智能体协同, 工具验证回环, 块级采样, 真实设施基准

一句话总结¶

针对真实工业设施布局中复杂异构边界与多车通行约束，提出包含1000个真实CAD标注的ALPS-Bench基准，并设计免训练多智能体协同网络CANDO，通过专用角色解耦、确定性工具验证与块级并行分支搜索实现高合规空间布局优化。

研究背景与动机¶

自动化布局生成是生成式AI的重要前沿，在文档设计、海报编排、移动端UI以及室内户型规划等场景中均取得了显著进展。然而，当前布局基准普遍存在两大局限：一方面，现有数据集绝大多数局限于规整的矩形画布或室内轴对齐房间摆放，忽略了真实工程设施中不规则边界、多类功能单元异构朝向以及出入口通达性等严苛约束；另一方面，现有评测策略高度依赖FID、mIoU或图相似度等分布匹配指标，这些指标本质上是在奖励生成结果对训练集先验的拟合，反而惩罚了脱离经验分布但完全合规的创新设计方案。

这一脱节在实际工程资产布局（如综合能源站、物流园区设施排布）中尤为突出。真实设施不仅包含加油岛、充电桩、便利店、多车型停车位及地下设施等14类语义实体，更要求满足刚性包络、实体间无重叠，以及针对乘用车、自行车与大型货车（HGV）在多场景下的无碰撞路径规划。在几何约束与通行流线交织的高维受限解空间中，单一黑盒生成器或单智能体方法在空间几何计算、多约束权衡与长程规划上极易陷入死锁或出现局部破坏，无法兼顾可行性与空间利用率。

本文的切入角度是：将连续空间几何计算彻底剥离给确定性工具，由大语言模型聚焦于高层空间拓扑规划与跨约束冲突仲裁，并通过专业化智能体分工协同与分支探索跳出局部极值。核心 idea：构建包含千例工业CAD级布局的ALPS-Bench基准与实例级评测协议，并提出免训练多智能体框架CANDO，以ICL检索为初始种子，驱动验证者、历史记录者、规划者与生成者在确定性工具反馈下展开块级并行优化。

方法详解¶

整体框架¶

CANDO由两阶段构成：第一阶段为上下文学习初始化（ICL Initializer），利用输入几何与约束特征向量在开发集中检索结构相似范例，并行采样后通过硬约束代理打分选取初始解 \(\mathbf{q}^{(0)}\)；第二阶段为基于验证工具的协同细化回环，由四个具备专门角色的智能体在并行分支上交替执行迭代优化。

在细化阶段中，CANDO借鉴扩散模型块级采样算法CoDe，以 \(N\) 条并行分支展开探索。每个分支在由 \(B\) 步构成的块内串行推进：历史记录者维护滑动窗口内的反馈差分；规划者协调5类专项子工作器制定全局修复方案；生成者依据8种差异化策略扰动候选；验证者调用确定性几何计算与Voronoi路径规划工具量化打分。每跨越一个块（\(B\)步），系统执行一次Best-of-N（BoN）归约操作，选拔最高综合得分分支作为下一阶段的探索基底。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    In["输入需求 ℐ<br/>边界多边形 + 出入口 + 设施列表 + 设计手册"] --> ICL["ICL初始化<br/>特征嵌入检索kNN + 几何硬约束代理初选"]
    ICL --> Branch["并行分支复制<br/>派生 N 条独立探索轨迹"]

    subgraph RefineLoop ["块级协同细化回环 (执行 B 步)"]
        direction TB
        His["历史状态追踪<br/>滑动窗口 W 记录反馈差分与空间动作"] --> Plan["分层规划与冲突仲裁<br/>多模态视觉+坐标分析与5类子规划协调"]
        Plan --> Gen["策略多样化生成集成<br/>8种局部修复/专项突破/宏观重排策略"]
        Gen --> Ver["工具基元确定性验证<br/>计算几何非重叠检测 + Voronoi车辆运动规划"]
        Ver --> His
    end

    Branch --> RefineLoop
    RefineLoop --> BoN["块级Best-of-N归约<br/>依据验证得分挑选全局最优轨迹"]
    BoN --> Decision{"是否达到步数上限 T 或完全合规?"}
    Decision -->|否| Branch
    Decision -->|是| Out["最终优化布局 𝐪*"]

