[논문 리뷰] AutoMate: A Dataset and Learning Approach for Automatic Mating of CAD Assemblies

B.E. Jones, Dalton Hildreth외 4명|arXiv (Cornell University)|2021. 05. 25.

3D Shape Modeling and Analysis참고 문헌 35인용 수 9

한 줄 요약

이 논문은 BREP 기반 CAD 모델에서 위상 임베딩을 학습하기 위한 이질적 그래프 신경망인 SB-GCN을 소개한다. 이를 통해 CAD 어셈블리에서의 파arametric 매칭을 정확하게 예측할 수 있다. 저자들은 처음으로 대규모 BREP 어셈블리 데이터셋을 공개하고, 상용 CAD 워크플로우에서 72.2%의 정확도로 매칭 제안을 수행함을 보였다.

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.

연구 동기 및 목표

• 상용 CAD 시스템에서의 기본 데이터 구조인 BREP 기하를 직접 다룰 수 있는 기계학습 모델의 부족을 해결하기 위해.
• 학습용 어셈블리 예측 모델을 훈련하기 위해 명시적인 매칭 레이블이 포함된 대규모 BREP 기반 데이터셋의 부재를 해결하기 위해.
• 정확한 매칭 예측을 위해 BREP 내 이질적인 위상 엔티티(면, 모서리, 정점 등)를 포괄하는 표현 학습 프레임워크를 개발하기 위해.
• 학습 가능한 매칭 예측 시스템을 실상용 CAD 환경에 통합하여 설계 효율성을 향상시키기 위해.
• 향후 BREP 기반 어셈블리 모델링 분야의 연구를 위해 새로운 벤치마크 데이터셋과 모델을 공개하기 위해.

제안 방법

• 위상 엔티티를 노드로, 경계/구성 요소 관계를 엣지로 사용하는 이질적 그래프로 BREP 기하를 모델링하는 구조적 그래프 컨볼루션 네트워크인 SB-GCN을 제안한다.
• 위상 의미를 유지하면서도 서로 다른 엔티티 유형(정점 → 모서리 → 루프 → 면) 간에 임베딩을 전파하는 메시지 전달 메커니즘을 설계한다.
• 매칭 좌표 프레임(MCF)을 위상 엔티티 기반으로 정의하여 모델의 입력으로 사용함으로써 분석적 정밀도를 확보한다.
• 공개된 CAD 레포지토리에서 수집하고 기하학적 및 위상적 지문 기반으로 정제한 1,000개 이상의 BREP 어셈블리로 구성된 새로운 데이터셋을 사용해 모델을 훈련한다.
• 사용자가 선택한 MCF를 기반으로 매칭 완성도를 제안하는 사용자-중심 시스템을 구현하며, SB-GCN 임베딩에 기반한 분류기로 예측 점수를 평가한다.
• Parasolid 커널을 사용해 상용 CAD 시스템에 모델를 통합하고, 실제 설계 워크플로우에서의 호환성과 사용성을 검증한다.

실험 결과

연구 질문

• RQ1 그래프 신경망은 BREP 기하에서 이질적인 위상 엔티티를 효과적으로 학습하여 매칭 예측을 지원할 수 있는가?
• RQ2 실제 세계의 BREP 어셈블리에 대해 명시적인 매칭 레이블이 포함된 대규모 데이터셋을 구축할 수 있는가?
• RQ3 학습된 매칭 예측 시스템은 상용 CAD 시스템과 그 파arametric 모델링 워크플로우와 호환되면서도 높은 정확도를 달성할 수 있는가?
• RQ4 부품 기하학적 복잡성과 매칭 유형의 증가에 따라 모델의 성능은 어떻게 변화하는가?
• RQ5 대칭성, 부품 방향, 또는 매칭 선택 시 기하학적 모호성으로 인한 일반화의 주요 제약는 무엇인가?

주요 결과

• SB-GCN은 BREP 기하 내 이질적인 위상 엔티티(면, 모서리, 정점, 루프 등) 간의 공동 임베딩을 성공적으로 학습하여 효과적인 표현 학습을 가능하게 했다.
• 저자들은 BREP 기반 CAD 어셈블리에 대해 애너테이션된 매칭 정보가 포함된 최초의 대규모 데이터셋을 구축하고 공개했으며, 이는 1,000개 이상의 어셈블리와 10,000개 이상의 고유한 매칭 쌍을 포함한다.
• 모델을 상용 CAD 환경에 통합했을 때, 정확도가 72.2%에 도달하여 어셈블리 생성 시 수작업을 크게 줄였다.
• 모델은 다양한 부품 기하학적 형태와 매칭 유형에 걸쳐 일반화되며, 부품 방향 및 위상의 변형에 대해 강건함을 입증했다.
• 이 방법은 Parasolid 커널과 호환되며, 최소한의 수정으로 다른 BREP 모델링 커널에도 적용 가능하여 광범위한 적용 가능성을 확보했다.
• 제한 사항으로는 메모리 제약로 인한 MCF 탐색 공간의 제한과, 추가 확장 없이 대칭 또는 비표준 부품 방향을 처리하지 못하는 점이 있다.