🤖 AI

ArtisanCAD: An Industrial-Level CAD Agent with Expert-Grounded Knowledge Distillation

ArtisanCAD est un agent de CAO de niveau industriel qui exploite la distillation de connaissances fondées sur l'expertise et une représentation intermédiaire exécutable (CAD-IR) pour transformer des invites en langage naturel ambiguës et des données procédurales d'experts en modèles B-Rep éditables et prêts pour la production, avec une précision et une robustesse améliorées.

Auteurs originaux : Yunhan Xu, Qifeng Wu, Xunjin Li, Yuanwei Bin, Qingsong Yao, Jianghang Gu, Guan Wang, Weihao Lv, Huiyu Yang, Wenfa Luo, Jiao Xiang, Yuntian Chen, Shiyi Chen

Publié 2026-07-08

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Yunhan Xu, Qifeng Wu, Xunjin Li, Yuanwei Bin, Qingsong Yao, Jianghang Gu, Guan Wang, Weihao Lv, Huiyu Yang, Wenfa Luo, Jiao Xiang, Yuntian Chen, Shiyi Chen

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez d'apprendre à un robot comment construire un meuble complexe, comme une portière de voiture sur mesure ou un support de moteur. Vous ne pouvez pas simplement dire : « Fabrique une porte ». Le robot doit savoir exactement comment la construire : où tracer la première ligne, quel trou percer en premier, et comment s'assurer que les pièces s'assemblent parfaitement. Si vous donnez des instructions vagues, le robot pourrait construire un assemblage bancal ou rester bloqué à mi-chemin.

Ce document présente ARTISANCAD, un assistant robotique intelligent conçu pour résoudre ce problème pour les ingénieurs industriels. Voici comment il fonctionne, décomposé en concepts simples :

1. Le Problème : Instructions vagues vs Secrets d'experts

Les outils d'IA actuels sont bons pour transformer du texte simple en formes 3D, mais ils ont du mal avec les pièces industrielles réelles.

Le Problème : Si vous dites à une IA standard : « Rends une plaque de charnière plus profonde », elle pourrait deviner la mauvaise forme ou oublier d'ajouter les trous nécessaires. Elle manque de la « mémoire musculaire » d'un expert humain.
La Pièce Manquante : Les véritables ingénieurs possèdent des années d'expérience. Ils ont enregistré des vidéos de leur travail, écrit des notes sur des dessins et sauvegardé des « journaux de macros » (enregistrements numériques de leurs clics de souris et de leurs commandes). Les outils d'IA existants ignoreent ce trésor de connaissances.

2. La Solution : La « Recette Maîtresse » (CAD-IR)

L'innovation centrale d'ARTISANCAD est ce qu'on appelle le CAD-IR (Computer-Aided Design Intermediate Representation). Considérez cela comme une Recette Maîtresse ou un Plan pour un Plan.

Au lieu que l'IA essaie de deviner la forme finale à partir de zéro, elle utilise le CAD-IR pour organiser le processus :

C'est un Traducteur : Il prend les enregistrements désordonnés du monde réel d'un ingénieur expert (comme une vidéo de lui utilisant le logiciel CATIA) et les transforme en une liste d'instructions propre et étape par étape.
C'est une Liste de Contrôle : Il ne dit pas seulement « fais un trou ». Il dit : « D'abord, trace un cercle. Deuxièmement, assure-toi qu'il est centré. Troisièmement, perce-le. Quatrièmement, vérifie s'il est lisse. »
C'est une Bibliothèque de Compétences : L'IA transforme ces recettes en « Compétences » (Skills). Si un ingénieur sait comment construire une portière de voiture, cette « Compétence » est sauvegardée. Plus tard, si quelqu'un demande une portière plus large, l'IA ne repart pas de zéro ; elle récupère la « Compétence Portière » et ajuste simplement la largeur.

