[论文解读] 3D Shape Synthesis for Conceptual Design and Optimization Using Variational Autoencoders

Wentai Zhang, Zhangsihao Yang+6 more|arXiv (Cornell University)|Apr 16, 2019

3D Shape Modeling and Analysis参考文献 30被引用 12

一句话总结

本文提出一种基于变分自编码器（VAE）与基于距离变换的3D表示的数据驱动3D形状生成框架，用于生成平滑、高质量的概念设计。通过从现有设计中学习紧凑的潜在空间，并结合遗传优化，该方法能够生成多样化、高性能的滑翔机概念设计，甚至实现原始数据集中不存在的性能目标，例如在88%的设计中实现13.8米的目标滑翔高度，且误差在±0.5米以内。

ABSTRACT

We propose a data-driven 3D shape design method that can learn a generative model from a corpus of existing designs, and use this model to produce a wide range of new designs. The approach learns an encoding of the samples in the training corpus using an unsupervised variational autoencoder-decoder architecture, without the need for an explicit parametric representation of the original designs. To facilitate the generation of smooth final surfaces, we develop a 3D shape representation based on a distance transformation of the original 3D data, rather than using the commonly utilized binary voxel representation. Once established, the generator maps the latent space representations to the high-dimensional distance transformation fields, which are then automatically surfaced to produce 3D representations amenable to physics simulations or other objective function evaluation modules. We demonstrate our approach for the computational design of gliders that are optimized to attain prescribed performance scores. Our results show that when combined with genetic optimization, the proposed approach can generate a rich set of candidate concept designs that achieve prescribed functional goals, even when the original dataset has only a few or no solutions that achieve these goals.

研究动机与目标

• 解决工程领域早期概念设计阶段缺乏数字工具的问题，因人工探索速度慢且受限。
• 克服传统体素表示法在生成设计中产生锯齿状、低质量表面的局限性。
• 利用现有设计语料库中的无监督学习，实现多样化、高性能3D设计的自动生成。
• 将生成的设计无缝集成至物理仿真与优化流程中，以实现功能评估。
• 将设计空间扩展至原始数据集之外，以发现新颖且高性能的设计概念，即使针对不可行的性能目标亦可实现。

提出的方法

• 将3D设计表示为实值距离变换场，而非二值体素，以保持表面平滑性。
• 在距离图上训练变分自编码器（VAE），以学习编码设计几何结构的紧凑连续潜在空间。
• 将潜在向量解码回距离图，并将其转换为多边形网格，以供后续仿真与分析使用。
• 将VAE生成器与遗传优化器结合，通过潜在空间中的随机插值与外推，探索新设计。
• 利用基于物理的仿真（如简化的飞行动力学）评估设计性能，并引导优化朝向目标性能指标。
• 应用潜在空间交叉技术，通过组合高性能个体的潜在向量生成新的设计候选。

实验结果

研究问题

• RQ1 基于数据驱动的VAE方法是否能在无需显式参数化建模的情况下，从现有设计语料库中生成平滑、高质量的3D设计？
• RQ2 与二值体素相比，使用距离变换图是否能提升表面质量，并实现与物理仿真更好的集成？
• RQ3 通过遗传优化在潜在空间中进行探索，能否生成满足原始数据集中不存在的功能性能目标的新颖设计？
• RQ4 该方法在多大程度上能为超出原始设计空间的性能目标发现可行设计？
• RQ5 当原始数据集中对于某一目标几乎或完全没有解时，该流程在生成多样化、高性能设计候选方面的有效性如何？

主要发现

• 在优化目标滑翔高度为6米时，最终种群中76%的设计在±0.1米容差范围内满足要求，而初始种群中仅1%满足。
• 对于更具挑战性的目标13.8米，88%的最终设计在±0.5米容差范围内满足要求，尽管原始数据集的最大高度仅为12.6米。
• 该方法成功生成了超出原始设计空间的设计，包括目标高度14.5米的情况，尽管原始设计中无一能实现该高度。
• 最终生成的设计种群在着陆高度上表现出高度多样性，为人类设计师提供了多个有效的可探索选项。
• 使用距离变换图可生成平滑、可直接用于仿真的3D表面，避免了体素方法常见的像素化问题。
• 即使目标性能在训练数据中最初不可行，该流程仍表现出生成功能性设计的鲁棒性。