关键设计¶

1. 工具基元确定性验证：解耦数值几何计算与拓扑决策

针对大语言模型在空间坐标运算与多边形交并计算中天然存在的幻觉与精度瓶颈，验证者（Verifier）彻底剥离了黑盒大模型的纯文字判断，完全交由确定性几何算子执行。硬约束几何评分 \(\text{HC}_g\) 精确量化越界与重叠面积；通行流线评分 \(\text{HC}_f\) 则引入广义Voronoi图算法（Generalized Voronoi Graph）实施连续运动规划：先将各类障碍物根据车辆尺寸膨胀安全裕量 \(\epsilon\)，在障碍物轮廓采样生成Voronoi骨架中轴线，再沿最大安全间隙中轴图运行最短路径搜索。对于乘用车、自行车和大型货车分别验证包括入站、进出服务区、停放及出站的完整序列，且严苛排查“禁止倒车出站”（No-Backtracking）规则。验证者为每个候选输出综合得分，并将未通过的受阻实体和违规类别格式化为结构化诊断反馈 \(\mathcal{F}^{(t)}\)。

2. 块级并行分支采样：兼顾多步依赖与局部极值跳出

传统的迭代自反思框架（如Reflexion）多采用单轨贪婪搜索，极易在死锁状态下反复震荡。CANDO将扩散模型的块级采样机制CoDe泛化至智能体网络中。在优化总预算 \(T\) 步内，系统划分周期为 \(B\) 步的计算块。在每个块开始时，系统将当前最佳构型 \(\mathbf{\bar{q}}^{(t)}\) 复制出 \(N\) 个并行探索分支。各分支拥有独立的局部历史上下文，在块内自主连续推进 \(B\) 步细化。单步内若引入微小的次优扰动不会被立即扼杀，使得生成器能够跨越局部势垒（例如先将阻挡通道的设施挪开再重组）。完成 \(B\) 步探索后，执行全局BoN操作，以约束满足得分选取全局最优分支作为下一个计算块的初始种子。

3. 分层规划与多模态冲突仲裁：动静态锚点分级约束机制

当面对包络、重叠、间距、组团与交通流5大类彼此交织的约束冲突时，规划者（Planner）采用“5类专项子工作器+1个全局主管智能体（Supervisor）”的分层结构。主管智能体结合布局坐标数据、几何工具反馈、历史干预轨迹以及通过轻量绘图工具渲染的布局俯视渲染图进行多模态空间感知。核心设计引入了迭代感知锚点机制（Iteration-Aware Anchors）：在迭代初期（0-3轮），将占地面积大且作为其他设施依赖基底的建筑（如便利店大楼）定义为Tier 1一级锚点，给予其最高移动优先级以确立全局主干；将多实例功能阵列（如加油车道、充电桩组）定义为Tier 2二级锚点，在0-5轮内自由聚类与排布；而在后期（稳定阶段），锚点元素强制进入“近不可移动”状态，外围设施必须围绕已稳定的锚点微调，防止震荡性重构导致前序优化成果瓦解。

4. 策略多样化生成集成：动态分配解空间探索算子

生成者（Generator）负责将规划者的动作指令转化为新的几何构型参数。为了防止模型单一倾向导致动作模式固化，生成者配备了由8种不同指导粒度构成的策略库： - 保守修复（conservative）：严格依循完整规划，施加微幅位移； - 精准点杀（surgical）：只针对关键冲突点执行单实体精准变换； - 硬约束专项（hard-constraints focused）：仅消化越界与重叠冲突； - 组团专项（compositionality focused）：聚焦阵列规整度与组团距离； - 间隙专项（proximity focused）：专攻缓冲带与出车空隙； - 激进重构（aggressive）/ 宏观重组（macro spatial）/ 空间利用优化（space utilization）：不输入规划者指令，进行无约束或块级大幅位置置换，充当逃逸局部最优的突变算子。

一个完整示例¶

以一个包含 \(2800\,\text{m}^2\) 不规则场地、1座便利店、4座加油岛、2座重型车加油位、12个标准车位及地下罐区的实际场景为例： 1. 初始化：ICL Initializer 检索出2个相似多边形拓扑案例，采样10个初解，代理打分函数 \(\sigma(\mathbf{q})\) 选出得分0.82的构型 \(\mathbf{q}^{(0)}\)（无严重越界，但2座加油岛间距偏窄，且阻挡了货车直通流线）。 2. 块级展开（\(N=4, B=5\)）： - 分支1采用保守策略微调间距，但未能解决货车流线受阻； - 分支2在第2步被主管规划者判定便利店为Tier 1锚点，触发早期优先移动，将其向北侧边界贴靠平移 \(4.5\,\text{m}\)，虽然该步使流线得分短暂下跌，但为南侧腾出大片连续回转通道； - 第4步，分支2的专项生成器执行加油岛 \(2\times 2\) 规整阵列重构，Voronoi工具判定中轴线通行净宽恢复至 \(4.2\,\text{m}\)，通过全部3类车型无碰撞通行核验。 3. BoN归约：在第5步，分支2以 \(\text{CS}=0.91, \text{RE}=0.48\) 在4条分支中胜出，成为第2个块的全局新起点，随后在微调轮次中锁定锚点并完成车位堆叠排布。