3. Comment le Robot fonctionne (La Boucle)

Lorsqu'un utilisateur donne une requête (ex : « Rends ce panneau de capot plus haut »), ARTISANCAD suit un cycle :

Récupération (Retrieval) : Il cherche dans sa bibliothèque la « Compétence Panneau de Capot » créée par un expert humain.
Adaptation : Il prend la « Recette Maîtresse » de l'expert (CAD-IR) et met à jour les chiffres en fonction de la requête de l'utilisateur (ex : « Changer la hauteur de 10 cm à 15 cm »).
Exécution : Il envoie ces instructions mises à jour à un logiciel professionnel en arrière-plan (CATIA) pour réellement construire le modèle 3D.
Les « Yeux » (Feedback Visuel) : C'est une étape cruciale. Le robot génère le modèle, prend des photos sous huit angles différents (face, arrière, dessus, côté, etc.) et les montre à un inspecteur IA.
- L'inspecteur demande : « Est-ce que cela ressemble à un panneau de capot haut ? Avons-nous accidentellement supprimé les trous ? »
- Si la réponse est « Non », le robot réécrit la « Recette Maîtresse » (CAD-IR) et réessaie.

4. Les Résultats : Du « Peut-être » au « Prêt pour la Production »

Le papier a testé cela de deux manières :

Le Test « Aveugle » : Ils ont demandé à l'IA de construire des formes à partir de descriptions vagues sans utiliser l'aide d'un expert.
- Sans la « Recette Maîtresse » (CAD-IR) : L'IA faisait des erreurs, oubliant des détails comme des trous ou des supports fins.
- Avec la « Recette Maîtresse » : L'IA construisait des formes beaucoup plus précises, complétant les détails manquants que la consigne vague n'avait pas spécifiés.
Le Test « Monde Réel » : Ils ont utilisé l'outil sur quatre pièces de voiture complexes (comme un panneau de capot et une plaque de verrouillage).
- Ils ont enregistré des experts humains construisant ces pièces, transformant ces enregistrements en « Compétences », puis ont demandé à l'IA de créer des variations (ex : « Rends-le plus large », « Rends-le plus profond »).
- Résultat : L'IA a réussi à créer de nouveaux modèles 3D modifiables et de qualité professionnelle que les ingénieurs pouvaient réellement utiliser. Sans les « Compétences » d'expert, l'IA échouait complètement car les instructions étaient trop complexes pour être devinées.

Analogie de Synthèse

Imaginez que vous vouliez cuisiner un gâteau complexe.

L'IA classique : Vous dites : « Fais un gâteau. » L'IA devine les ingrédients et cuit un gâteau informe parce qu'elle ne connaît pas l'ordre du mélange ou les temps de cuisson.
ARTISANCAD : Vous dites : « Fais un gâteau, mais plus haut. » L'IA sort une Recette Maîtresse écrite par un maître pâtissier (l'expert). Elle sait exactement quel moule utiliser et comment ajuster le temps de cuisson pour un gâteau plus haut. Elle cuit le gâteau, prend une photo pour vérifier s'il a bien monté, et si c'est légèrement incorrect, elle ajuste la recette et recuit jusqu'à ce que ce soit parfait.

En bref : ARTISANCAD comble le fossé entre les idées humaines vagues et la fabrication industrielle précise en apprenant à l'IA à tirer parti de la « mémoire musculaire » des experts humains, transformant leur expérience en compétences numériques réutilisables et modifiables.

Résumé Technique : ARTISANCAD

Énoncé du Problème

La conception assistée par ordinateur (CAO) industrielle pour des secteurs tels que l'automobile et l'aérospatiale nécessite une modélisation procédurale à long terme, des dépendances de caractéristiques robustes et une exécution de représentation de bordure (B-Rep) de qualité industrielle. Contrairement à la modélisation 3D occasionnelle, la CAO industrielle implique des flux de travail complexes comprenant des esquisses, des contraintes et une géométrie paramétrique éditable.

