💻 computer science

Implicit Neural Field-Based Process Planning for Multi-Axis Manufacturing: Direct Control over Collision Avoidance and Toolpath Geometry

이 논문은 적층 및 절삭 가공을 포함한 다축 제조 공정을 위해 층 생성과 공구 경로 설계를 단일 미분 가능 파이프라인에 통합하여 충돌 회피를 직접 제어하고 공구 경로 기하학을 최적화하는 암시적 신경장 기반 프레임워크를 제안합니다.

원저자: Neelotpal Dutta, Tianyu Zhang, Tao Liu, Yongxue Chen, Charlie C. L. Wang

게시일 2026-04-22

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Neelotpal Dutta, Tianyu Zhang, Tao Liu, Yongxue Chen, Charlie C. L. Wang

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

1. 기존 방식의 문제점: "먼저 자르고, 나중에 수정하기"

기존의 3D 프린팅이나 기계 가공 계획은 마치 미완성된 조각상을 보고 "어떻게 깎아야 할지"를 단계별로 나누어 생각하는 것과 비슷합니다.

층 (Layer) 만들기: 먼저 물체를 수평으로 잘라낸다고 상상해 보세요. (이게 '층'입니다.)
경로 (Toolpath) 정하기: 그 다음, 기계가 그 층을 따라 어떻게 움직일지 선을 그립니다.
문제 발생: 하지만 이렇게 따로따로 계획을 세우면, 기계가 움직이다가 이미 만든 부분이나 다른 장애물과 부딪히는 (Collision) 경우가 자주 생깁니다.
임기응변: 기존 기술들은 부딪히는 것을 막기 위해 "곡선을 부드럽게 하라"거나 "나중에 수정해라"라고 합니다. 하지만 이는 마치 미끄러운 얼음 위에서 넘어지지 않으려고 발을 살짝 떼는 것과 비슷합니다. 전체적인 구조가 흔들리거나, 아예 해결이 안 되는 경우가 많습니다.

2. 이 논문의 혁신: "한 번에 모든 것을 꿈꾸는 지능형 지도"

이 연구팀은 "층을 만드는 것"과 "기계 이동 경로를 정하는 것"을 동시에, 그리고 한 번에 계획하는 새로운 시스템을 만들었습니다.

이 시스템의 핵심은 **'신경망 (Neural Network)'**이라는 인공지능을 지능형 지도처럼 사용하는 것입니다.

숨겨진 지도 (Implicit Neural Field):
보통 지도는 종이 위에 선을 그어 만듭니다. 하지만 이 시스템은 **공기 중에 보이지 않는 '에너지 장 (Field)'**을 만들어냅니다. 이 장의 높낮이에 따라 층이 생기고, 그 장의 흐름에 따라 기계가 이동합니다.
- 비유: 마치 물속의 흐름을 상상해 보세요. 물이 흐르는 방향을 조절하면, 물결 (층) 과 그 위의 배 (기계) 가 자연스럽게 움직입니다.
부딪힘 방지 (Collision Avoidance):
이 '지능형 지도'는 기계가 어디로 가든 부딪히지 않는지 실시간으로 계산합니다.
- 기존: "여기 부딪힐 것 같으니 나중에 수정하자." (후처리)
- 이 방법: "여기 부딪히면 안 되니까, 처음부터 층의 모양과 기계의 방향을 이렇게 바꿔보자." (실시간 최적화)
- 결과: 기계가 물체와 부딪히지 않으면서도, 가장 효율적인 길을 찾아냅니다.

3. 왜 이것이 특별한가요? (세 가지 핵심 장점)

① 튼튼함 (Strength): "근육을 따라 자르다"

일반적인 3D 프린팅은 층을 수평으로 쌓아 올리지만, 이 방법은 물체가 받는 힘 (스트레스) 의 방향을 따라 층을 쌓습니다.

비유: 나무를 자를 때, 나무의 결 (결) 을 따라 자르면 더 튼튼합니다. 이 시스템은 물체의 '결'을 찾아내어, 그 결을 따라 재료를 쌓아 올려 더 강하고 가벼운 물체를 만듭니다. 특히 탄소 섬유를 넣을 때 이런 결을 따라 배치하면 효과가 극대화됩니다.

