💻 computer science

Implicit Neural Field-Based Process Planning for Multi-Axis Manufacturing: Direct Control over Collision Avoidance and Toolpath Geometry

该论文提出了一种基于隐式神经场的多轴制造工艺规划框架，通过将层生成与刀具路径设计统一嵌入可微分流程，实现了对碰撞避免和刀具路径几何的直接控制与联合优化。

原作者： Neelotpal Dutta, Tianyu Zhang, Tao Liu, Yongxue Chen, Charlie C. L. Wang

发布于 2026-04-22

📖 1 分钟阅读☕ 轻松阅读

原作者： Neelotpal Dutta, Tianyu Zhang, Tao Liu, Yongxue Chen, Charlie C. L. Wang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文介绍了一种让 3D 打印机和数控机床变得更“聪明”、更“灵活”的新方法。

为了让你更容易理解，我们可以把传统的制造过程想象成**“盖房子”，而这篇论文提出的新方法则像是“指挥一支拥有魔法的变形金刚团队”**。

1. 传统方法的痛点：死板的“切蛋糕”

想象一下，传统的 3D 打印就像是在切一个多层蛋糕。

老办法：机器只能一层一层水平地堆叠材料（像切蛋糕片）。
问题：
- 容易撞车：如果房子（零件）长得奇形怪状，打印头（就像拿着蛋糕刀的机器人手臂）在移动时，很容易撞到已经打印好的部分。老办法通常是在打印完一层后，再回头检查“哎呀，这里撞到了”，然后手动修改，这很麻烦且容易出错。
- 方向单一：材料只能水平铺，但有些结构（比如碳纤维）如果顺着受力方向铺，会结实得多。老办法很难做到这一点。
- 缺乏全局观：机器只盯着眼前这一层，不知道整体怎么走才最顺畅。

2. 新方法的核心理念：隐式神经场（The "Magic Blueprint"）

这篇论文提出了一种基于**“隐式神经场”**（Implicit Neural Field）的新框架。

通俗比喻：
想象你手里有一张**“魔法蓝图”**（这就是神经网络）。

这张蓝图不是画在纸上的线条，而是一个**“智能的、连续的数学空间”**。
在这个空间里，任何一点都有一个数值。
- 层（Layers）：就像地图上的“等高线”。数值相同的点连起来，就是打印的一层。
- 路径（Toolpaths）：就像在等高线上画的“小径”，指导打印头怎么走。

它的厉害之处在于：
这张蓝图是**“活的”（可微分的）。这意味着，如果你告诉蓝图：“这里太陡了，容易撞车”，或者“这里需要顺着受力方向”，蓝图能瞬间计算出**所有线条该怎么弯曲、怎么移动来避开障碍，而不是像老办法那样切一刀算一刀。

3. 三大核心突破（用比喻解释）

A. 直接“避障”：像玩《贪吃蛇》一样思考

老办法：蛇（打印头）走一步，回头看看有没有撞墙。撞了再退回来改。
新办法：蛇在移动之前，大脑（神经网络）就已经预知了未来的路径。它把“不要撞墙”作为一个核心规则写进了大脑里。
- 效果：打印头在生成路径的同时，就已经自动绕开了所有障碍物，甚至能钻进非常狭窄的缝隙里，而不会卡住。论文中展示了打印复杂的“生育女神”模型，完全不需要支撑结构，且不会撞到自己。

B. 控制“路径几何”：像指挥交通一样精准

老办法：路径是随机生成的，或者分两步走（先定层，再定路）。这导致路径可能有很多急转弯，或者断断续续。
新办法：蓝图直接控制路径的弯曲度和间距。
- 比喻：就像指挥交通，不仅规定车往哪开，还规定车转弯要平缓（不能急刹车），车道要保持均匀。
- 应用：这对于连续碳纤维打印特别重要。碳纤维像绳子一样，如果转弯太急，绳子会断或起皱。新方法能让碳纤维顺着最结实的方向，平滑地铺满整个零件，让零件更轻、更强。

C. 通吃“加法”和“减法”：一把钥匙开两把锁

加法制造（3D 打印）：是把材料堆起来。
减法制造（CNC 铣削）：是把材料切掉。
新办法：这套“魔法蓝图”是通用的。无论是堆材料还是切材料，只要把“碰撞”的定义稍微改一下（比如切材料时，刀不能碰到还没切掉的工件），同一套算法就能搞定。论文中展示了用它来规划铣削一个杯子，自动找到了不会撞到杯壁的刀具路径。