Les méthodes actuelles de texte-vers-CAO, bien que prometteuses, présentent des limitations significatives lorsqu'elles sont appliquées aux contextes industriels :

Gestion de l'ambiguïté : Elles peinent lorsque les requêtes des utilisateurs sont ambiguës, sous-spécifiées ou ne décrivent que des intentions de conception de haut niveau sans détails de construction de bas niveau.
Manque de connaissances d'expert : Elles exploitent rarement les riches connaissances procédurales naturellement disponibles dans les flux de travail industriels, tels que les enregistrements de macros CATIA, les journaux d'opérations, les notes de dessin et les descriptions d'ingénierie.
Écart de complexité : Les méthodes actuelles sont souvent évaluées sur des pièces simples ou des programmes courts de type esquisse-extrusion, échouant à gérer les procédures à long terme, les surfaces B-Rep courbes et les opérations hybrides requises pour les composants industriels complexes.

Méthodologie

Le papier présente ARTISANCAD, un agent de CAO de niveau industriel qui fonde la génération sur des connaissances procédurales d'experts grâce à un mécanisme appelé Distillation de Connaissances Fondée sur l'Expert (Expert-Grounded Knowledge Distillation). Le système fonctionne via deux étapes principales :

1. Acquisition de l'Expert vers la Compétence (Hors ligne)

Cette étape transforme les enregistrements de CAO d'experts ponctuels en compétences réutilisables et paramétrées.

Entrée : Données d'experts hétérogènes incluant des enregistrements de macros CATIA, des notes de dessin, des arbres de caractéristiques et des descriptions d'ingénierie.
Processus : Un agent orienté code (Codex-xHigh) analyse ces enregistrements pour les transformer en procédures de modélisation structurées.
Sortie (Compétence de pièce) : Une compétence $s$ $s$ est définie comme un tuple $(D_s, O_s, P_s, Z_s)$ $(D_{s}, O_{s}, P_{s}, Z_{s})$ :
- $D_s$ : Description de base de la pièce (rôle fonctionnel, caractéristiques géométriques).
- $O_s$ : Ordre des opérations de l'expert (un a priori procédural réutilisable, et non un script fixe).
- $P_s$ : Schéma de paramètres (paramètres éditables comme la largeur, le rayon, avec des plages de valeurs valides).
- $Z_s$ : Template CAD-IR (le noyau du modèle procédural exécutable).

2. Génération de Variantes de CAO Guidée par la Compétence (En ligne)

Étant donné une requête utilisateur pour une nouvelle variante (ex: "rendre la plaque plus profonde"), l'agent ne génère pas un script backend à partir de zéro. Au lieu de cela, il adapte une compétence existante.

Récupération de la Compétence : L'agent récupère la compétence la plus pertinente de la base de connaissances basée sur la requête de l'utilisateur.
Instanciation du CAD-IR : L'agent instancie le template CAD-IR ( $Z_s$ ) avec la nouvelle requête. Cela permet de remplir les paramètres manquants, de mettre à jour les arguments d'opération et de préserver les dépendances et les règles de vérification dérivées de l'expert.
CAD-IR (Représentation Intermédiaire) : L'innovation centrale est le CAD-IR, une représentation procédurale exécutable définie comme $Z = (P, T, O, E, V)$ $Z = (P, T, O, E, V)$ :
- $P$ : Paramètres globaux de la pièce.
- $T$ : Outils backend requis (liaisons MCP).
- $O$ : Liste ordonnée d'opérations de CAO (intention, appels d'outils, arguments, sorties, dépendances, vérification).
- $E$ : Entités générées et relations de dépendance.
- $V$ : Règles de vérification.
Exécution Backend : Le CAD-IR généré est transmis à un backend CATIA-MCP, qui traduit les opérations IR en commandes natives CATIA pour produire des modèles B-Rep éditables.
Boucle de Feedback Visuel : Un système de feedback visuel multi-vues léger évalue le modèle généré. Si des incohérences sont détectées, l'agent réécrit le CAD-IR (et non le script backend) pour corriger les paramètres ou les opérations, itérant jusqu'à ce que le modèle passe les contrôles visuels et structurels.

