🤖 AI

CADIR: A Cross-Backend Editable Intermediate Representation for Agentic CAD Generation

Dit artikel introduceert CADIR, een cross-backend uitvoerbare intermediaire representatie gebouwd op de OCCT-kernel die agentische CAD-generatie mogelijk maakt met expliciete constructiegrafen en geometrische signatuurmatching om hoogwaardige, bewerkbare modelreconstructie te bereiken over diverse CAD-systemen zoals FreeCAD, SolidWorks en Fusion 360.

Oorspronkelijke auteurs: Yu Liu, Jingzhe Ni, Yiming Chen, Junqi Huang, Ruofeng Tong, Min Tang, Peng Du

Gepubliceerd 2026-08-04

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Yu Liu, Jingzhe Ni, Yiming Chen, Junqi Huang, Ruofeng Tong, Min Tang, Peng Du

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 Lego-kasteel moet bouwen. Je zou de robot een foto van het voltooide kasteel kunnen geven en zeggen: "Maak dit", maar de robot zou de blokjes misschien gewoon in een slordige hoop aan elkaar lijmen die uit elkaar valt als je ook maar één stukje probeert te verplaatsen. Of je zou de robot een lange, rigide lijst met instructies kunnen geven zoals "Pak rood blokje 4, plaats het op blauw blokje 2", maar als de gereedschappen van de robot net iets anders zijn dan die jij hebt gebruikt om de lijst te schrijven, kan hij het verkeerde blokje pakken of vast komen te zitten. Dit is de huidige uitdaging in een vakgebied genaamd Computer-Aided Design (CAD), waarbij ingenieurs software gebruiken om alles te ontwerpen, van automotoren tot smartphone-behuizingen. Lange tijd konden computers alleen statische 3D-vormen maken of zeer specifieke, rigide scripts volgen die gemakkelijk kapotgingen als je probeرde ze te veranderen of naar een ander softwareprogramma te verplaatsen. Maar nu, met de opkomst van "Large Language Models" (AI die menselijke taal begrijpt), beginnen we computers te zien die een beschrijving als "maak een tandwiel" kunnen begrijpen en proberen het te bouwen. De grote vraag is: hoe zorgen we ervoor dat de computer iets bouwt dat niet alleen de juiste vorm heeft, maar ook gemakkelijk te repareren, te veranderen en te gebruiken is in verschillende ontwerpprogramma's?

Dit is waar een nieuw systeem genaamd CADIR om de hoek komt kijken, dat fungeert als een superintelligente vertaler en projectmanager voor AI-bouwers. De onderzoekers achter dit artikel ontdekten dat bestaande methoden waren alsof je een chef-kok een recept gaf dat geschreven was in een geheime code die alleen door één specifieke keuken gelezen kon worden; als je probeerde in een andere keuken te koken, zouden de ingrediënten niet overeenkomen, of zouden de stappen geen zin hebben. Ze merkten ook op dat eerdere AI-pogingen "statische" modellen bouwden—zoals een 3D-standbeeld—waarbij je later niets meer aan kon aanpassen zonder opnieuw te beginnen. Om dit op te lossen, creëerde het team CADIR, wat staat voor een "Cross-Backend Editable Intermediate Representation". Denk aan een universeel, stapsgewijs constructielogboek dat niet alleen registreert wat er is gebouwd, maar ook hoe het is gebouwd, waarbij elke afhankelijkheid (zoals hoe een wiel aan een as is bevestigd) bijhoudt op een manier die elke belangrijke ontwerpprogramma kan begrijpen.

In plaats van alleen een definitieve 3D-vorm uit te spugen, bouwt het CADIR-systeem een "constructiegrafiek". Stel je dit voor als een dynamisch stroomdiagram waarbij elke stap in het bouwproces een knooppunt is, en de lijnen die de stappen verbinden laten zien hoe de ene stap afhankelijk is van de andere. Als je de grootte van een gat in het midden van het ontwerp verandert, weet de grafiek dat alles dat met dat gat verbonden is, moet worden bijgewerkt, net zoals een echt technisch ontwerp. Het systeem gebruikt een slimme truc genaamd "Geometric Signature Matching" om de juiste onderdelen te vinden. Het is alsof je een specifiek Lego-blokje kwijt bent in een andere set; in plaats van te zoeken naar een blokje met hetzelfde serienummer (dat in de nieuwe set misschien niet bestaat), zoekt het systeem naar een blokje met dezelfde vorm, grootte en kleur, waardoor het nieuwe ontwerp perfect past, zelfs als de software anders is.

