💻 computer science

WildFab: Multi-Axis 3D Printing from Models in the Wild

WildFab는 하이브리드 신경 무부호 거리 필드(neural unsigned distance field)와 정규화된 일반화된 와인딩 넘버(regularized generalized winding number) 표현을 활용하여 사전 기하학적 복구 없이도 충돌 없는 툴패스를 직접 계산함으로써, 다양하고 불완전한 실제 세계의 모델로부터 견고한 엔드 투 엔드 다축 3D 프린팅을 가능하게 하는 계산 프레임워크이다.

원저자: Jiasheng Qu, Zhikai Shen, Chenyu Xu, Hailin Sun, Chengkai Dai, Yuhu Guo, Junpeng Wang, Yeung Yam, Guoxin Fang

게시일 2026-09-03

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Jiasheng Qu, Zhikai Shen, Chenyu Xu, Hailin Sun, Chengkai Dai, Yuhu Guo, Junpeng Wang, Yeung Yam, Guoxin Fang

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

기계가 벽돌을 쌓듯 평평한 층을 겹치는 것이 아니라, 모든 방향으로 자유롭게 움직이며 필요한 곳에 정확히 재료를 배치하여 복잡한 물체를 만들 수 있는 세상을 상상해 보십시오. 이것이 바로 다축 3D 프린팅이 약속하는 미래입니다. 이 기술은 로봇이 임시 지지 구조물 없이도 곡면과 복잡한 내부 구조를 출력할 수 있게 해줍니다. 하지만 이 기술이 제대로 작동하려면, 로봇을 제어하는 컴퓨터가 자신이 만들려는 형상을 절대적인 정밀도로 이해해야 합니다. 전통적으로 이는 디지털 모델이 구멍이 없는 밀봉된 풍선처럼 완벽하고 물이 새지 않는 고체(watertight solid) 형태여야 함을 의미했습니다. 만약 디지털 모델에 틈이 있거나, 표면이 겹치거나, 연결이 제대로 되지 않은 얇은 껍질이 있다면 컴퓨터는 이를 어떻게 출력해야 할지 판단할 수 없습니다. 그러나 현실 세계의 대부분 디지털 설계는 결코 완벽하지 않습니다. 예술가, 엔지니어 또는 3D 스캐너로부터 만들어진 설계 데이터에는 이러한 결함이 포함되는 경우가 많습니다. 이러한 모델을 수정하는 작업은 대개 기하학적 구조를 복구하는 지루하고 수동적인 과정을 수반하며, 이 과정에서 설계자가 의도한 형상이 의도치 않게 변형될 수도 있습니다.

연구진은 이러한 복구 단계를 완전히 건너뛰는 '와일드팹(WildFab)'이라는 새로운 계산 프레임워크를 개발했습니다. 이 시스템은 불완전한 디지털 모델을 완벽한 형태로 강제로 맞추는 대신, 가공되지 않은 거친 데이터를 직접 읽는 법을 배웁니다. 이 방법의 핵심은 공간을 이해하는 두 가지 서로 다른 방식을 결합한 특수한 종류의 디지털 지도를 만드는 것입니다. 지도의 한 부분은 물체의 표면까지의 거리를 측정하며, 다른 한 부분은 컴퓨터에게 표면의 어느 쪽이 안쪽이고 어느 쪽이 바깥쪽인지를 알려주는 나침반 역할을 합니다. 이 두 가지 관점을 혼합함으로써, 시스템은 디지털 모델이 깨져 있거나, 구멍이 뚫려 있거나, 혹은 고체 블록 근처에 얇은 피부가 떠 있는 상태라 하더라도 표면이 정확히 어디에 위치하는지 식별할 수 있습니다. 이를 통해 소프트웨어는 출력 노즐이 복잡하고 평평하지 않은 방향으로 움직이는 동안에도 물체와 충돌하지 않도록 정밀한 로봇 이동 경로를 생성할 수 있습니다.

연구진은 표준적인 프린팅 소프트웨어를 실패하게 만드는 다양한 까다로운 형상들을 대상으로 이 접근 방식을 테스트했습니다. 여기에는 매듭처럼 스스로를 통과하는 자기 교차 표면 모델과, 단단한 내부와 얇은 빈 껍질이 혼합된 디자인이 포함되었습니다. 한 실험에서는 레이저 스캐너를 사용하여 단단한 몸체 위에 섬세하게 접힌 베일을 두른 여신상을 캡처했습니다. 원본 스캔 데이터에는 틈과 겹치는 점들이 가득했지만, 시스템은 데이터 복구 없이도 단단한 몸체와 얇은 베일을 모두 보존하는 프린팅 경로를 성공적으로 생성했습니다. 또한 연구진은 재료를 깎아내어 구조를 더 가볍게 만드는 과정인 위상 최적화(topology optimization)를 통해 만들어진 디자인, 즉 단단한 핵심부와 얇은 외피가 혼합된 구조를 대상으로도 테스트를 진행했습니다. 모든 경우에서 시스템은 8축 로봇 팔이 지지대 없이도 의도한 형상을 유지하며 충돌을 피하면서 물체를 출력할 수 있도록 하는 일련의 명령어를 생성했습니다.