② 매끄러운 길 (Geometry Control): "커브를 잘 타는 드라이버"

기계 경로가 너무 급하게 꺾이면 기계가 멈추거나 재료가 끊어질 수 있습니다. 이 시스템은 기계가 부드럽게 꺾이는 길을 스스로 설계합니다.

비유: 레이싱 드라이버가 코너를 돌 때, 급하게 핸들을 꺾지 않고 원활한 곡선을 그리며 속도를 유지하는 것처럼, 기계도 부드러운 곡선을 그리며 움직이도록 설계됩니다.

③ 한 번에 해결 (Co-optimization): "동시 진행"

기존에는 "층을 먼저 만들고 → 경로를 만들고 → 충돌 확인 → 수정"하는 식으로 순서대로 했습니다. 하지만 이 방법은 층, 경로, 충돌 방지, 튼튼함을 모두 동시에 고려하여 최적의 해답을 찾습니다.

비유: 요리할 때 재료를 다듬고, 양념을 넣고, 불 조절을 별도로 하는 게 아니라, 한 솥에서 모든 재료가 서로 어울리도록 한 번에 끓이는 것과 같습니다.

4. 실제 결과: 무엇이 가능해졌나요?

이 논문에서는 이 기술을 실제로 적용하여 놀라운 결과를 보여주었습니다.

지지대 없는 3D 프린팅: 보통 공중으로 뻗은 부분은 지지대가 필요하지만, 이 방법은 중력을 고려하여 층을 비스듬하게 쌓아 지지대 없이도 물체를 만들 수 있게 했습니다.
강력한 탄소 섬유 제품: 탄소 섬유가 힘의 방향을 따라 정렬되어 있어, 기존 방법보다 훨씬 강하면서도 가벼운 부품을 만들었습니다.
정밀한 밀링 (가공): CNC 기계가 복잡한 모양을 깎을 때, 기계가 물체와 부딪히지 않도록 자동으로 안전한 경로를 찾아 깎아냈습니다.

5. 요약: 이 기술이 가져오는 변화

이 연구는 **"3D 프린팅과 기계 가공을 위한 새로운 두뇌"**를 개발한 것입니다.

과거에는 기계가 부딪히지 않게 하려면 설계자가 수동으로 고치고, 지지대를 추가하고, 경로를 수정해야 했지만, 이제는 인공지능이 이 모든 것을 한 번에 계산해 줍니다.

더 튼튼한 제품: 힘의 방향을 따라 재료를 배치합니다.
더 빠른 제작: 지지대가 필요 없고, 충돌 수정 시간이 줄어듭니다.
더 복잡한 형태: 기존에는 불가능했던 복잡한 곡면과 구조물도 만들 수 있습니다.

결론적으로, 이 기술은 **제조업의 미래를 바꾸는 '스마트한 설계 도구'**로, 우리가 상상했던 복잡한 모양의 물체들을 더 쉽고, 더 튼튼하게, 더 저렴하게 만들 수 있게 해줍니다.

1. 연구 배경 및 문제 제기 (Problem)

다축 (Multi-axis) 제조 (적층 제조 및 절삭 가공) 는 기존 평면 (Planar) 기반의 2.5D 공정에 비해 지지대 없는 제작, 표면 품질 향상, 이방성 재료의 강도 극대화 등 많은 장점을 제공합니다. 그러나 기존 방법론들은 다음과 같은 근본적인 한계를 가지고 있습니다.

간접적인 충돌 회피: 기존 방법들은 충돌을 직접적으로 해결하지 않고, 국소적인 곡률 (Curvature) 제한이나 후처리 (Post-processing) 단계를 통해 우회적으로 처리합니다. 이는 전역적인 (Global) 충돌을 감지하지 못하거나, 기능적 목적 (예: 지지대 제거) 과 충돌 회피 간의 균형을 깨뜨려 최적 해를 찾지 못하게 합니다.
공구 경로 (Toolpath) 기하학의 통제 부재: 층 (Layer) 생성과 공구 경로 설계가 분리되어 있어, 최적화 과정에서 공구 경로의 기하학적 특성 (예: 커브 각도, 간격) 을 직접 제어하거나 층과 공구 경로를 공동 최적화 (Co-optimization) 하는 것이 어렵습니다.
이산적 (Discrete) 표현의 한계: 기존 방법들은 보체 (Voxel) 나 테트라헤드럴 메쉬와 같은 이산적 구조에 의존하여 미분 (Derivative) 을 간접적으로 추정해야 하므로, 정밀한 기하학적 제어와 충돌 감지에 제약이 따릅니다.

