Learning From Design Procedure To Generate CAD Programs for Data Augmentation

Dit paper introduceert een nieuwe data-augmentatiemethode die Large Language Models stimuleert om CAD-programma's te genereren op basis van referentieoppervlakken en modelleringprocedures, waardoor de geometrische diversiteit en de overeenkomst met industriële ontwerpen aanzienlijk worden verbeterd.

De kern

Het Probleem: De "Bouwpakketjes" zijn te saai

Stel je voor dat je een robot wilt leren hoe je auto's of meubels moet ontwerpen. Je geeft de robot een enorme stapel instructieboekjes (de "trainingsdata") om te bestuderen.

Het probleem is dat de meeste instructieboekjes die we nu hebben, heel saai zijn. Ze bevatten alleen simpele vormen: rechthoekige blokken, ronde buizen en vlakke platen. Het zijn als het ware bouwpakketjes van een simpele schuur of een blokje Lego.

Maar in de echte wereld (bij auto's, vliegtuigen of dure meubels) zien ontwerpen er heel anders uit. Ze hebben stroomlijnen, kromme lijnen en organische vormen die soepel over elkaar lopen. Denk aan de vorm van een Ferrari of een comfortabele stoel die perfect in je rug past. De robot kan deze complexe, mooie vormen niet leren omdat de instructieboekjes die hij heeft, deze vormen niet bevatten.

De Oplossing: De "Vormgever" en de "Bouwmeester"

De onderzoekers van Toyota Research Institute hebben een slimme nieuwe manier bedacht om de robot meer te leren. Ze hebben een methode bedacht die lijkt op hoe echte ontwerpers werken.

Stel je twee mensen voor:

1. De Vormgever: Iemand die een heel specifiek, krom stukje papier (een "referentie-oppervlak") maakt. Dit papier kan elke vorm hebben: een golvend oppervlak, een zadelvorm of een rimpel.
2. De Bouwmeester: Iemand die een object moet bouwen (bijvoorbeeld een beugel) dat perfect tegen dat kromme papier moet aansluiten.

Hun nieuwe truc werkt zo:
In plaats van de robot alleen te zeggen: "Maak een beugel", geven ze de robot twee dingen:

1. Een beschrijving van wat er gebouwd moet worden (bijv. "Maak een stevige beugel met twee gaten").
2. Een computercode die het kromme "papier" (de referentie) beschrijft.

De robot (een AI die code schrijft) krijgt dan de opdracht: "Bouw deze beugel, maar zorg dat hij perfect tegen dit kromme papier aan past. Als het papier krom is, moet de beugel ook krom worden!"

Waarom werkt dit zo goed?

• De "Kleurplaat"-analogie:
  Stel je voor dat je een kleurplaat hebt. In de oude methoden was de kleurplaat altijd een vierkant of een cirkel. De robot leerde alleen hoe je vierkanten en cirkels tekende.
  Met deze nieuwe methode geven ze de robot een kleurplaat met een golvende lijn. De robot moet nu zijn lijnen aan die golf aanpassen. Hierdoor leert de robot plotseling hoe je kromme lijnen (in de vaktaal: B-Splines) tekent, wat hij eerder niet kon.

• Van "Blokjes" naar "Vloeistof":
  De oude datasets waren als een stapel bakstenen. Alles was recht en hoekig.
  De nieuwe methode maakt de datasets meer als klei. Je kunt de klei buigen en vormen. Door de robot te dwingen te bouwen rondom deze "kromme klei", leert hij hoe hij complexe, vloeiende vormen maakt die in de echte industrie nodig zijn.

Wat hebben ze ontdekt?

De onderzoekers hebben getest of dit werkte, en het antwoord is een volmondig JA.

• De ontwerpen die de robot nu maakt, zijn veel complexer en mooier.
• Ze bevatten veel meer van die speciale, kromme lijnen die je ziet in echte auto's en vliegtuigen.
• Ze lijken veel meer op wat echte mensen ontwerpen dan de oude, simpele blokken.

Conclusie

Kort samengevat: De onderzoekers hebben een manier gevonden om een AI te "trainen" door hem te laten bouwen rondom kromme, moeilijke vormen. Hierdoor stopt de AI met het maken van saaie, hoekige blokken en begint hij te ontwerpen met de soepele, organische vormen die we nodig hebben voor echte, geavanceerde producten. Het is alsof je een kind dat alleen maar blokken heeft leren stapelen, plotseling leert bouwen met klei.

