Context-Aware Mapping of 2D Drawing Annotations to 3D CAD Features Using LLM-Assisted Reasoning for Manufacturing Automation

Título: Mapeamento Consciente de Contexto de Anotações de Desenhos 2D para Recursos CAD 3D usando Raciocínio Assistido por LLM para Automação de Manufatura

1. Problema e Motivação

A automação na manufatura (planejamento de processos, inspeção e integração de "digital thread") depende da capacidade de vincular as especificações geométricas de um modelo CAD 3D às anotações de dimensionamento e tolerância geométrica (GD&T) presentes em desenhos de engenharia 2D.

• O Desafio: Embora a Definição Baseada em Modelo (MBD) permita embutir essas informações no 3D, a indústria (automotiva, aeroespacial, naval) ainda depende majoritariamente de desenhos 2D como fonte autoritária de intenção de manufatura.
• A Dificuldade: Conectar anotações 2D a recursos 3D específicos é complexo devido à ambiguidade contextual (ex: um número "10" pode ser diâmetro, largura ou raio), padrões de recursos repetidos e a necessidade de decisões transparentes e auditáveis. Métodos puramente determinísticos falham na ambiguidade, enquanto abordagens puramente baseadas em dados (IA) são frequentemente "caixas pretas" e difíceis de auditar.

2. Metodologia Proposta

O artigo apresenta um framework determinístico-first (priorizando regras explícitas) e consciente de contexto, que mapeia entidades de desenhos 2D para recursos CAD 3D. O pipeline segue quatro etapas principais:

1. Enriquecimento Semântico via VLM (Vision-Language Model):

   • Antes da pontuação, cada entidade bruta do desenho (texto OCR e imagem) é processada por um modelo multimodal (VLM).
   • O VLM converte tokens ambíguos (ex: "10", "M8") em descritores estruturados (tipo de entidade, valor numérico, unidade, categoria de recurso alvo inferida e score de confiança).

2. Pontuação de Correspondência Determinística:

   • Um score composto ($S_{ij}$) é calculado para pares (recurso 3D, entidade 2D) baseado em três componentes:
     • Compatibilidade de Tipo: Verifica se o tipo de entidade (ex: diâmetro) corresponde ao tipo de recurso (ex: furo).
     • Acordo Dimensional: Compara valores numéricos com tolerância (ex: diferença $\le 0.1$ mm).
     • Consistência de Contexto: Utiliza a confiança do VLM e pistas espaciais.
   • Heurísticas de Engenharia: Regras específicas (ex: preferência para símbolos de diâmetro $\emptyset$, restrições de rosca, multiplicidade de padrões) refinam o score.
   • Um filtro de "empate próximo" (near-tie) permite correspondências um-para-muitos quando necessário.

3. Escalonamento Controlado para Raciocínio Multimodal/LLM:

   • Se a pontuação determinística não for suficiente para resolver ambiguidades (ex: múltiplos recursos similares), o sistema escala para um LLM (GPT-4o).
   • O LLM recebe a imagem recortada da anotação e a lista de candidatos 3D para tomar uma decisão baseada em evidências, seguindo um esquema de saída JSON estrito.

4. Validação Humana no Loop (HITL):

   • Casos não resolvidos ou de baixa confiança são sinalizados para revisão humana.
   • O sistema gera uma Especificação de Manufatura Unificada que vincula restrições 2D a recursos 3D, incluindo metadados de proveniência (quem decidiu, qual método, nível de confiança).

3. Principais Contribuições

1. Formulação Formal: Definição precisa do problema de mapeamento de intenção de manufatura 2D-3D com representações de entrada e saída estruturadas.
2. Framework Híbrido: Proposta de um sistema que prioriza regras determinísticas auditáveis, mas recorre a IA generativa controlada apenas quando necessário, mantendo a transparência industrial.
3. Protocolo de Avaliação: Estabelecimento de benchmarks em peças industriais reais, incluindo estudos de ablação para quantificar o impacto de cada componente do pipeline.

4. Resultados Experimentais

O método foi testado em um conjunto de dados de 20 pares reais de CAD-Desenho (com complexidade variada, recursos repetidos e anotações).

• Desempenho Geral:
  • Precisão Média: 83,67%
  • Recall Médio: 90,46%
  • F1-Score Médio: 86,29%
• Estatísticas de Escalonamento:
  • 4,0% resolvidos apenas por pontuação determinística.
  • 84,1% resolvidos pela combinação determinística + seleção assistida por VLM.
  • 11,9% exigiram raciocínio de LLM restrito.
• Estudo de Ablação:
  • Remover heurísticas de engenharia fez a precisão cair drasticamente (de 0,83 para 0,44).
  • Remover o escalonamento de LLM fez o recall cair significativamente (de 0,90 para 0,54), provando que a IA é crucial para casos ambíguos.
  • O pipeline completo superou todas as variantes reduzidas em 12 pontos no F1-score.

5. Significado e Conclusão

Este trabalho preenche uma lacuna crítica na automação industrial, oferecendo uma ponte confiável entre desenhos 2D legados e modelos 3D.

• Confiabilidade Industrial: Ao priorizar regras determinísticas e manter um registro de "proveniência" das decisões, o sistema atende aos requisitos de auditoria e segurança da manufatura.
• Abordagem Prática: A estratégia de "escalonamento controlado" evita o uso excessivo de LLMs (que são caros e menos determinísticos), usando-os apenas para resolver ambiguidades que a lógica pura não consegue.
• Impacto Futuro: O framework fornece a base para integrar especificações de manufatura em fluxos de trabalho de "digital thread", permitindo planejamento de inspeção e processos automatizados mais robustos.

Em suma, o artigo demonstra que a combinação de lógica de engenharia rigorosa com raciocínio assistido por IA é a via mais viável para automatizar a interpretação de intenções de manufatura em ambientes industriais reais.