🤖 AI

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

ArtisanCAD is een industriële CAD-agent die gebruikmaakt van op experts gebaseerde kennisdestillatie en een uitvoerbare intermediaire representatie (CAD-IR) om ambigue natuurlijke taalprompts en procedurele expertgegevens te transformeren naar productieklare, bewerkbare B-Rep-modellen met verbeterde nauwkeurigheid en robuustheid.

Oorspronkelijke auteurs: 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

Gepubliceerd 2026-07-08

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: 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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een robot probeert te leren hoe hij een complex meubelstuk moet bouwen, zoals een aangepast autodeurpaneel of een motorbeugel. Je kunt niet simpelweg zeggen: "Maak een deur." De robot moet precies weten hoe hij hem moet bouwen: waar hij de eerste lijn moet trekken, welk gat hij eerst moet boren en hoe hij ervoor moet zorgen dat de onderdelen perfect op elkaar passen. Als je vage instructies geeft, bouwt de robot misschien een wankel zooitje of loopt hij halverwege vast.

Dit artikel introduceert ARTISANCAD, een slimme robotassistent die ontworpen is om dit probleem voor industriële ingenieurs op te lossen. Dit is hoe het werkt, uitgelegd aan de hand van eenvoudige concepten:

1. Het Probleem: Vage Instructies versus Expertgeheimen

Huidige AI-tools zijn goed in het omzetten van eenvoudige tekst naar 3D-vormen, maar ze hebben moeite met echte industriële onderdelen.

Het Probleem: Als je een standaard AI vertelt: "Maak een scharnierplaat dieper," raadt de AI misschien de verkeerde vorm of vergeet hij noodzakelijke gaten toe te voegen. Het mist het "spiergeheugen" van een menselijke expert.
Het Ontbrekende Stuk: Ingenieurs hebben jarenlagen ervaring. Ze hebben video's van hun werk, aantekeningen bij tekeningen en hebben "macro-logs" (digitale opnames van hun muisklikken en commando's) opgeslagen. Bestaande AI-tools negeren deze schat aan kennis.

2. De Oplossing: Het "Meesterrecept" (CAD-IR)

De kerninnovatie van ARTISANCAD is iets dat CAD-IR wordt genoemd (Computer-Aided Design Intermediate Representation). Zie dit als een Meesterrecept of een Blauwdruk voor een Blauwdruk.

In plaats van dat de AI probeert de uiteindelijke vorm vanaf nul te raden, gebruikt het CAD-IR om het proces te organiseren:

Het is een Vertaler: Het neemt de rommelige, echte opnames van een deskundige ingenieur (zoals een video van iemand die CATIA-software gebruikt) en zet dit om in een heldere, stapsgewijze lijst met instructies.
Het is een Checklist: Het zegt niet alleen "maak een gat." Het zegt: "Teken eerst een cirkel. Zorg daarna dat deze gecentreerd is. Boor deze vervolgens. Controleer tot slot of deze glad is."
Het is een Vaardigheidsbibliotheek: De AI zet deze recepten om in "Skills" (vaardigheden). Als een ingenieur weet hoe hij een autodeur moet maken, wordt die "Deur-Skill" opgeslagen. Als iemand later vraagt om een bredere deur, begint de AI niet vanaf nul; het pakt de "Deur-Skill" en past alleen de breedte aan.

3. Hoe de Robot Werkt (De Lus)

Wanneer een gebruiker een verzoek doet (bijv. "Maak dit motorkappaneel hoger"), doorloopt ARTISANCAD een cyclus:

Retrieval (Ophalen): Het zoekt in zijn bibliotheek naar de "Motorkappaneel-Skill" die door een menselijke expert is gemaakt.
Adaptation (Aanpassing): Het neemt het "Meesterrecept" (CAD-IR) van de expert en werkt de getallen bij op basis van het verzoek van de gebruiker (bijv. "Verander hoogte van 10 cm naar 15 cm").
Execution (Uitvoering): Het stuurt deze bijgewerkte instructies naar een professionele software-backend (CATIA) om daadwerkelijk het 3D-model te bouwen.
De "Ogen" (Visuele Feedback): Dit is een cruciale stap. De robot genereert het model, maakt foto's vanuit acht verschillende hoeken (voorzijde, achterzijde, bovenkant, zijkant, etc.) en laat deze zien aan een AI-"inspecteur".
- De inspecteur vraagt: "Lijkt dit op een hoge motorkap? Zijn we per ongeluk de gaten vergeten?"
- Als het antwoord "Nee" is, herschrijft de robot het "Meesterrecept" (CAD-IR) en probeert het opnieuw.