实验关键数据¶

主实验¶

在 ALPS-Bench 测试集（100例完全扣留真值的人工CAD标注工业布局）上，评估各方法在综合得分（AGG）、约束满足度（CS）、流线效率（RE）、平均合规迭代数以及合规率（Compliance %）上的表现。基准包含针对该任务微调的多模态模型 Qwen-LoRA-ALPS、坐标扩散模型 LayoutDM、先进提示模型 LayoutPrompter/LayoutCoT 以及配备完整工具包的单智能体强基线（Single-Agent GPT-5.2）。

方法	模型范式	步数 \(T\)	AGG ↑	CS ↑	RE ↑	合规步数	时间复杂度	合规率 (%)
Qwen-LoRA-ALPS†	单MLLM微调	1	\(0.07 \pm 0.12\)	\(0.01 \pm 0.08\)	\(0.13 \pm 0.22\)	–	\(1\,\tau\)	–
LayoutDM†	扩散模型	–	\(0.13 \pm 0.13\)	\(0.01 \pm 0.03\)	\(0.24 \pm 0.25\)	–	–	–
LayoutPrompter (GPT-5.2)	提示生成	1	\(0.17 \pm 0.11\)	\(0.01 \pm 0.06\)	\(0.33 \pm 0.21\)	–	\(1\,\tau\)	–
LayoutCoT (GPT-5.2)	思维链	4	\(0.19 \pm 0.20\)	\(0.13 \pm 0.24\)	\(0.25 \pm 0.24\)	–	\(4\,\tau\)	–
Single-Agent (GPT-5.2)	单智能体+工具	200	\(0.40 \pm 0.27\)	\(0.47 \pm 0.37\)	\(0.32 \pm 0.22\)	80.6	\(80.6\,\tau\)	22.4
CANDO (BoN / GPT-5.2)	多智能体协同	20	\(0.59 \pm 0.25\)	\(0.77 \pm 0.36\)	\(0.41 \pm 0.17\)	8.55	\(34.2\,\tau\)	60.6
CANDO (CoDe / GPT-5.2)	多智能体协同	20	\(0.60 \pm 0.25\)	\(0.78 \pm 0.35\)	\(0.42 \pm 0.17\)	8.81	\(35.24\,\tau\)	63.6
CANDO (CoDe / Qwen3.6)	多智能体协同	20	\(\mathbf{0.62 \pm 0.19}\)	\(\mathbf{0.83 \pm 0.25}\)	\(\mathbf{0.41 \pm 0.16}\)	\(\mathbf{5.09}\)	\(\mathbf{20.36\,\tau}\)	\(\mathbf{74.0}\)

注：†表示在ALPS-Bench上进行过显式训练/微调；\(\tau\) 为单次LLM调用的基准复杂度。

在标准公开基准 PubLayNet 与 RICO 的通用布局生成（类型约束 Gen-T、类型与尺寸约束 Gen-TS）评测中，简化版 CANDO 亦刷新了关键几何对齐与重叠指标：

数据集	任务	方法	mIoU ↑	Align ↓	Overlap ↓	FID ↓
PubLayNet	Gen-T	LayoutFormer++	0.348	0.020	0.008	8.411
		LayoutCoT	0.772	0.000	0.002	1.227
		CANDO (ours)	0.893	0.000	0.000	3.455
	Gen-TS	LayoutFormer++	0.471	0.024	0.037	0.720
		LayoutCoT	0.847	0.000	0.004	1.430
		CANDO (ours)	0.881	0.000	0.000	2.023
RICO	Gen-T	LayoutFormer++	0.432	0.230	0.530	1.096
		LayoutCoT	0.719	0.001	0.022	2.189
		CANDO (ours)	0.866	0.000	0.005	2.101
	Gen-TS	LayoutFormer++	0.620	0.202	0.542	0.757
		LayoutCoT	0.795	0.000	0.031	3.506
		CANDO (ours)	0.879	0.000	0.052	1.371

消融实验¶

在 ALPS-Bench 测试集上对 CANDO 各核心组件进行逐项剔除消融，回归率（Regression Rate）指细化操作后使得验证得分反而发生下降的迭代比例：