4. 为什么这很重要？（总结）

这就好比以前的导航软件只能告诉你“怎么走”，如果前面堵车了，你得手动重新规划。
而这篇论文的方法，就像是一个拥有上帝视角的 AI 导航：

它同时规划了“路”（层）和“车”（路径），两者互相配合，而不是各干各的。
它把“不撞车”变成了数学公式的一部分，让机器在生成方案的第一秒就保证安全。
它让零件更结实，因为材料可以顺着受力方向铺设，而不是死板地一层层堆。

一句话总结：
这项技术让多轴制造（无论是 3D 打印还是 CNC 加工）从**“按部就班的切蛋糕”变成了“灵活智能的变形金刚”**，能够自动避开障碍、优化材料方向，直接打印出既结实又复杂的零件，无需人工反复修改。

这是一份关于论文《Implicit Neural Field-Based Process Planning for Multi-Axis Manufacturing: Direct Control over Collision Avoidance and Toolpath Geometry》（基于隐式神经场的多轴制造工艺规划：对碰撞避免和刀具路径几何的直接控制）的详细技术总结。

1. 研究背景与问题 (Problem)

多轴制造（包括多轴增材制造/3D 打印和五轴铣削）相比传统平面层制造具有显著优势，如无需支撑结构、改善表面质量以及能够沿主应力方向沉积材料以增强强度。然而，现有的工艺规划方法存在以下主要局限性：

碰撞避免的间接性： 现有方法通常通过限制局部表面曲率来间接处理碰撞，或者在优化后的后处理阶段进行修正。这导致无法检测全局碰撞（即远离沉积点的部件干涉），且后处理可能会破坏原本针对功能目标（如支撑自由或方向对齐）优化的几何结构。
刀具路径几何控制缺失： 现有的多轴纤维铺设或路径规划方法通常将“分层生成”与“刀具路径计算”解耦。在分层优化阶段，缺乏对刀具路径几何属性（如转弯角度、间距、测地曲率）的直接控制，导致路径不连续或产生尖锐转弯，影响制造可行性和机械性能。
离散化依赖： 大多数方法依赖于离散体素或网格结构进行优化，导致导数估计不精确，且难以在单一可微分管道中同时优化层和路径。

2. 方法论 (Methodology)

作者提出了一种基于**隐式神经场（Implicit Neural Fields）**的统一工艺规划框架，将分层生成和刀具路径设计嵌入到同一个可微分管道中。

2.1 核心表示

隐式标量场： 使用两个标量场来定义制造过程：
- 层场 ( $f_l$ )： 其等值面（Level Sets）代表制造层（打印层或铣削层）。
- 路径场 ( $f_p$ )： 在每一层上，其等值线与 $f_l$ 的等值面相交，形成刀具路径。
SIREN 网络： 使用正弦激活函数（Sinusoidally Activated Neural Networks, SIREN）来参数化这两个场。SIREN 能够精确表示高频信号及其高阶导数，这对于计算曲率和法向量至关重要。
可微分性： 利用自动微分技术，可以直接计算任意空间点的场值、梯度（ $\nabla f$ ）和海森矩阵（Hessian, $Hf$），从而直接计算法向量、曲率、测地曲率等几何量。

2.2 优化目标与损失函数

框架将制造约束转化为可微分的损失函数，通过最小化总损失来联合优化网络参数：

碰撞避免 (Collision Avoidance)：
- 创新点： 直接在层生成阶段嵌入碰撞检测，而非后处理。
- 实现： 采样工具（Tool）上的点，检查这些点是否位于已打印部分或障碍物内部。利用隐式场的值（ $f_l(y) > f_l(x)$ ）或符号距离场（SDF）构建可微分的损失函数。这允许优化器直接调整层法向量和全局场结构以避开碰撞。
- 适用性： 同时适用于增材制造（工具与部分碰撞）和减材制造（铣削时的刀具与工件碰撞）。
刀具路径几何控制 (Toolpath Geometry Control)：
- 测地曲率 (Geodesic Curvature)： 直接计算刀具路径在层表面的测地曲率，作为损失项，防止尖锐转弯（这对连续碳纤维铺设至关重要）。
- 路径间距： 控制路径场梯度的投影大小，确保路径间距均匀。
功能目标 (Functional Objectives)：
- 方向对齐： 强制刀具路径切线方向与预设场（如主应力方向）对齐。
- 支撑自由 (Support-Free)： 约束层法向量，确保新层沉积在下方材料上，避免悬垂。
正则化 (Regularization)：
- 控制层间距的均匀性（通过梯度范数的导数）和表面曲率，防止过度振荡。