4. De Resultaten: Van "Misschien" naar "Productieklaar"

Het artikel heeft dit op twee manieren getest:

De "Blinde" Test: Ze vroegen de AI om vormen te bouwen op basis van vage beschrijvingen zonder hulp van experts.
- Zonder het "Meesterrecept" (CAD-IR): Maakte de AI fouten, waarbij details zoals gaten of dunne steunen werden vergeten.
- Met het "Meesterrecept": Bouwde de AI veel nauwkeurigere vormen en vulde de ontbrekende details aan die de vage opdracht niet specifiek vermeldde.
De "Echte Wereld" Test: Ze gebruikten het op vier complexe auto-onderdelen (zoals een motorkappaneel en een vergrendelplaat).
- Ze namen menselijke experts op terwijl zij deze onderdelen bouwden, zetten die opnames om in "Skills", en vroegen de AI vervolgens om variaties te maken (bijv. "Maak het breder," "Maak het dieper").
- Resultaat: De AI creëerde succesvol nieuwe, bewerkbare, professionele 3D-modellen die ingenieurs daadwerkelijk kunnen gebruiken. Zonder de expert-"Skills" faalde de AI volledig omdat de instructies te complex waren om te raden.

Samenvattende Analogie

Stel je voor dat je een complexe taart wilt bakken.

Oude AI: Je zegt: "Maak een taart." De AI raadt de ingrediënten en bakt een mislukte, hobbelige taart omdat de AI niet weet in welke volgorde je moet mengen of hoe lang de baktijd is.
ARTISANCAD: Je zegt: "Maak een taart, maar dan hoger." De AI haalt een Meesterrecept tevoorschijn dat geschreven is door een meesterbakker (de expert). De AI weet precies welke vorm je moet gebruiken en hoe je de baktijd aanpast voor een hogere taart. De AI bakt de taart, maakt een foto om te controleren of de taart goed gerezen is, en als het net niet perfect is, past de AI het recept aan en bakt de taart opnieuw totdat deze perfect is.

Kortom: ARTISANCAD overbrugt de kloof tussen vage menselijke ideeën en precieze industriële productie door AI te leren leren van het "spiergeheugen" van menselijke experts, waardoor hun ervaring wordt omgezet in herbruikbare, bewerkbare digitale vaardigheden.

Technische Samenvatting: ARTISANCAD

Probleemstelling

Industriële Computer-Aided Design (CAD) voor sectoren zoals de automotive en luchtvaart vereist langdurige procedurele modellering, robuuste feature-afhankelijkheden en productiebestendige Boundary Representation (B-Rep) uitvoering. In tegenstelling tot casual 3D-modellering omvat industriële CAD complexe workflows met schetsen, constraints en bewerkbare parametrische geometrie.

Bestaande text-to-CAD methoden, hoewel veelbelovend, kampen met significante beperkingen wanneer ze worden toegepast in industriële contexten:

Omgang met Ambiguïteit: Ze worstelen wanneer gebruikersprompts ambigu zijn, ondergespecificeerd of slechts een hoog niveau van ontwerpintentie beschrijven zonder details op laag niveau voor de constructie.
Gebrek aan Expertkennis: Ze maken zelden gebruik van de rijke procedurele kennis die van nature beschikbaar is in industriële workflows, zoals CATIA-opname-logs, macro-logs, technische tekeningen en engineering-beschrijvingen.
Complexiteitsgat: Huidige methoden worden vaak geëvalueerd op eenvoudige onderdelen of korte schets-extrude programma's, waardoor ze niet in staat zijn om de langdurige procedures, gebogen B-Rep oppervlakken en hybride operaties te verwerken die vereist zijn voor complexe industriële componenten.

Methodologie

Het paper presenteert ARTISANCAD, een industriële CAD-agent die generatie fundeert in expert procedurele kennis via een mechanisme genaamd Expert-Grounded Knowledge Distillation. Het systeem werkt via twee primaire stadia:

1. Expert-to-Skill Acquisitie (Offline)

Deze fase transformeert eenmalige expert CAD-records naar herbruikbare, geparametriseerde skills.

Input: Heterogene expert-data inclusief CATIA macro-opnames, tekeningen, feature trees en engineering-beschrijvingen.
Proces: Een code-georiënteerde agent (Codex-xHigh) parseert deze records naar gestructureerde modelleringsprocedures.
Output (Part Skill): Een skill $s$ $s$ wordt gedefinieerd als een tuple $(D_s, O_s, P_s, Z_s)$ $(D_{s}, O_{s}, P_{s}, Z_{s})$ :
- $D_s$ : Basis onderdeelbeschrijving (functionele rol, geometrische kenmerken).
- $O_s$ : Expert operatievolgorde (een herbruikbare procedurele prior, geen vast script).
- $P_s$ : Parameter schema (bewerkbare parameters zoals breedte, radius, met geldige bereiken).
- $Z_s$ : Template CAD-IR (de kern van de uitvoerbare procedurele template).

2. Skill-Guided Variant CAD Generatie (Online)

Wanneer een gebruiker een verzoek doet voor een nieuwe variant (bijv. "maak de plaat dieper"), genereert de agent niet vanaf nul een backend script. In plaats daarvan past de agent een bestaande skill aan.