2. 제안된 방법론 (Methodology)

저자들은 **함수적 신경장 (Implicit Neural Field)**을 기반으로 한 새로운 다축 제조 공정 계획 프레임워크를 제안합니다. 이 프레임워크는 층 생성과 공구 경로 설계를 단일 미분 가능한 (Differentiable) 파이프라인에 통합합니다.

2.1. 핵심 표현 방식 (Representation)

신경장 (Neural Fields) 활용: 층 (Layer) 과 공구 경로 (Toolpath) 를 각각 스칼라 장 (Scalar Field) 인 $f_l(x)$ 와 $f_p(x)$ 로 표현합니다.
SIREN (Sinusoidal Representation Networks): 고주파수 신호와 고차 미분값을 표현하는 데 우수한 성능을 보이는 SIREN(사인 함수 활성화 함수를 사용하는 신경망) 을 사용하여 이러한 장을 정의합니다.
등위면 (Level Sets) 기반 생성:
- 층은 $f_l(x)$ 의 등위면 (Iso-surfaces) 으로 정의됩니다.
- 공구 경로는 층 표면 위에서 $f_p(x)$ 의 등위선 (Iso-contours) 으로 정의되며, 이는 두 장의 교차 곡선으로 구해집니다.
자동 미분 (Automatic Differentiation): 신경망의 가중치 ( $\Theta$ ) 를 최적화 변수로 사용하여, 임의의 공간 점에서 장의 값과 기울기 (Gradient), 헤시안 (Hessian) 등을 직접 계산할 수 있습니다. 이를 통해 곡률, 법선 벡터, 간격 등을 정밀하게 제어할 수 있습니다.

2.2. 목적 함수 (Loss Functions) 및 최적화

최적화 과정은 다양한 제조 요구사항을 만족하도록 총 손실 함수 (Total Loss) 를 최소화하는 방식으로 수행됩니다. 주요 손실 항목은 다음과 같습니다.

충돌 회피 (Collision Avoidance):
- 직접적 formulation: 공구 (Tool) 를 점 집합으로 샘플링하고, 해당 점들이 적층된 부분 (또는 가공 대상) 내부에 들어오지 않도록 제약합니다.
- 미분 가능성: 충돌 조건을 스칼라 장의 값 비교 ( $f_l(y) > f_l(x)$ ) 로 표현하여, 충돌 회피를 최적화 과정의 직접적인 목적 함수로 만듭니다. 이는 전역적 충돌을 방지하면서도 지지대 없는 구조를 유지할 수 있게 합니다.
- CNC 밀링 적용: 밀링의 경우 공구가 목표 형상 외부에 있어야 하므로, 부호 거리장 (SDF) 을 활용하여 공구와 목표 형상의 교차를 방지하는 손실 함수를 정의합니다.
공구 경로 기하학 제어 (Toolpath Geometry Control):
- 지오데식 곡률 (Geodesic Curvature): 공구 경로의 표면 내 굽힘을 제어하여 급격한 방향 전환을 방지합니다.
- 간격 제어: 층 간 거리와 공구 경로 간 간격이 균일하도록 유도합니다.
기능적 목적 (Functional Objectives):
- 방향 정렬: 주응력 방향 등 특정 벡터장에 공구 경로를 정렬합니다.
- 지지대 제거 (Support-free): 과잉 각도 (Overhang angle) 를 제한하여 지지대 없이 제작 가능한 층 방향을 유도합니다.

2.3. 특이점 (Singularity) 및 위상 변화 관리

신경망의 주파수 스케일링 (Frequency scaling) 파라미터와 손실 함수의 가중치를 조절하여, 필드의 위상 변화 (Topology transition) 와 특이점 (Gradient가 0 이 되는 지점) 의 발생을 제어합니다. 이는 복잡한 형상에서 공구 경로의 위상이 자연스럽게 변할 수 있도록 허용하면서도, 층 생성 시에는 비제조 가능한 위상 변화를 방지합니다.