Contributions Clés

Mécanisme d'Acquisition de l'Expert vers la Compétence : Un flux de travail novateur qui distille les connaissances d'experts hétérogènes (macros, journaux, notes) en CAD-IR et en compétences paramétrées réutilisables. Cela permet aux procédures de modélisation d'experts d'être adaptées à de nouvelles demandes de variantes au sein de la même famille de composants.
Agent ARTISANCAD : Un agent de CAO industrielle guidé par les compétences avec un support multi-backend. Il récupère les compétences, instancie et révise les procédures au niveau de l'IR, et les exécute via un backend CATIA-MCP dédié. Il intègre une boucle de feedback visuel multi-vues pour le raffinement itératif.
Le CAD-IR comme Échafaudage Procédural : Le papier démontre que la représentation de la génération de CAO comme une représentation intermédiaire explicite et exécutable comble le fossé entre les descriptions textuelles vagues et la construction complexe et exécutable de la CAO.

Résultats Expérimentaux

Les auteurs ont évalué ARTISANCAD sur deux fronts :

1. Benchmark Public Text2CAD

Configuration : Testé sur 100 requêtes de niveau intermédiaire sans utiliser de base de connaissances d'expert (isolant l'effet du CAD-IR).
Résultats :
- Distance de Chamfer (CD) : Réduction de la CD moyenne de 14,83 (ARTISANCAD sans IR) à 9,88 (ARTISANCAD avec IR).
- Solid IoU : Amélioration de 0,614 à 0,646.
- Comparaison : ARTISANCAD avec IR a nettement surpassé les bases comme Text2CAD (CD 29,80) et CAD-Coder (CD 14,16).
- Signification : Même sans compétences d'expert, le CAD-IR fournit un échafaudage procédural supérieur pour convertir des requêtes ambiguës en opérations exécutables.

2. Composants Automobiles Industriels

Configuration : Appliqué à quatre pièces automobiles complexes (Plaque de renfort de charnière, Panneau de capot, Support de panneau extérieur, Plaque de renfort de serrure). Les enregistrements de macros d'experts ont été distillés en compétences.
Résultats :
- ARTISANCAD a réussi à générer des modèles B-Rep éditables et prêts pour la production pour de nouvelles demandes de variantes (ex: changement de profondeur, de largeur ou de disposition des trous) en adaptant les compétences distillées.
- Ablation : Les tentatives de génération de ces composants complexes sans CAD-IR guidé par la compétence ont échoué, car l'agent ne pouvait pas inférer les ordres d'opérations et les dépendances nécessaires à long terme à partir de requêtes courtes seules.

Signification et Revendications

Le papier affirme qu'ARTISANCAD représente un passage de la génération de séquences de CAO isolées vers une automatisation de la CAO orientée production.

Combler le Fossé : Le système comble efficacement l'écart entre l'intention de l'utilisateur, souvent ambiguë, et les procédures rigoureuses à long terme requises dans la conception industrielle.
Réutilisation des Connaissances : En distillant les enregistrements de macros d'experts en compétences réutilisables, le système permet aux ingénieurs de tirer parti des connaissances procédurales accumulées plutôt que de redécouvrir les flux de travail à chaque fois.
Robustesse : L'utilisation du CAD-IR comme couche intermédiaire permet des révisions au niveau des opérations et l'intégration du feedback visuel, rendant le système plus robuste aux entrées ambiguës et aux erreurs d'exécution par rapport à la génération directe de scripts backend.

Les auteurs concluent que, bien que les systèmes actuels de texte-vers-CAO soient limités par leur manque de priors procéduraux, ARTISANCAD démontre que fonder la génération sur des compétences dérivées d'experts et des représentations intermédiaires exécutables est essentiel pour passer à l'échelle des agents de CAO vers des flux de travail industriels concrets.