論文の概要: RLCAD: Reinforcement Learning Training Gym for Revolution Involved CAD Command Sequence Generation
- arxiv url: http://arxiv.org/abs/2503.18549v1
- Date: Mon, 24 Mar 2025 11:01:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-25 14:38:09.455359
- Title: RLCAD: Reinforcement Learning Training Gym for Revolution Involved CAD Command Sequence Generation
- Title(参考訳): RLCAD:革命的CADコマンドシーケンス生成のための強化学習用ジム
- Authors: Xiaolong Yin, Xingyu Lu, Jiahang Shen, Jingzhe Ni, Hailong Li, Ruofeng Tong, Min Tang, Peng Du,
- Abstract要約: CAD幾何エンジン上に構築した強化学習学習環境(ジャム)を提案する。
我々は、B-Repジオメトリからコマンドシーケンスを生成する際に、最先端のSOTA(State-of-the-art)品質を実現する。
- 参考スコア(独自算出の注目度): 11.095896938331459
- License:
- Abstract: A CAD command sequence is a typical parametric design paradigm in 3D CAD systems where a model is constructed by overlaying 2D sketches with operations such as extrusion, revolution, and Boolean operations. Although there is growing academic interest in the automatic generation of command sequences, existing methods and datasets only support operations such as 2D sketching, extrusion,and Boolean operations. This limitation makes it challenging to represent more complex geometries. In this paper, we present a reinforcement learning (RL) training environment (gym) built on a CAD geometric engine. Given an input boundary representation (B-Rep) geometry, the policy network in the RL algorithm generates an action. This action, along with previously generated actions, is processed within the gym to produce the corresponding CAD geometry, which is then fed back into the policy network. The rewards, determined by the difference between the generated and target geometries within the gym, are used to update the RL network. Our method supports operations beyond sketches, Boolean, and extrusion, including revolution operations. With this training gym, we achieve state-of-the-art (SOTA) quality in generating command sequences from B-Rep geometries. In addition, our method can significantly improve the efficiency of command sequence generation by a factor of 39X compared with the previous training gym.
- Abstract(参考訳): CADコマンドシーケンスは3次元CADシステムにおいて典型的なパラメトリック設計パラダイムであり、2次元スケッチを押出、回転、ブール演算などの操作でオーバーレイすることでモデルを構築する。
コマンドシーケンスの自動生成には学術的な関心が高まりつつあるが、既存のメソッドとデータセットは2Dスケッチ、エクストルージョン、ブール操作などの操作しかサポートしていない。
この制限により、より複雑な幾何学を表現することは困難である。
本稿ではCAD幾何エンジン上に構築された強化学習(RL)訓練環境について述べる。
入力境界表現(B-Rep)幾何が与えられた場合、RLアルゴリズムのポリシーネットワークはアクションを生成する。
このアクションは、以前生成されたアクションとともにジム内で処理され、対応するCAD幾何を生成し、ポリシーネットワークにフィードバックされる。
RLネットワークの更新には、ジム内の生成されたジオメトリとターゲットジオメトリの違いによって決定される報酬が使用される。
本手法は, スケッチ, ブール, 押出操作以外の操作をサポートし, 革命操作を含む。
このトレーニングジムでは、B-Repジオメトリからコマンドシーケンスを生成する際に、最先端のSOTA(State-of-the-art)の品質を実現する。
さらに,従来のトレーニングジムと比較して,39倍の効率でコマンドシーケンス生成の効率を向上することができる。
関連論文リスト
- 3D Geometric Shape Assembly via Efficient Point Cloud Matching [59.241448711254485]
Proxy Match Transform (PMT) は、部品の配向面間の信頼性の高いマッチングを可能にする、高次特徴変換層である。
PMT を基盤として,幾何学的組立作業のための新しいフレームワーク Proxy Match TransformeR (PMTR) を導入する。
我々は,Breaking Badの大規模3次元幾何形状集合ベンチマークデータセットを用いてPMTRの評価を行った。
論文 参考訳(メタデータ) (2024-07-15T08:50:02Z) - 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) - Take-A-Photo: 3D-to-2D Generative Pre-training of Point Cloud Models [97.58685709663287]
生成事前学習は、2次元視覚における基本モデルの性能を高めることができる。
3Dビジョンでは、トランスフォーマーベースのバックボーンの過度な信頼性と、点雲の秩序のない性質により、生成前のトレーニングのさらなる発展が制限されている。
本稿では,任意の点クラウドモデルに適用可能な3D-to-2D生成事前学習法を提案する。
論文 参考訳(メタデータ) (2023-07-27T16:07:03Z) - 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) - SECAD-Net: Self-Supervised CAD Reconstruction by Learning Sketch-Extrude
Operations [21.000539206470897]
SECAD-Netは、コンパクトで使いやすいCADモデルの再構築を目的とした、エンドツーエンドのニューラルネットワークである。
本研究は,CAD再構築の手法など,最先端の代替手段よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-03-19T09:26:03Z) - AutoCAD: Automatically Generating Counterfactuals for Mitigating
Shortcut Learning [70.70393006697383]
完全自動かつタスクに依存しないCAD生成フレームワークであるAutoCADについて述べる。
本稿では,完全に自動化されたタスクに依存しないCAD生成フレームワークであるAutoCADを提案する。
論文 参考訳(メタデータ) (2022-11-29T13:39:53Z) - Reconstructing editable prismatic CAD from rounded voxel models [16.03976415868563]
この課題を解決するために,新しいニューラルネットワークアーキテクチャを導入する。
本手法は形状を分解することでボクセル空間の入力幾何を再構成する。
推論の際には,まず2次元制約付きスケッチのデータベースを検索し,CADデータを取得する。
論文 参考訳(メタデータ) (2022-09-02T16:44:10Z) - Point2Cyl: Reverse Engineering 3D Objects from Point Clouds to Extrusion
Cylinders [25.389088434370066]
本稿では,生の3次元点雲を一組の押出シリンダに変換する教師ネットワークであるPoint2Cylを提案する。
提案手法は,2つのCADデータセット上での最良の性能を示す。
論文 参考訳(メタデータ) (2021-12-17T05:22:28Z) - DeepCAD: A Deep Generative Network for Computer-Aided Design Models [37.655225142981564]
形状をコンピュータ支援設計(CAD)操作のシーケンスとして記述した形状表現の3次元生成モデルについて述べる。
CAD操作と自然言語の類似性について,トランスフォーマーに基づくCAD生成ネットワークを提案する。
論文 参考訳(メタデータ) (2021-05-20T03:29:18Z) - DSG-Net: Learning Disentangled Structure and Geometry for 3D Shape
Generation [98.96086261213578]
DSG-Netは3次元形状の非交叉構造と幾何学的メッシュ表現を学習するディープニューラルネットワークである。
これは、幾何(構造)を不変に保ちながら構造(幾何学)のような不整合制御を持つ新しい形状生成アプリケーションの範囲をサポートする。
本手法は,制御可能な生成アプリケーションだけでなく,高品質な合成形状を生成できる。
論文 参考訳(メタデータ) (2020-08-12T17:06:51Z)
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。