3. 주요 기여 (Key Contributions)

범용적 암시적 스칼라장 최적화 프레임워크: 다축 제조에서 층과 공구 경로의 생성을 직접적으로 제어할 수 있는 통합 프레임워크를 제시했습니다.
명시적 충돌 회피 (Explicit Collision Avoidance): 필드 기반 최적화 과정에서 후처리 없이 직접적인 충돌 회피를 가능하게 하는 미분 가능한 수식을 제안했습니다.
층 및 공구 경로의 공동 최적화 (Co-optimization): 공구 경로의 기하학적 요구사항을 목적 함수로 포함시켜, 층과 공구 경로를 동시에 최적화하여 상호 적응성을 달성했습니다.
신경망 아키텍처 및 손실 정의에 대한 분석: SIREN 네트워크의 하이퍼파라미터 (주파수 스케일링) 와 손실 함수 정의가 특이점과 위상 변화에 미치는 영향을 분석하여, 기하학적 안정성을 위한 정규화 (Regularization) 메커니즘을 제공했습니다.

4. 실험 결과 (Results)

저자들은 적층 제조 (FDM, 연속 탄소섬유) 와 절삭 가공 (CNC 밀링) 의 다양한 사례를 통해 방법론의 유효성을 검증했습니다.

지지대 없는 충돌-free 인쇄: 'Fertility' 및 '4C' 모델에서 기존 방법 (Neural Slicer 등) 은 충돌이 발생하거나 후처리에서 해결되지 않는 반면, 제안된 방법은 지지대 없이도 충돌이 없는 공구 경로를 생성하여 물리적 제작에 성공했습니다.
방향 정렬 및 충돌 회피: 'Fork' 모델에서 주응력 방향 정렬과 충돌 회피를 동시에 달성하여, 충돌이 없는 상태에서 구조적 강도를 극대화했습니다.
공구 경로 기하학 제어 (연속 탄소섬유): 'T-Bracket' 및 'S-Curve' 모델에서 층과 공구 경로를 공동 최적화했습니다. 기존 고밀도 공구 경로 방법 (High-Density Toolpath) 대비 탄소섬유 사용량을 줄이면서도 (18.5% 감소), 강성 (Stiffness) 은 33.9% 향상시켰습니다. 또한, 지오데식 곡률 제어를 통해 공구 경로의 연속성을 확보하고 급격한 방향 전환을 제거했습니다.
CNC 밀링 적용: 'Cup' 모델에 대한 거친 가공 (Rough milling) 시, 공구와 부품 간의 충돌을 자동으로 회피하는 층을 생성하여 기존 방법보다 접근성을 크게 향상시켰습니다.

5. 의의 및 결론 (Significance)

이 연구는 다축 제조 공정 계획 분야에서 다음과 같은 중요한 의의를 가집니다.

직접적인 충돌 처리: 기존에 후처리나 휴리스틱에 의존하던 충돌 회피를, 최적화 과정의 핵심 목적 함수로 통합하여 전역적이고 신뢰할 수 있는 충돌-free 해를 제공합니다.
통합된 설계 - 제조 최적화: 층의 형상, 공구 경로의 기하학, 충돌 회피, 기능적 요구사항 (강도, 지지대 등) 을 단일 미분 가능한 시스템에서 동시 최적화함으로써, 설계와 제조 간의 간극을 해소합니다.
적층 및 절삭 가공의 통합: 동일한 암시적 신경장 프레임워크가 적층 (Material Addition) 과 절삭 (Material Removal) 모두에 적용 가능함을 보여주어, 미래의 통합 제조 워크플로우의 기반을 마련했습니다.
이론적 통찰: 신경망의 주파수 스케일링과 손실 함수 설계가 생성된 기하학의 위상과 특이점에 미치는 영향을 체계적으로 분석하여, 복잡한 제조 제약 조건 하에서의 신경장 활용 가이드를 제공합니다.

결론적으로, 이 논문은 다축 제조의 복잡성을 해결하기 위해 암시적 신경장을 활용한 혁신적인 접근법을 제시하며, 충돌 회피와 공구 경로 기하학에 대한 직접적인 제어를 통해 더 강력하고 효율적인 제조 솔루션을 가능하게 합니다.