이 방법이 물리적 세계에서도 작동함을 증명하기 위해, 연구팀은 로봇 프린팅 플랫폼을 사용하여 몇 가지 물체를 제작했습니다. 그들은 단단한 내부와 얇은 외피를 가진 고양이 모델과, 안과 밖의 구분이 없는 클라인 병(Klein bottle)이라 불리는 복잡한 형상을 출력했습니다. 출력 후, 연구진은 높은 해밀리도의 의료용 스캐너로 물체를 스캔하여 정확도를 확인했습니다. 결과에 따르면 출력된 부품은 평균 오차 단 0.7mm 내외로 원래의 디지털 설계와 일치했습니다. 이는 물체의 크기를 고려할 때 매우 미미한 차이입니다. 스캔 결과는 내부 구조가 있어야 할 곳에 단단하게 채워져 있고, 얇은 껍질은 설계 의도대로 단일하고 연속적인 층으로 출력되었음을 확인해 주었습니다. 이러한 수준의 정밀도는 디지털 파일을 수정하기 위한 수동 개입 없이 달성되었으며, 이는 시스템이 현실 세계의 지저한 설계 데이터를 처리할 수 있음을 입증합니다.

3D 프린팅을 넘어, 연구진은 이 방법이 로봇 용접과 같은 다른 제조 작업에도 적용될 수 있음을 보여주었습니다. 그들은 복잡한 격자 구조와 많은 교차선을 가진 로켓 부품 위로 움직이는 용접 로봇의 경로를 계획하는 데 이 시스템을 사용했습니다. 시스템은 로봇이 부품이나 작업물에 부딪히지 않고 안전하게 이동할 수 있는 경로를 성공적으로 계산했습니다. 이는 불완전한 기하학적 구조를 이해하는 능력이 단순히 프린팅에만 유용한 것이 아니라, 복잡한 환경에서 정밀한 움직임이 필요한 모든 로봇 작업의 효율성을 높일 수 있음을 시사합니다. 이 연구는 첨단 제조를 더욱 접근 가능하게 만드는 중요한 진전이며, 엔지니어와 예술가들이 디지털 복구의 굴레에 갇히지 않고 자신들의 가공되지 않은 설계를 직접 사용할 수 있게 해줍니다. 기계에게 '있어야 할 모습'이 아닌 '있는 그대로의 세상'을 이해하도록 가르침으로써, 연구진은 이전에는 제조가 불가능했던 형상들을 출력할 수 있는 문을 열었습니다.

기술 요약: WildFab: 야생의 모델로부터의 다축 3D 프린팅 (WildFab: Multi-Axis 3D Printing from Models in the Wild)

문제 정의

다축 3D 프린팅(3DP)은 기존의 평면 레이어 프린팅에 비해 지지대 없는(support-free) 제작, 향상된 표면 품질, 응력 정렬 경로를 통한 구조적 강도 강화 등 상당한 이점을 제공한다. 그러나 다축 3DP를 위한 기존의 계산 파이프라인은 입력 기하 구조가 "수밀성 솔리드(watertight solid)"(매니폴드, 닫힌 부피)라고 가정하는 경우가 많다. 실제로는 설계 워크플로우, 위상 최적화, 직접 데이터 획득(예: 3D 스캐닝)에서 유래한 모델들이 다음과 같은 특징을 가진 "야생의 모델(models in the wild)"인 경우가 빈번하다:

혼합된 솔리드-쉘(solid-shell) 구조.
비매니폴드(non-manifold) 영역 및 자기 교차(self-intersections).
열린 표면 및 중첩된 기하 구조.
수밀성이 확보되지 않은 메쉬(non-watertight meshes).

이러한 입력을 처리하려면 이들을 수밀성 솔리드로 강제하기 위해 시간 소모적인 기하 구조 복구(예: 오프세팅, 불리언 연산 또는 수동 재구축)가 필요하다. 이 복구 과정은 모델에 따라 달라지며, 의도한 기하 구조를 변형시키고(예: 얇은 쉘을 두껍게 만들어 교차 발생), 복잡한 위상적 특징을 보존하는 데 실패한다. 또한, 기존의 암시적 표현 방식인 부호 거리 함수(Signed Distance Fields, SDF)는 잘 정의된 볼륨 도메인을 요구하며, 무부호 거리 함수(Unsigned Distance Fields, UDF)는 방향성과 솔리드-공극(solid-void) 구분이 부족하고, 일반화된 와인딩 수(Generalized Winding Numbers, GWN)는 충돌 감지에 필요한 메트릭 거리 정보가 결여되어 있다.