De onderzoekers testten dit door de AI te vragen honderden mechanische onderdelen te bouwen, van eenvoudige blokken tot complexe assemblages met tandwielen en bewegende delen. Ze ontdekten dat CADIR ongelooflijk betrouwbaar was en een perfecte "execution success rate" van 1,0000 behaalde, wat betekent dat de AI de modellen telkens weer succesvol bouwde zonder crashes of fouten te maken. Wanneer ze CADIR vergeleken met andere methoden, produceerde het veel dichter bij het beoogde ontwerp en, cruciaal, maakte het de modellen aanpasbaar en bruikbaar in populaire software zoals FreeCAD, SolidWorks en Fusion 360. Sterker nog, toen ze probeerden deze gereconstrueerde modellen te bewerken, slaagde het systeem er bijna 100% van de tijd in om de onderdelen te repareren of te veranderen in FreeCAD en Fusion 360.

Wat dit bijzonder spannend maakt, is dat het systeem niet alleen vanaf nul bouwt; het kan ook "herinneren" wat er in het verleden is ontworpen. De onderzoekers gaven de AI een bibliotheek van eerdere constructiegrafieken en ontdekten dat wanneer de AI zocht naar vergelijkbare vormen of onderdelen met behulp van tekst of afbeeldingen, het de juiste bouwblokken veel sneller en nauwkeuriger kon vinden dan wanneer het alleen door ruwe code zou zoeken. Dit betekent dat de AI kan leren van zijn eigen geschiedenis en slimme kleine structuren (zoals een specifieke manier om een handvat te bevestigen) kan hergebruiken om later complexere dingen te bouwen. Hoewel het artikel opmerkt dat sommige zeer specifieke functies in bepaalde software nog steeds niet perfect bewerkbaar zijn vanwege de unieke beperkingen van die programma's, is het algemene resultaat een enorme sprong voorwaarts. Het suggereert dat we bewegen naar een toekomst waarin AI niet alleen complexe machines kan ontwerpen, maar ze ook kan overhandigen aan menselijke ingenieurs in een formaat dat klaar is om aangepast, getest en verbeterd te worden, waardoor de kloof tussen een simpel idee en een echt, werkend product wordt overbrugd.

Technisch Overzicht: CADIR – Een Cross-Backend Bewerkbare Tussenliggende Representatie voor Agentische CAD-generatie

Probleemstelling

Huidige benaderingen voor het genereren van Computer-Aided Design (CAD) modellen met behulp van Large Language Models (LLMs) kampen met aanzienlijke beperkingen wat betreft het behoud van de constructiegeschiedenis, het handhaven van stabiele topologische referenties en het mogelijk maken van bewerkbaarheid op functieniveau over verschillende CAD-systemen heen.

Statische Geometrische Methoden: Technieken zoals B-Rep of mesh-generatie (bijv. BrepGen, AutoBrep) produceren definitieve geometrie zonder constructiegeschiedenis, wat parametrische of bewerkbaarheid op functieniveau verhindert.
Sequentiële Scriptmethoden: Sequentie-gebaseerde benaderingen (bijv. DeepCAD, Text2CAD) behouden vaak slechts een gedeeltelijke geschiedenis (sketch-extrude sequenties) of vertrouwen op backend-specifieke platte scripts. Deze scripts missen expliciete afhankelijkheden, constraints en stabiele topologische referenties, waardoor ze broos zijn wanneer parameters veranderen of wanneer geprobeerd wordt modellen tussen verschillende CAD-kernels te transporteren.
Agent-gebaseerde Frameworks: Hoewel frameworks zoals CAD-Assistant en ProCAD uitvoering-feedback introduceren, blijven ze gebonden aan specifieke CAD-omgevingen en missen ze een gestructureerde tussenliggende representatie (IR) die in staat is tot cross-backend reconstructie of fijnmazige extractie van modelleringssubstructuren.

Als gevolg hiervan is er behoefte aan een tussenliggende representatie die uitvoerbaar, agent-vriendelijk en in staat is tot het reconstrueren van native, bewerkbare functiegeschiedenissen over heterogene CAD-backends (bijv. FreeCAD, SolidWorks, Fusion 360) heen.

