[論文レビュー] AutoMate: A Dataset and Learning Approach for Automatic Mating of CAD Assemblies

B.E. Jones, Dalton Hildreth+4 more|arXiv (Cornell University)|May 25, 2021

3D Shape Modeling and Analysis参考文献 35被引用数 9

ひとこと要約

本論文では、BREPベースのCADモデルからトポロジカルな埋め込みを学習するための非均質的グラフニューラルネットワーク、SB-GCNを紹介する。これにより、CADアセンブリにおけるパrametricなマッチングの正確な予測が可能になる。著者らは、初めての大規模なBREPアセンブリデータセットを公開し、商業CADワークフロー内でのマッチング提案において72.2%の精度を達成した。

ABSTRACT

Assembly modeling is a core task of computer aided design (CAD), comprising around one third of the work in a CAD workflow. Optimizing this process therefore represents a huge opportunity in the design of a CAD system, but current research of assembly based modeling is not directly applicable to modern CAD systems because it eschews the dominant data structure of modern CAD: parametric boundary representations (BREPs). CAD assembly modeling defines assemblies as a system of pairwise constraints, called mates, between parts, which are defined relative to BREP topology rather than in world coordinates common to existing work. We propose SB-GCN, a representation learning scheme on BREPs that retains the topological structure of parts, and use these learned representations to predict CAD type mates. To train our system, we compiled the first large scale dataset of BREP CAD assemblies, which we are releasing along with benchmark mate prediction tasks. Finally, we demonstrate the compatibility of our model with an existing commercial CAD system by building a tool that assists users in mate creation by suggesting mate completions, with 72.2% accuracy.

研究の動機と目的

• 商業CADシステムで使用されるネイティブなデータ構造であるBREPジオメトリに直接作用する機械学習モデルの不足に対処するため。
• アセンブリ予測モデルの学習に適した、明示的なマッチングアノテーションを備えた大規模かつBREPベースのデータセットが存在しないという課題を克服するため。
• BREPにおける非均質的なトポロジカルエンティティ（面、エッジ、頂点）を捉える表現学習フレームワークを構築し、正確なマッチング予測を実現するため。
• 学習可能なマッチング予測システムを実際の商業CAD環境に統合し、設計効率を向上させるため。
• 今後の研究のための新しいベンチマークデータセットとモデルを公開するため。

提案手法

• トポロジカルエンティティをノードとし、境界／コンポonent関係をエッジとする非均質的グラフとしてBREPジオメトリをモデル化する構造的グラフ畳み込みネットワーク、SB-GCNを提案する。
• 頂点→エッジ→ループ→面の異なるエンティティタイプ間で埋め込みを伝搬するメッセージパッシング機構を設計し、トポロジカルな意味を保持する。
• マッチング座標フレーム（MCF）をトポロジカルエンティティに対して相対的に定義し、モデルの入力として用いることで、解析的な精度を実現する。
• 公的CADリポジトリから収集し、幾何学的およびトポロジカルなフィンガープrintを用いてクリーニングした、1,000以上のBREPアセンブリとアノテートされたマッチングを含む新規データセットを用いてモデルを学習する。
• ユーザーが選択したMCFに基づいてマッチングの完了を提案する、ユーザー・イン・ザ・ループのシステムを実装し、SB-GCNの埋め込みを分類器を用いてスコア化する。
• Parasolidコアを用いて商業CADシステムにモデルを統合し、実際の設計ワークフローにおける互換性と実用性を検証する。

実験結果

リサーチクエスチョン

• RQ1 グラフニューラルネットワークは、マッチング予測を支援するために、BREPジオメトリから非均質的なトポロジカルな埋め込みを効果的に学習できるか？
• RQ2 実世界の状況を反映した、明示的なマッチングアノテーションを備えた大規模なBREPアセンブリデータセットを構築することは可能か？
• RQ3 学習されたマッチング予測システムは、商業CADシステムおよびそのパrametricモデリングワークフローと互換性を保ちながら高い精度を達成できるか？
• RQ4 部品ジオメトリの複雑さやマッチングタイプの増加に伴い、モデルの性能はどのようにスケーリングするか？
• RQ5 マッチング選択における対称性、部品の向き、幾何学的曖昧性の要因によって生じる一般化の主な制限要因は何か？

主な発見

• SB-GCNは、BREPジオメトリ内の非均質なトポロジカルエンティティ（面、エッジ、頂点、ループ）の間で共同埋め込みを効果的に学習し、表現学習を実現した。
• 著者らは、1,000以上のアセンブリと10,000以上の固有のマッチングペアを含む、初めての大規模なBREPベースのCADアセンブリデータセットを収集・公開した。
• 商業CAD環境に統合された際、正しいマッチングを72.2%の精度で提案することができ、アセンブリ作成における手作業の負担を顕著に削減した。
• モデルは異なる部品ジオメトリやマッチングタイプにわたり一般化可能であり、部品の向きやトポロジの変化に対しても頑健であることが示された。
• アプローチはParasolidコアと互換性があり、他のBREPモデリングコアに対しても最小限の修正で適応可能であり、広範な適用性を有する。
• 制限事項として、メモリ制約によるMCF探索空間の制限と、対称的または非標準的な部品の向きを処理できない点が挙げられ、今後の拡張が必要である。