방법론

저자들은 가공할 수 없는 원본 모델로부터 직접 지지대 없는 공간 경로와 충돌 없는 로봇 동작을 생성하는 계산 프레임워크인 WildFab을 제안한다. 핵심 혁신은 두 가지 서로 다른 필드의 장점을 결합한 하이브리드 쿼리 필드(hybrid query field) 표현이다.

1. 하이브리드 쿼리 필드 표현

프레임워크는 다음 두 가지 필드로 구성된 쿼리 필드 $Q(x) = (f_{udf}(x), w_{\delta}(x))$ 를 구축한다:

뉴럴 무부호 거리 함수(Neural Unsigned Distance Field, UDF): 공간 전체에 걸쳐 연속적이고 미분 가능한 거리 및 방향 쿼리( $f_{udf}$ )를 제공한다. 이는 열린 구조나 비매니폴드 표면을 처리할 수 있지만, 표면 근처에서의 모호함과 솔리드-공극 분류 기능이 부족하다.
정규화된 일반화된 와인딩 수(Regularized Generalized Winding Number, Reg-GWN): 신뢰할 수 있는 내부/외부 분류 및 표면 국지화를 제공하는 스칼라 필드( $w_{\delta}$ )이다. 에러 함수 커널을 사용하는 정규화 함수를 적용함으로써 표면에서의 특이점(singularity)을 제거하여 미분 가능한 전이를 만든다. 이 필드의 그래디언트 크기( $\|\nabla w_{\delta}\|$ )는 표면 경계에서 날카로운 능선(ridge)을 형성하여, 열린 경계에서도 정밀한 국지화를 가능하게 한다.

경계 검출: 본 방법은 표면 $S$ 를 단순한 등치값(iso-value)으로 찾는 것이 아니라, UDF로 정의된 좁은 밴드 내에서 Reg-GWN 그래디언트 크기( $\|\nabla w_{\delta}\|$ )의 능선을 찾는 방식으로 식별한다. 이는 표면을 향하는 음의 UDF 그래디언트 방향을 따라 추적함으로써 수행된다. 이러한 하이브리드 접근 방식은 경계 근처에서의 UDF의 모호함과 GWN의 메트릭 거리 결여 문제를 해결한다.

2. 공간 경로 생성

파이프라인은 세 가지 목적 함수를 준수하면서 로컬 프린팅 방향을 정의하기 위해 스칼라 가이드 필드(guidance field) $g(x)$ 를 최적화한다:

지지대 없는 제약 조건( $L_{SF}$ ): 오버행 각도가 출력 가능한 한계 내에 있도록 보장한다.
경계 보호( $L_{BP}$ ): 열린 경계 근처의 슬라이싱 토폴로지를 보존하고 혼합 솔리드-쉘 모델에서의 불연속성을 방지한다.
표면 매끄러움( $L_{smooth}$ ): 균일한 레이어 높이를 보장하고 국부적인 파임(gouging)을 방지한다.

웨이포인트 추적: 경로는 가이드 필드의 레벨 셋(level set)과 Reg-GWN 능선 표면 사이의 교차점으로 정의된다. 저자들은 GPU 병렬 처리가 가능한 반복적 투영 알고리즘을 도입한다:

UDF로 정의된 좁은 밴드 내의 점들을 샘환한다.
점들을 가이드 레벨 셋 위로 투영한다.
$\|\nabla w_{\delta}\|$ 를 최대화하기 위해 UDF 그래디언트를 따라 양방향 탐색을 수행함으로써 점들을 Reg-GWN 능선 쪽으로 정밀화한다.

3. 조-정(Coarse-to-Fine) 충돌 검사

노즐의 전역 충돌 없는 동작을 보장하기 위해, 저자들은 2단계 검사 체계를 제안한다:

조 단계 (빠른 거부): 전역 UDF를 사용하여 명백히 충돌이 없는 경우를 빠르게 제외한다. 이 단계는 약 99.5%의 비충돌 구성을 필터링한다.
정 단계 (강건한 검증): 모호한 경우(예: 특이점 근처 또는 UDE 그래디언트가 일관되지 않은 경우)를 위해, 현재까지 출력된 기하 구조를 기반으로 시변 Reg-GWN 필드( $w_{\delta-TV}$ )를 구축한다. 이 필드는 노즐 에지가 동적으로 진화하는 경계 능선을 가로지르는지 검증한다. 이 단계는 UDF의 거짓 양성(false positive)을 수정하고 혼합 솔리드-쉘 충돌을 정확하게 처리한다.