Methodologie: Het CADIR-systeem

De auteurs stellen CADIR voor, een agent-vriendelijke, uitvoerbare tussenliggende representatie gebouwd op de OpenCASCADE (OCCT) geometriekernel via de OCP (Open Cascade Python) interface. Het systeem werkt via drie kerncomponenten:

1. Agent-vriendelijke Modellerings-API

CADIR adresseert de beperkingen van bestaande Python CAD-interfaces (zoals CadQuery) die vaak vertrouwen op impliciete werkvlakken en stateful methode-ketens die de context voor LLM's vertroebelen.

Expliciete Operaties: Het legt 115 publieke, compositionele modelleringsoperaties direct bloot op de OCCT-kernel.
Gestructureerde Diagnostiek: Elke API-aanroep retourneert precieze analytische geometrie, topologie, diagnostische logs en uitvoeringsfouten, waardoor agents fouten kunnen lokaliseren.
Topology Selector (TS): Om de onbetrouwbaarheid van het selecteren van randen/vlakken op basis van index (die verandert na Booleaanse operaties) te overwinnen, introduceert CADIR een Topology Selector. Dit is een expliciete selectie-operatie gedefinieerd door een grammatica: Select(τ, ρ)[Traverse(π)][Where(ϕ)].... Het stelt agents in staat entiteiten te selecteren op basis van semantische tags, geometrische predicaten en boundary traversals, waarbij de selectielogica in de constructiegraaf wordt vastgelegd.
Assembly Constraints: Er worden expliciete operaties geboden voor fixed, prismatic, revolute en andere constraints, samen met een statische collision verifier.

2. Cross-Backend Constructiegraaf

In plaats van het transporteren van statische geometrie of platform-specifieke scripts, legt CADIR de programma-uitvoering vast als een backend-onafhankelijke Constructiegraaf ( $G_{CADIR}$ ).

Graafstructuur: De graaf bestaat uit knopen (canonieke constructie-operaties), gerichte randen (operatie-afhankelijkheden), gestructureerde knooprecords (parameters, tags, context en geïnduceerde topologische veranderingen) en resultaatknopen.
Geometric Signature Matching (GSM): Een cruciale innovatie voor cross-backend reconstructie. Omdat topologische indices onstabiel zijn over verschillende CAD-kernels heen, wijst CADIR een canonieke Geometric Signature ( $\sigma$ $σ$ ) toe aan elke geselecteerde entiteit. Deze signature bevat de bounding box, geometrisch type, centrum, lengte/oppervlakte, eindpunten en oppervlaktenormaal.
- Tijdens reconstructie traverseren adapters voor doel-backends (FreeCAD, SolidWorks, Fusion 360) de graaf en gebruiken GSM om bron-signatures te matchen met de gereconstrueerde doel-geometrie.
- Het algoritme handelt gevallen af waarin één bron-rand splitst in meerdere doel-randen of meerdere bron-randen samensmelten tot één, waarbij ambigue mapping wordt afgewezen om betrouwbare functie-afhankelijkheidsreconstructie te garanderen.

3. Constructie-graaf Retrieval

Om complexe generatie te ondersteunen, gebruikt CADIR een retrieval-augmented generation (RAG) mechanisme met de constructiegrafen als gestructureerde indices.

Dual-Tower Architectuur: Twee onafhankelijk getrainde dual-tower modellen verwerken tekst- en beeldqueries. Ze mappen queries naar een CAD-bewuste graafruimte met behulp van een Graph Transformer om langetermijnafhankelijkheden te modelleren en gated message passing voor lokale afhankelijkheden.
Full-Graph en Subgraph Retrieval: Het systeem ondersteunt het ophalen van volledige modellen (full graphs) en herbruikbare modelleringssubstructuren (subgraphs, bijv. een specifieke sketch-extrude-chamfer sequentie). Subgraphs worden tijdens offline indexing gecodeerd, wat zero-shot retrieval van lokale constructiepatronen mogelijk maakt zonder expliciet toezicht op subgraphs tijdens de training.

Agent-architectuur

De CADIR Agent bestaat uit vijf gespecialiseerde agents ( $A_m, A_r, A_c, A_v, A_e$ ) die de workflow coördineren: vereistenanalyse, code-generatie/reparatie, visuele verificatie en ervaring-consolidatie. De agent maakt gebruik van een retrievable case library, geïndexeerd door constructiegrafen, om generatie te verfijnen via iteratieve feedbackloops.