Skill Retrieval: De agent haalt de meest relevante skill op uit de kennisbank op basis van de gebruikersquery.
CAD-IR Instantiatie: De agent instantieert de template CAD-IR ( $Z_s$ ) met het nieuwe verzoek. Dit vult ontbrekende parameters in, werkt operatie-argumenten bij en behoudt expert-afgeleide afhankelijkheden en verificatieregels.
CAD-IR (Intermediate Representation): De kerninnovatie is CAD-IR, een uitvoerbare procedurele representatie gedefinieerd als $Z = (P, T, O, E, V)$ $Z = (P, T, O, E, V)$ :
- $P$ : Globale onderdeelparameters.
- $T$ : Vereiste backend tools (MCP bindings).
- $O$ : Geordende lijst van CAD-operaties (intentie, tool calls, argumenten, outputs, afhankelijkheden, verificatie).
- $E$ : Gegenereerde entiteiten en afhankelijkheidsrelaties.
- $V$ : Verificatieregels.
Backend Executie: De gegenereerde CAD-IR wordt gedispatched naar een CATIA-MCP backend, die de IR-operaties vertaalt naar native CATIA-commando's om bewerkbare B-Rep modellen te produceren.
Vision Feedback Loop: Een lichtgewicht multi-view visueel feedback systeem evalueert het gegenereerde model. Als er inconsistenties worden gevonden, herschrijft de agent de CAD-IR (niet het backend script) om parameters of operaties te corrigeren, en iteratieve processen doorlopen totdat het model voldoet aan de visuele en structurele controles.

Belangrijkste Bijdragen

Expert-to-Skill Acquisitie Mechanisme: Een nieuwe workflow die heterogene expertkennis (macros, logs, aantekeningen) destilleert naar CAD-IR en herbruikbare geparametriseerde skills. Dit maakt het mogelijk om expert modelleringsprocedures aan te passen aan nieuwe variant-verzoeken binnen dezelfde componentfamilie.
ARTISANCAD Agent: Een skill-gestuurde industriële CAD-agent met multi-backend ondersteuning. Het haalt skills op, instantieert en herziet procedures op het IR-niveau, en voert deze uit via een toegewijde CATIA-MCP backend. Het bevat een multi-view visuele feedback loop voor iteratieve verfijning.
CAD-IR als Procedurele Scaffold: Het paper demonstreert dat het representeren van CAD-generatie als een expliciete, uitvoerbare intermediaire representatie de kloof overbrugt tussen vage tekstuele beschrijvingen en complexe, uitvoerbare CAD-constructie.

Experimentele Resultaten

De auteurs evalueerden ARTISANCAD op twee fronten:

1. Publieke Text2CAD Benchmark

Setup: Getest op 100 intermediate-level prompts zonder gebruik te maken van enige expert kennisbasis (om het effect van CAD-IR te isoleren).
Bevindingen:
- Chamfer Distance (CD): Verminderde de gemiddelde CD van 14.83 (ARTISANCAD zonder IR) naar 9.88 (ARTISANCAD met IR).
- Solid IoU: Verbeterde van 0.614 naar 0.646.
- Vergelijking: ARTISANCAD met IR presteerde aanzienlijk beter dan baselines zoals Text2CAD (CD 29.80) en CAD-Coder (CD 14.16).
- Significantie: Zelfs zonder expert skills biedt CAD-IR een superieure procedurele scaffold voor het omzetten van ambigue prompts naar uitvoerbare operaties.

2. Industriële Automotive Componenten

Setup: Toegepast op vier complexe automotive onderdelen (Hinge Reinforcement Plate, Hood Panel, Outer Panel Bracket, Lock Reinforcement Plate). Expert macro-opnames werden gedestilleerd in skills.
Bevindingen:
- ARTISANCAD slaagde erin om bewerkbare, productie-klare B-Rep modellen te genereren voor nieuwe variant-verzoeken (bijv. het wijzigen van diepte, breedte of gat-lay-outs) door de gedestilleerde skills aan te passen.
- Ablatie: Pogingen om deze complexe componenten te genereren zonder skill-gestuurde CAD-IR faalden, omdat de agent niet in staat was de noodzakelijke langdurige operatievolgordes en afhankelijkheden af te leiden uit korte prompts alleen.

Significantie en Claims

Het paper claimt dat ARTISANCAD een verschuiving vertegenwoordigt van het genereren van geïsoleerde benchmark CAD-sequenties naar productie-georiënteerde CAD-automatisering.

Overbruggen van de Kloof: Het systeem overbrugt effectief de kloof tussen ambigue gebruikersintentie en de rigoureuze, langdurige procedures die vereist zijn in industrieel ontwerp.
Kennishergebruik: Door expert macro-opnames te distilleren in herbruikbare skills, stelt het systeem ingenieurs in staat om geaccumuleerde procedurele kennis te benutten in plaats van workflows telkens opnieuw uit te vinden.
Robuustheid: Het gebruik van CAD-IR als een intermediaire laag maakt operatie-niveau revisies en visuele feedback integratie mogelijk, wat het systeem robuuster maakt tegen ambigue inputs en executiefouten vergeleken met directe backend script generatie.

De auteurs concluderen dat hoewel huidige text-to-CAD systemen beperkt worden door hun gebrek aan procedurele priors, ARTISANCAD aantoont dat het funderen van generatie in expert-afgeleide skills en uitvoerbare intermediaire representaties essentieel is voor het schalen van CAD-agents naar praktische industriële workflows.