노즐 방향은 충돌 제약을 만족하면서 동시에 동작의 매끄러움과 지지대 없는 요구 사항을 유지하도록 쿼터니언 필드를 통해 최적화된다.

주요 기여

엔드 투 엔드 파이프라인: 수동 복구나 전처리가 필요 없이 "야생의 모델"로부터 직접 다축 3DP를 위한 충돌 없는 공간 경로 및 기계 동작을 생성하는 최초의 계산 파이프라인이다.
하이브리드 쿼리 필드: 뉴럴 UDF와 Reg-GWN을 결합하여 비매니폴드 및 혼합 솔리드-쉘 입력에 대해 강건한 표면 국지화, 솔리드-공의 식별 및 미분 가능한 거리 쿼리를 가능하게 하는 새로운 표현 방식이다.
강건한 표면 국지화: 열린 구조 및 수밀성이 확보되지 않은 기하 구조에서 정확하게 경계를 감지하기 위해 Reg-GWN 그래디언트 능선과 UDF 그래디언트를 사용하는 방법이다. 이는 UDF 전용 방식에 비해 국지화 오차를 크게 줄인다.
고정밀 경로 생성: 혼합 솔리드-쉘 구조 위에서 지지대 없는 경로를 생성하는 반복적 투영 알고리즘을 제공한다.
효율적인 충돌 검사: 속도를 위한 UDF와 정확도를 위한 시변 Reg-GWN을 활용하는 조-정 전략을 통해, 동적으로 성장하는 출력 객물에 대한 전역 충돌 검사를 가능하게 한다.

결과

프레임워크는 다음과 같은 다양한 입력을 통해 검증되었다:

파라메트릭 표면: 자기 교차 및 거의 일치하는 표면을 가진 모델(예: 클라인 병, 크리스마스 트리).
뉴럴 암시적 모델: 명시적인 메쉬 변환 없이 잠재 공간(latent-space) 제어 생성기로부터 직접 경로 생성.
스캔된 포인트 클라우드: 불완전한 영역과 비매니폴드 병합을 포함하는 로우 데이터(예: 여신 조각상).
복셀 데이터: 솔리드 인필과 얇은 쉘 스킨이 있는 위상 최적화 결과(예: 새끼 고양이 모델).
Thingi10K 데이터셋: 비매니폴드, 자기 교차 또는 열린 표면을 가진 20개의 도전적인 메쉬.

성능 지표:

지지대 없는 비율: 평면 기반 3DP 대비 유의미한 개선을 보였으며, 도전적인 모델들에 대해 거의 100%에 도달했다(평면 베이스라인의 25~95% 대비).
계산량: NVIDIA RTX 4090에서 10만 개 이상의 포인트에 대한 웨이포인트 생성이 10초 미만이 소요된다. UDF 구축이 가장 시간이 많이 걸리는 단계(~70%)이며, Reg-GWN 쿼리는 매우 빠르다(<20ms).
물리적 제작: 8-DOF 로봇 시스템(6-DOF 암 + 2-DOF 회전 테이블)에서 성공적으로 출력되었다. 출력된 부품(예: 새끼 고양이, 클라인 병)의 CT 스캔 결과 높은 기하학적 충실도(평균 거리 오차 ~0.7mm)와 외부 지지대 없는 얇은 쉘 및 솔리드-인필 구조의 성공적인 재현을 확인했다.
평면 확장성: 본 방법은 평면 3DP에도 적용되어, 기존 슬라이서가 실패했던 중첩 모델(양파) 및 솔리드-쉘 혼합 모델을 성공적으로 처리했다.

의의

본 논문은 WildFab가 기하 구조를 왜곡하는 복구 작업의 병목 현상을 제거함으로써 최첨단 기술을 발전시킨다고 주장한다. 하이브리드 쿼리 필드를 활용함으로써, 이 방법은 이전에 출력이 불가능했거나 광범한 수동 개입이 필요했던 복잡하고 실제적인 기하 구조에 대해 엔드 투 엔드 디자인-투-3DP 워크플로우를 가능하게 한다. 이 프레임워크는 다축 및 평면 3D 프린팅뿐만 아니라 신뢰할 수 있는 충돌 검사가 필요한 기타 로봇 제조 작업(예: 용접)을 지원하는 통합된 기반으로 제시된다. 저자들은 이 접근 방식이 얇은 쉘과 비매니폴드 접합부를 포함하여 원래 기하 구조의 의도를 보존하며, 이는 볼륨 재구축 과정에서 흔히 손실되는 부분임을 강조한다. 코드는 오픈 소스로 공개되어 있다.