論文の概要: Reinforcement Learning for Block Decomposition of CAD Models
- arxiv url: http://arxiv.org/abs/2302.11066v1
- Date: Tue, 21 Feb 2023 23:43:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-23 16:44:24.857176
- Title: Reinforcement Learning for Block Decomposition of CAD Models
- Title（参考訳）: CADモデルのブロック分解のための強化学習
- Authors: Benjamin C. DiPrete, Rao V. Garimella, Cristina Garcia Cardona,
Navamita Ray
- Abstract要約: 本稿では, 平面CAD(Computer-Aided Design)モデルを, 形状が整った矩形ブロックに分解(分割)する新しいAI支援手法を提案する。
これらのブロックは, 保存法則による物理系の数値シミュレーションに適した高品質メッシュを生成するために必要である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We present a novel AI-assisted method for decomposing (segmenting) planar CAD
(computer-aided design) models into well shaped rectangular blocks as a
proof-of-principle of a general decomposition method applicable to complex 2D
and 3D CAD models. The decomposed blocks are required for generating good
quality meshes (tilings of quadrilaterals or hexahedra) suitable for numerical
simulations of physical systems governed by conservation laws. The problem of
hexahedral mesh generation of general CAD models has vexed researchers for over
3 decades and analysts often spend more than 50% of the design-analysis cycle
time decomposing complex models into simpler parts meshable by existing
techniques. Our method uses reinforcement learning to train an agent to perform
a series of optimal cuts on the CAD model that result in a good quality block
decomposition. We show that the agent quickly learns an effective strategy for
picking the location and direction of the cuts and maximizing its rewards as
opposed to making random cuts. This paper is the first successful demonstration
of an agent autonomously learning how to perform this block decomposition task
effectively thereby holding the promise of a viable method to automate this
challenging process.
- Abstract（参考訳）: 本稿では,複雑な2次元および3次元cadモデルに適用可能な一般分解法の原理として,平面cadモデルを長方形ブロックに分解する(コンピュータ支援設計)ai支援手法を提案する。
分解されたブロックは、保存法によって支配される物理系の数値シミュレーションに適した高品質なメッシュ(四角形または六面体)を生成するために必要である。
一般的なcadモデルのヘキサヘドラルメッシュ生成の問題は、研究者を30年以上悩ませており、アナリストはしばしば、複雑なモデルを既存の技術でメッシュ化可能な単純な部品に分解する設計分析サイクル時間の50%以上を費やしている。
提案手法は強化学習を用いてエージェントを訓練し,CADモデル上で最適なカットを行い,良質なブロック分解を実現する。
エージェントは、ランダムなカットを行うのではなく、カットの位置と方向を選択し、報酬を最大化する効果的な戦略を迅速に学習する。
本論文は,このブロック分解タスクを自律的に実行する方法を学習するエージェントが,この課題を自動化するための実行可能なメソッドの約束を効果的に保持する,最初の成功例である。
関連論文リスト
- Cliqueformer: Model-Based Optimization with Structured Transformers [102.55764949282906]
我々は、MBOタスクの構造を学習し、経験的に改良された設計につながるモデルを開発する。
我々はCliqueformerを、高次元のブラックボックス機能から、化学・遺伝設計の現実的なタスクまで、様々なタスクで評価する。
論文 参考訳（メタデータ） (2024-10-17T00:35:47Z) - Self-supervised Graph Neural Network for Mechanical CAD Retrieval [29.321027284348272]
GC-CADは、機械的CAD検索のための、自己教師付きコントラストグラフニューラルネットワークに基づく手法である。
提案手法は, 精度を向上し, ベースライン法よりも100倍の効率向上を実現している。
論文 参考訳（メタデータ） (2024-06-13T06:56:49Z) - PS-CAD: Local Geometry Guidance via Prompting and Selection for CAD Reconstruction [86.726941702182]
再構成ネットワークPS-CADに幾何学的ガイダンスを導入する。
我々は、現在の再構成が点雲としての完備モデルと異なる曲面の幾何学を提供する。
第二に、幾何学的解析を用いて、候補面に対応する平面的プロンプトの集合を抽出する。
論文 参考訳（メタデータ） (2024-05-24T03:43:55Z) - Jointly Training and Pruning CNNs via Learnable Agent Guidance and Alignment [69.33930972652594]
本稿では,CNNモデルの重みと構造的プーン構造を協調的に学習するための新しい構造的プルーニング手法を提案する。
本手法の中核となる要素は強化学習(RL)エージェントであり,その動作がCNNモデルの階層のプルーニング比を決定する。
我々は,モデルの重みとエージェントのポリシーを反復的に訓練し,共同訓練と刈り取りを行う。
論文 参考訳（メタデータ） (2024-03-28T15:22:29Z) - Make-A-Shape: a Ten-Million-scale 3D Shape Model [52.701745578415796]
本稿では,大規模な効率的なトレーニングを目的とした新しい3次元生成モデルであるMake-A-Shapeを紹介する。
まずウェーブレットツリー表現を革新し、サブバンド係数フィルタリングスキームを定式化して形状をコンパクトに符号化する。
我々は、粗いウェーブレット係数の生成を効果的に学習するために、我々のモデルを訓練するためのサブバンド適応型トレーニング戦略を導出する。
論文 参考訳（メタデータ） (2024-01-20T00:21:58Z) - Point2CAD: Reverse Engineering CAD Models from 3D Point Clouds [26.10631058349939]
本稿では,分割点雲と構造CADモデルのギャップを埋めるハイブリッド解析ニューラルネットワーク再構成手法を提案する。
また,自由曲面の暗黙的表現を新たに提案し,CAD再構成方式の性能向上を図る。
論文 参考訳（メタデータ） (2023-12-07T08:23:44Z) - Learning Versatile 3D Shape Generation with Improved AR Models [91.87115744375052]
自己回帰(AR)モデルはグリッド空間の関節分布をモデル化することにより2次元画像生成において印象的な結果を得た。
本稿では3次元形状生成のための改良された自己回帰モデル(ImAM)を提案する。
論文 参考訳（メタデータ） (2023-03-26T12:03:18Z) - Optimizing CAD Models with Latent Space Manipulation [4.180840853105103]
本稿では,StyleCLIPを拡張し,CADモデルをボクセルモデルとして動作させる。
各種CADモデルの把持性を最適化し,自動化関連特徴を最適化するためのシステムの有効性を実証する。
論文 参考訳（メタデータ） (2023-03-09T08:25:09Z) - Cut-and-Approximate: 3D Shape Reconstruction from Planar Cross-sections
with Deep Reinforcement Learning [0.0]
我々は,この課題を解決するための最初の3次元形状再構成ネットワークについて,その知識を最大限に活用する。
本手法は,強化学習アルゴリズムを適用し,その形状を効果的に解析する方法を学習する。
論文 参考訳（メタデータ） (2022-10-22T17:48:12Z) - Automated LoD-2 Model Reconstruction from Very-HighResolution
Satellite-derived Digital Surface Model and Orthophoto [1.2691047660244335]
本稿では,LoD-2ビルディングモデルを「分解最適化最適化」パラダイムに従って再構成するモデル駆動手法を提案する。
提案手法は,既存の手法に対するいくつかの技術的問題点に対処し,その有効性を実証した。
論文 参考訳（メタデータ） (2021-09-08T19:03:09Z) - Neural Subdivision [58.97214948753937]
本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。
すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。
単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
論文 参考訳（メタデータ） (2020-05-04T20:03:21Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。