配置	AGG ↑	CS ↑	RE ↑	验证合规率 (%)	平均步数	回归率 (%)	说明
CANDO (full)	0.62	0.83	0.41	74%	13.28	7.0%	完整模型
w/o CoDe (单轨探索)	0.35	0.38	0.32	44%	16.75	6.3%	陷入局部死锁无法逃逸，CS暴跌45%
w/o Tool-grounded Verifier	0.27	0.28	0.25	95%*	4.63	19.6%	仅LLM裁判，出现严重幻觉误判（*虚假合规）
w/o Strategies (单一修复)	0.61	0.80	0.42	53%	14.60	18.4%	缺乏多样性突变，回归率剧增至18.4%
w/o ICL (随机/朴素初始)	0.57	0.75	0.40	53%	14.39	5.8%	初始种子质差导致后续调整步数增加
w/o Planner (直连反馈)	0.62	0.82	0.43	51%	14.63	6.7%	缺乏全局仲裁，多约束联合合规率降至51%
w/o Historian (无反馈差分)	0.61	0.80	0.42	59%	13.35	6.7%	丢失时序记忆致使合规率下降15%
w/o Visual Rendering	0.61	0.80	0.42	61%	13.35	7.3%	缺失俯视渲染图全局感知能力

关键发现¶

工具接管验证是避免LLM幻觉的生命线：当剔除确定性验证工具（w/o Tool-grounded Verifier）转而依赖LLM-as-a-Judge时，LLM给出了高达 95% 的虚假合规率且在4.63步过早退出，但实际在独立评测器下真实 CS 仅有 0.28，真实回归率高达 19.6%。这强有力证明了LLM无法准确感知空间连续重叠与多边形包络。
并行块级探索是打破死锁的关键：移除CoDe并行分支机制后，单轨探索的合规率从 74% 骤降至 44%，证明高约束空间优化必须预留多路径并行试错预算，单步回溯极易受阻于局部极小值。
轻量开源基座表现比肩乃至超越超大商业模型：在配备工具与协同网络后，Qwen3.6-35B-A3B-FP8 凭借更高的单步响应效率与极具针对性的指令遵循，实现了 74.0% 的合规率，超越了 GPT-5.2 的 63.6%，且达到合规所需的平均调用复杂度降至 \(20.36\,\tau\)。
分布拟合指标（FID）与真实几何合规性的权衡：在通用基准中，CANDO取得了最高mIoU和近乎零重叠/完美对齐，但FID不如LayoutFormer++等直接拟合训练集分布的模型。这凸显了现有生成式评测的固有弊端——以经验分布为中心的指标天然惩罚结构新颖、紧凑对齐的创新布局。

亮点与洞察¶

空间认知边界划分极清晰：将大模型定位于“高维拓扑推理者、多模态冲突仲裁者与修复调度者”，而把包络判断、多边形求交与Voronoi运动规划交给底层确定性工具。彻底规避了LLM在空间连续实数坐标运算中的致命短板。
动态生命周期锚点机制极具工业迁移价值：在复杂装配与平面规划中，不同实体的物理约束权重天然不对等。早期将主建筑作为自由移动的Tier 1锚点确立全局骨架，中后期将其冻结以稳定从属组件（车位、管道、绿化），显著抑制了多智能体系统中多变量同频振荡的病态行为。
从单一黑盒微调转向免训练可验证搜索：即便对大模型进行任务专有微调（如Qwen-LoRA-ALPS）或训练专用扩散模型（LayoutDM），单步前馈依然无法攻克几何包络与交通流线两大致命硬约束；而依靠免训练的多智能体反馈闭环，仅用20步预算即可获得跨越式的合规跃升。

局限与展望¶

领域先验与设计手册的定制成本：ALPS-Bench目前围绕室外工业及服务站点构建，若要将CANDO迁移至综合医院、数据中心或物流集散中心等新场景，必须由领域专家重新形式化编写包含硬/软约束与通行流线的设计手册及确定性评估算子。
并行分支探索的计算与显存开销：采用 \(N=4\) 条并行探索分支、步长 \(B=10\) 及多样化策略集成带来了显著的并行LLM调用负担，在算力严苛或无法多卡高并发的环境下推理延迟较高。
面向3D立体设施布局的扩展：当前算法集中于2D平面刚体排布与地面通行。针对多层立体设施、空间管道管廊避让以及三维净空限制的布局优化仍需拓展3D几何引擎与立体空间运动规划。

评分¶

新颖性: ⭐⭐⭐⭐⭐ [首创针对复杂工程设施多边形与通行流线约束的免训练多智能体布局优化架构]
实验充分度: ⭐⭐⭐⭐⭐ [构建1000例工业CAD真实基准ALPS-Bench，且在PubLayNet、RICO、PKU三大通用数据集上全面刷新对齐与重叠SOTA]
写作质量: ⭐⭐⭐⭐⭐ [数学形式化定义严谨，算法伪代码与Prompt细节详实，分析深刻透彻]
价值: ⭐⭐⭐⭐⭐ [为工程设计、工业厂区规划以及智能体在物理几何约束求解任务中的协同机制树立了典范]