CityEngine快速生成三维场景：从规则建模到自动化流程的深度解析

1次阅读

共计 2869 个字符，预计需要花费 8 分钟才能阅读完成。

人工操作耗时：手工建模需逐个构件创建，据 Esri 统计，10 平方公里城市场景建模平均消耗 800 工时
大规模场景一致性差：不同建模师制作的建筑风格、细节层级难以统一，导致场景割裂
后期修改成本高：传统模型结构调整需全流程返工，版本迭代成本呈指数增长

Maya/3ds Max 等传统工具：
顶点级手工编辑
依赖外部脚本实现批量操作
修改需逐对象调整
CityEngine 核心优势：
基于 CGA 的声明式规则定义
属性驱动的一键全局更新
内置街道网络自动生成

特性	Houdini VEX	Substance SBS	CityEngine CGA
几何操作粒度	顶点级	像素级	构件级
拓扑感知	需手动实现	不支持	原生支持
地理坐标系支持	插件扩展	无	原生支持

/** 高层建筑生成规则 */
attr height = 50  // 默认高度(m)

Lot --> 
  extrude(height) 
  split(y){~5: Floor*}  // 按层拆分

Floor --> 
  split(x){~3: Wall | ~1: Balcony}  // 立面分割

Wall -->
  color("#C0C0C0")
  comp(f){front: WindowRepeater}

WindowRepeater -->
  split(y){~3: split(x){~2: Window | ~1: Wall} }

import arcpy.cartography as cg
from datetime import datetime

class CityGenerator:
    """
    城市批量生成器 
    时间复杂度：O(n) 线性增长
    空间复杂度：O(1) 固定内存池
    """
    def __init__(self, rule_path):
        self.engine = cg.InitializeCityEngine()
        self.load_rule(rule_path)

    def batch_generate(self, geodatabase_path, 
                      area_param: dict):
        """
        参数说明:
        area_param: {'block_size': 200,  # 地块尺寸(m)
          'road_width': 15,   # 道路宽度
          'height_range': [30,150]  # 建筑高度范围
        }
        """
        start = datetime.now()

        # 生成街道网络（Delaunay 三角网优化）street_graph = self.engine.generate_streets(density=area_param['block_size'],
            width=area_param['road_width']
        )

        # 应用规则生成建筑
        for lot in street_graph.lots:
            lot.apply_rule(
                self.active_rule,
                params={'height': self._rand_height(area_param)}
            )

        print(f"生成完成，耗时：{datetime.now()-start}")

    def _rand_height(self, params):
        """线性插值高度生成"""
        return random.uniform(*params['height_range'])

样式切换器：通过枚举属性控制建筑风格

attr style = "modern"  // [classic,modern,baroque]

Lot -->
  case style == "modern": ModernFacade
  else: ClassicFacade

实时响应系统：Python 监听属性变更事件

def on_parameter_change(param):
    with engine.Transaction():  # 批量更新上下文
        for asset in modified_assets:
            asset.set_parameter(param)
            asset.regenerate()

LOD 分级规则（细节层级控制）：

LOD_Thresholds = [100, 300, 1000]  // 视距分级(m)

Lot -->
  case distance <= LOD_Thresholds[0]: HighDetail
  case distance <= LOD_Thresholds[1]: MediumDetail
  else: LowDetail

几何简化算法：

def simplify_building(mesh, ratio):
    """
    基于 QEM(二次误差度量)的网格简化
    时间复杂度：O(nlogn) 
    """
    return arcpy.GeometrySimplifier(
        method="QUADRIC",
        tolerance=ratio * mesh.bounds.length
    ).simplify(mesh)

递归死循环：

// 错误示例
Shape --> Split(x){~1: Shape}  // 无限递归

// 修正方案
Shape --> 
  case scope.sx > 2: 
    Split(x){~1: NextShape}  // 添加终止条件

规则优先级冲突：

使用 priority 关键字显式声明

rule_A: priority 10  // 优先执行
rule_B: priority 5

分块加载策略：

def chunk_loading(data, chunk_size=100):
    """
    分块处理大型场景
    内存消耗稳定在 chunk_size * avg_obj_size
    """
    for i in range(0, len(data), chunk_size):
        chunk = data[i:i+chunk_size]
        with TemporaryWorkspace():  # 隔离内存空间
            process_chunk(chunk)

GAN 驱动的风格迁移：
使用 Pix2Pix 网络将卫星图转为 CGA 规则参数
强化学习优化：
通过 DQN 自动调整道路密度参数

Agent-Based Modeling：

class CitizenAgent:
    def __init__(self):
        self.location = random.choice(city.blocks)

    def update(self):
        """根据 POI 数据动态移动"""
        self.route = pathfinder.calc_route(
            start=self.location,
            end=nearest_poi())