論文の概要: Memory-Augmented Reinforcement Learning Agent for CAD Generation

• arxiv url: http://arxiv.org/abs/2605.19748v1
• Date: Tue, 19 May 2026 12:16:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 01:01:02.814336
• Title: Memory-Augmented Reinforcement Learning Agent for CAD Generation
• Title（参考訳）: CAD生成のためのメモリ強化強化学習エージェント
• Authors: Yin Xiaolong, Liu Yu, Shen Jiahang, Lu Xingyu, Ni Jingzhe, Fan Fengxiao, Sang Fan,
• Abstract要約: 本稿では,CAD生成エージェントのためのメモリ拡張型強化学習フレームワークを提案する。 このフレームワークは、基盤となる幾何学的カーネルを、エージェントによって呼び出し可能な構造化ツールチェーンにカプセル化する。 実験により,提案手法は複雑なCADモデル生成タスクにおける成功率と幾何整合性の両方を著しく改善することが示された。
• 参考スコア（独自算出の注目度）: 3.787730810941452
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Automatic generation of computer-aided design (CAD) models is a core technology for enabling intelligence in advanced manufacturing. Existing generation methods based on large language models (LLMs) often fall short when handling complex CAD models characterized by long operation sequences, diverse operation types, and strong geometric constraints, primarily because reasoning chains break and effective error-correction mechanisms are lacking. To address this problem, this paper proposes a memory-augmented reinforcement learning framework for CAD generation agents. The framework encapsulates the underlying geometric kernel into a structured toolchain callable by the agent and builds a closed-loop mechanism of design intent understanding, global planning, execution, and multi-dimensional verification. It also designs a dual-track memory module consisting of a case library and a skill library, and proposes a dynamic utility retrieval algorithm. By introducing reinforcement learning into retrieval and policy optimization, the agent can effectively avoid retrieval traps in which examples are semantically similar but geometrically infeasible, enabling online self-correction and continual evolution without additional large-scale annotated data. Experiments show that the proposed method significantly improves both the success rate and geometric consistency on complex CAD model generation tasks.
• Abstract（参考訳）: CADモデルの自動生成は、先進的な製造においてインテリジェンスを実現するための中核技術である。 大規模言語モデル(LLM)に基づく既存の生成方法は、長い演算列、多種多様な演算型、強い幾何学的制約を特徴とする複雑なCADモデルを扱う際に、しばしば不足する。 そこで本研究では,CAD生成エージェントのためのメモリ拡張型強化学習フレームワークを提案する。 このフレームワークは、基礎となる幾何学的カーネルをエージェントが呼び出し可能な構造化ツールチェーンにカプセル化し、設計意図理解、グローバルな計画、実行、多次元検証のクローズドループメカニズムを構築する。 また、ケースライブラリとスキルライブラリからなるデュアルトラックメモリモジュールを設計し、動的ユーティリティ検索アルゴリズムを提案する。 検索とポリシー最適化に強化学習を導入することにより、サンプルが意味的に似ているが幾何学的に実現不可能な検索トラップを効果的に回避し、大規模アノテートデータを追加することなく、オンラインの自己補正と継続的進化を可能にする。 実験により,提案手法は複雑なCADモデル生成タスクにおける成功率と幾何整合性の両方を著しく改善することが示された。