2.3 优化流程

输入：零件几何模型（SDF 表示）。
过程：初始化网络参数（通常从平面场开始），计算采样点的场值和导数，计算总损失（包含碰撞、几何、功能项），使用随机梯度下降（Adam）更新参数。
输出：优化后的层曲面和刀具路径。

3. 关键贡献 (Key Contributions)

统一的隐式优化框架： 提出了首个在多轴制造中直接控制分层和刀具路径生成的通用隐式标量场优化框架。
显式碰撞避免： 在基于场的优化过程中直接嵌入碰撞避免，能够处理全局碰撞，无需后处理修正，且能同时满足支撑自由等功能目标。
刀具路径几何的联合优化： 将刀具路径的几何约束（如测地曲率、间距）作为目标函数的一部分，实现了层与路径的协同优化（Co-optimization），解决了传统方法中路径与层解耦的问题。
对网络超参数与奇点行为的分析： 深入研究了正弦网络超参数（频率缩放）和损失定义如何影响场的平滑度、拓扑转换（Topology Transitions）和奇点（Singularities）行为，提供了正则化和稳定性控制的理论指导。
通用性验证： 该方法不仅适用于多轴 3D 打印（增材），还成功扩展到了五轴粗铣（减材）工艺。

4. 实验结果 (Results)

作者在多个案例中验证了方法的有效性，包括数值模拟和物理制造：

支撑自由与无碰撞打印 (SCF)：
- 在"Fertility"和"4C"模型上，该方法成功生成了无支撑且无碰撞的层。
- 对比： 与现有的"Neural Slicer"相比，传统方法仅通过曲率控制间接避碰，导致严重的工具干涉或无法制造；而本文方法直接消除了碰撞，同时保持了支撑自由性能。
方向对齐与碰撞避免 (DAC)：
- 在"Fork"模型上，实现了沿主应力方向的分层，同时避免了工具与零件的碰撞。
刀具路径几何控制 (TPD) - 连续碳纤维：
- T-Bracket 和 S-Curve 模型： 生成了连续、平滑的碳纤维路径。
- 性能提升： 与现有的高密度路径方法（High-Density Toolpath）相比，本文方法减少了路径跳跃和断点，使用了更少的碳纤维（减少 18.5%），但实现了更高的刚度（提升 33.9%）和相当的断裂力。
- 联合优化优势： 对比“先分层后路径”的串行优化，本文的联合优化方法在保持低测地曲率的同时，实现了更好的方向对齐，避免了串行优化中的性能权衡。
多轴铣削 (Milling)：
- 在"Cup"模型上，展示了从平面层自动优化为无碰撞的粗铣层，无需人工指定锚点，证明了框架在减材制造中的适用性。
物理制造： 使用 6 自由度机械臂和连续碳纤维打印机，成功打印了上述模型，验证了算法的制造可行性。

5. 意义与影响 (Significance)

范式转变： 该工作将多轴制造规划从“分层后处理”或“间接约束”转变为“端到端可微分优化”。
解决核心痛点： 直接解决了多轴制造中“碰撞检测”和“路径几何控制”难以同时优化的难题，特别是对于连续纤维增强复合材料（CCF）的制造，提供了从设计到制造的全流程控制。
理论深度： 对隐式神经场在制造规划中的应用进行了深入的数学分析，特别是关于频率缩放、奇点处理和拓扑变化的讨论，为后续研究提供了重要参考。
通用平台： 提供了一个统一的框架，能够同时处理增材和减材制造，未来有望整合到更广泛的形状优化和机器学习框架中，实现从设计到制造的完全自动化闭环。

综上所述，该论文提出了一种基于隐式神经场的创新工艺规划方法，通过直接优化场函数，实现了多轴制造中碰撞避免、层生成和刀具路径几何的协同优化，显著提高了制造可行性和零件性能。