Belangrijkste Bijdragen

CADIR Interface: Een uitvoerbare CAD-interface gebouwd op OCP/OCCT die expliciete compositionele operaties, semantische topologie-bewuste selectie en gestructureerde diagnostiek blootlegt, waarmee de "black box"-aard van stateful CAD-API's voor LLM's wordt overwonnen.
Cross-Backend Reconstructie: Een methode die gebruikmaakt van de constructiegraaf en Geometric Signature Matching (GSM) om topologische correspondentie tussen verschillende CAD-systemen vast te stellen, wat de reconstructie van native, bewerkbare functiegeschiedenissen in FreeCAD, SolidWorks en Fusion 360 mogelijk maakt.
Constructie-graaf Retrieval: Een retrieval-mechanisme voor tekst- en beeldqueries dat zowel full-graph als subgraph retrieval ondersteunt, waardoor agents volledige modellen en specifieke modelleringssubstructuren effectief kunnen hergebruiken voor complexe generatietaken.

Experimentele Resultaten

De auteurs evalueerden CADIR tegenover bestaande representaties (CQ, build123d, HistCAD, etc.) en generatiemethoden (Text2CAD, CADDesigner) met behulp van 200 modellen gesampled uit DeepCAD en de Fusion 360 Gallery.

Prestaties van de Tussenliggende Representatie: CADIR behaalde de hoogste Intersection over Union (IoU) van 0.2702 (een verbetering van ~4.85% ten opzien van de beste baseline, build123d op 0.2577) en de laagste Chamfer Distance (18.36) en Hausdorff Distance (0.2272). Het behaalde een perfect uitvoeringssuccespercentage van 1.0000, terwijl andere methoden varieerden van 0.8850 tot 0.9850.
Retrieval Accuraatheid: Construction Graph (CG) indexing presteerde significant beter dan directe CAD-program (CP) indexing. Voor tekstqueries met een kandidaat-pool van 1.000 bereikte CG een R@5 van 0.7495 en een R@10 van 0.8054, vergeleken met 0.2733 en 0.4046 voor CP.
Generatiekwaliteit: In text-to-CAD generatie verbeterde CADIR de IoU met ~30.55% en verminderde de Chamfer Distance met 43.0% vergeleken met de sterkste baseline (CADDesigner), terwijl het een uitvoeringssuccespercentage van 1.0000 behield.
Cross-Backend Reconstructie: Met behulp van GSM behaalde CADIR een Node Reconstruction Rate (NRR) van 1.0000 over FreeCAD, Fusion 360 en SolidWorks. In tegenstelling hiertoe behaalden index-gebaseerde en punt-sampling baselines NRRs tussen 0.3175 en 0.5342.
Post-Reconstructie Bewerking: Het Edit Success Rate (ESR) was 1.0000 voor FreeCAD, 0.9796 voor Fusion 360, en 0.9184 voor SolidWorks. De lichte reductie in SolidWorks en Fusion 360 wordt toegeschreven aan specifieke functies die geen equivalente native bewerkbare implementaties hebben in die omgevingen.

Betekenis en Claims

Het artikel stelt dat CADIR een belangrijke stap voorwaarts vertegenwoordigt in de agentische CAD-generatie door de "trilemma" op te lossen: het behoud van de constructiegeschiedenis, het waarborgen van stabiele topologische referenties en het mogelijk maken van cross-backend bewerkbaarheid.

Betrouwbaarheid: Door af te stappen van impliciete, stateful scripts naar een expliciete, graaf-gebaseerde representatie met geometric signature matching, bereikt het systeem een bijna perfecte uitvoeringsbetrouwbaarheid en cross-backend reconstructie.
Herbruikbaarheid: Het mechanisme voor het ophalen van de constructiegraaf demonstreert dat agents niet alleen volledige modellen, maar ook specifieke modelleringssubstructuren effectief kunnen hergebruiken, wat de geometrische getrouwheid van gegenereerde ontwerpen verbetert.
Interoperabiliteit: Het vermogen om native, bewerkbare functiegeschiedenissen te reconstrueren in belangrijke commerciële en open-source CAD-omgevingen (FreeCAD, SolidWorks, Fusion 360) overbrugt de kloof tussen AI-gegenereerde code en praktische engineering workflows.

De auteurs merken op dat toekomstig werk zich zal richten op het integreren van simulatie-gebaseerde validatie (kinematische en dynamische analyse) en het integreren van domeinkennis voor real-world engineering deployment. De code is publiekelijk beschikbaar om verdere research in dit domein te faciliteren.