関連論文リスト

• Zero-to-CAD: Agentic Synthesis of Interpretable CAD Programs at Million-Scale Without Real Data [8.896486786253766]
  実行可能CAD構築シーケンスのためのスケーラブルなフレームワークであるZero-to-CADを紹介する。 我々は,大規模言語モデルをフィードバック駆動CAD環境に組み込むことで,コードを反復的に生成し,実行し,検証する。 このエージェント的アプローチは、約100万の実行可能な可読性、編集可能なCADシーケンスの合成を可能にする。
  論文  参考訳（メタデータ） (2026-04-27T13:46:41Z)
• GIFT: Bootstrapping Image-to-CAD Program Synthesis via Geometric Feedback [16.42151644490948]
  GIFTは、幾何学的フィードバックを利用して、テスト時間計算を高品質なトレーニングサンプルのブートストラップセットに変換するフレームワークである。 強い教師付きベースラインに対して平均IoUを12%改善し、より複雑なマルチモーダルシステムと競合し続ける。
  論文  参考訳（メタデータ） (2026-03-28T23:49:20Z)
• Architecture-Aware Multi-Design Generation for Repository-Level Feature Addition [53.50448142467294]
  RAIMは、リポジトリレベルの機能追加のための、多設計およびアーキテクチャ対応のフレームワークである。 複数の多様な実装設計を生成することで、線形パッチから切り離される。 NoCode-bench Verifiedデータセットの実験では、RAIMが新しい最先端のパフォーマンスを確立することが示されている。
  論文  参考訳（メタデータ） (2026-03-02T12:50:40Z)
• Beyond Quantity: Trajectory Diversity Scaling for Code Agents [51.71414642763219]
  Trajectory Diversity Scalingは、コードエージェントのためのデータ合成フレームワークである。 TDScalingは、(1)実際のサービスの論理的依存関係をキャプチャするBusiness Clusterメカニズム、(2)軌道コヒーレンスを強制するブループリント駆動のマルチエージェントパラダイム、(3)ロングテールシナリオを指向する適応的な進化メカニズムの4つの革新を統合しています。
  論文  参考訳（メタデータ） (2026-02-03T07:43:03Z)
• ReCAD: Reinforcement Learning Enhanced Parametric CAD Model Generation with Vision-Language Models [16.220781575918256]
  ReCADは、マルチモーダル入力から正確なパラメトリックコンピュータ支援設計(CAD)モデルを生成するために、プレトレーニング済みの大型モデル(PLM)をブートストラップする強化学習(RL)フレームワークである。 我々は階層的な原始的な学習プロセスを用いて、統一報酬関数の下で構造的および構成的スキルを教える。 ReCADは、テキスト・トゥ・CADタスクと画像・トゥ・CADタスクの両方で新しい最先端のタスクを設定し、分布内および分布外設定の幾何学的精度を大幅に改善する。
  論文  参考訳（メタデータ） (2025-12-06T07:12:56Z)
• TIGeR: Tool-Integrated Geometric Reasoning in Vision-Language Models for Robotics [53.442362491589726]
  本稿では、視覚言語モデル(VLM)を幾何学コンピュータに変換する新しいフレームワークであるTIGeR(Tool-Integrated Geometric Reasoning)を提案する。 TIGeRは、ニューラルネットワーク内で複雑な幾何学的操作を内部化しようとするのではなく、幾何学的推論要求を認識するためにモデルに権限を与える。 TIGeRは、実世界のロボット操作タスクにおいて、センチメートルレベルの精度を示しながら、幾何学的推論ベンチマーク上でSOTA性能を達成することを示す。
  論文  参考訳（メタデータ） (2025-10-08T16:20:23Z)
• GenCAD-3D: CAD Program Generation using Multimodal Latent Space Alignment and Synthetic Dataset Balancing [3.5539239472975583]
  我々は,3次元CADプログラムを生成するマルチモーダル生成フレームワークであるGenCAD-3Dを紹介する。 また、データセットのバランスと拡張を目的とした合成データ拡張戦略であるSynthBalも紹介する。 実験の結果,SynthBalは再構成精度を大幅に向上し,無効なCADモデルの生成を低減し,高精度なジオメトリの性能を著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2025-09-17T19:10:44Z)
• GenCAD-Self-Repairing: Feasibility Enhancement for 3D CAD Generation [1.757434918993298]
  GenCADはこの領域で注目すべきモデルであり、自動回帰トランスフォーマーベースのアーキテクチャを利用してCADプログラムを生成する。 GenCAD-Self-Repairingは,拡散誘導と自己修復パイプラインによって生成CADモデルの実現性を高めるフレームワークである。
  論文  参考訳（メタデータ） (2025-05-29T09:39:19Z)
• 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)

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。