Technische samenvatting

Probleemstelling

Grote Taalmodellen (LLMs) hebben indrukwekkende prestaties geleverd in codegeneratie, maar het genereren van Computer-Aided Design (CAD)-programma's blijft een uitdaging. Het huidige gebrek aan gevarieerde trainingsdata leidt tot CAD-modellen met beperkte geometrische complexiteit. Bestaande open-source datasets (zoals DeepCAD) bevatten voornamelijk simpele vormen die zijn opgebouwd uit basisoperaties (zoals schetsen en extruderen) en missen de complexe, organische vormen (zoals B-Spline-krommen) die standaard zijn in industriële ontwerpen. Dit beperkt de bruikbaarheid van AI-modellen voor daadwerkelijke engineering en productie.

Methodologie

De auteurs stellen een nieuwe data-augmentatieparadigma voor dat is geïnspireerd op de werkelijke ontwerppraktijken van industriële CAD-ontwerpers. In plaats van alleen tekst of afbeeldingen te gebruiken, combineert hun aanpak twee elementen om een LLM te sturen:

1. Referentie-oppervlak (Reference Surface): In plaats van een afbeelding of puntwolk, wordt een Python-script (via de CadQuery-bibliotheek) gebruikt dat een specifiek, organisch referentie-oppervlak definieert (bijv. Gaussisch, zadelvormig, golfvormig). Dit script fungeert als een nauwkeurige parametrische beschrijving van de geometrie.
2. Ontwerpprocedure Prompt: Een natuurlijke taalbeschrijving die de ontwerprichting en de procedure specificeert. De prompt instrueert het model om een object (bijv. een beugel) te ontwerpen dat zich aanpast aan de kromming van het referentie-oppervlak.

Het proces verloopt als volgt:

• De LLM genereert een CAD-programma (Python-script) op basis van de prompt.
• Het gegenereerde script wordt uitgevoerd om een 3D-model (B-rep) te creëren.
• Er vindt een validatie plaats: het model wordt gecontroleerd op waterdichtheid en structurele haalbaarheid.
• Bij fouten wordt het model iteratief bijgestuurd (self-correction) totdat een geldig resultaat wordt gegenereerd.

Belangrijkste Bijdragen

• Nieuwe Prompt-strategie: De introductie van een script-based referentie-oppervlak als input voor LLMs, wat een brug slaat tussen menselijk ontwerptalent (tacit knowledge) en geautomatiseerde generatie.
• Verrijking van Geometrische Distributie: De methode introduceert systematisch B-Spline-geometrieën (krommen en vlakken) in gegenereerde datasets, wat ontbreekt in bestaande datasets.
• Modularisatie van Ontwerp: Het toont aan dat het modelleren van een ontwerp als een procedure (gebaseerd op een referentie) leidt tot meer organische vormen dan het simpelweg vragen om "gladde vormen" in tekst.
• Validatie Framework: Een robuust systeem voor programmavaldatie en structuurcontrole om de kwaliteit van de gegenereerde CAD-data te waarborgen.

Resultaten

De experimenten werden uitgevoerd met de generatie van beugels (brackets) en vergeleken met bestaande datasets (DeepCAD-b, GenCAD, CAD-MLLM) en een industrieel referentiedataset.

• Geometrische Complexiteit: De gegenereerde CAD-modellen hebben aanzienlijk meer B-Spline-vlakken (77% vs. 0% in baselines) en B-Spline-krommen (89% vs. 1%).
• B-Spline Ratio: De gemiddelde B-Spline-ratio voor de gegenereerde data is 0,2217, vergeleken met minder dan 0,001 voor bestaande open-source datasets. Dit komt veel dichter in de buurt van industriële ontwerpen (ratio ~0,53).
• Verscheidenheid: De verdeling van de geometrische complexiteit is breder en minder vertekend dan bij bestaande datasets, wat aantoont dat de methode een groter scala aan vormen kan genereren.
• Ablatie-studie: Het verwijderen van het referentie-oppervlak of de procedure-prompt resulteert in een drastische daling van de B-Spline-voorkomen. Dit bevestigt dat het script-based referentie-oppervlak de sleutelfactor is voor het genereren van complexe vormen.
• Generaliseerbaarheid: De methode slaagde er ook in om complexe onderdelen zoals autovelgen te genereren met verschillende spakenpatronen, wat de schaalbaarheid van de aanpak aantoont.

Betekenis en Impact

Deze paper biedt een oplossing voor het tekort aan hoogwaardige trainingsdata voor CAD-generatie. Door de kloof tussen simpele open-source datasets en complexe industriële ontwerpen te dichten, maakt deze methode het mogelijk om diepere en meer capabele deep learning-modellen te trainen.

De aanpak is cruciaal voor de toekomst van automatisering in engineering en productie, omdat het LLMs in staat stelt om niet alleen simpele blokken te genereren, maar ook functionele, ergonomische en esthetisch complexe onderdelen die direct bruikbaar zijn in de echte wereld. Het benadrukt dat het nabootsen van het menselijke ontwerpproces (via referentie-oppervlakken en procedures) effectiever is dan het proberen om complexiteit alleen via tekstuele instructies te forceren.