[论文解读] 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 9

一句话总结

本文提出SB-GCN，一种异构图神经网络，用于从基于BREP的CAD模型中学习拓扑嵌入，实现对CAD装配中参数化配合的精确预测。作者发布了首个大规模基于BREP的装配数据集，并在商业CAD工作流中实现了72.2%的配合建议准确率。

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.

研究动机与目标

• 为解决缺乏直接在BREP几何上运行的机器学习模型的问题，而BREP几何是商业CAD系统中的本机数据结构。
• 克服缺乏大规模、基于BREP的带显式配合标注的数据集，以训练装配预测模型。
• 开发一种表示学习框架，捕捉BREP中异构拓扑实体（面、边、顶点）之间的关系，以实现精确的配合预测。
• 将可学习的配合预测系统集成到真实的商业CAD环境中，提升设计效率。
• 发布一个新的基准数据集与模型，以促进基于BREP的装配建模领域的未来研究。

提出的方法

• 提出SB-GCN，一种结构化图卷积网络，将BREP几何建模为异构图，其中节点代表拓扑实体，边代表边界/组件关系。
• 设计一种消息传递机制，实现不同实体类型（顶点→边→环→面）之间的嵌入传播，同时保持拓扑语义。
• 使用相对于拓扑实体定义的配合坐标系（MCFs）作为模型输入，实现配合预测中的分析精度。
• 利用从公开CAD仓库收集并经几何与拓扑指纹识别清理后的1,000多个BREP装配体的新数据集进行模型训练。
• 实现一种用户参与式系统，基于用户选择的MCFs建议配合补全，通过SB-GCN嵌入上的分类器对预测结果进行评分。
• 使用Parasolid内核将模型集成到商业CAD系统中，验证其在真实设计工作流中的兼容性与可用性。

实验结果

研究问题

• RQ1 图神经网络能否有效从BREP几何中学习异构拓扑嵌入，以支持配合预测？
• RQ2 能否构建一个大规模、真实世界的BREP装配数据集，并带有显式配合标注，用于训练此类模型？
• RQ3 学习得到的配合预测系统能否在保持与商业CAD系统及其参数化建模工作流兼容的同时，实现高准确率？
• RQ4 随着零件几何复杂度与配合类型数量的增加，模型性能如何扩展？
• RQ5 由于对称性、零件方向或配合选择中的几何模糊性，模型在泛化方面存在哪些关键限制？

主要发现

• SB-GCN成功学习了BREP几何中异构拓扑实体（面、边、顶点、环）之间的联合嵌入，实现了有效的表示学习。
• 作者整理并发布了首个包含标注配合的基于BREP的CAD装配大规模数据集，包含超过1,000个装配体和超过10,000对唯一配合。
• 当集成到商业CAD环境中时，系统在建议正确配合方面实现了72.2%的准确率，显著减少了装配创建中的手动工作量。
• 该模型在不同零件几何与配合类型间具有泛化能力，对零件方向与拓扑变化表现出鲁棒性。
• 该方法与Parasolid内核兼容，可经少量修改适配其他BREP建模内核，具备广泛适用性。
• 局限性包括受内存限制导致的MCF搜索空间受限，以及在未进一步扩展的情况下无法处理对称或非标准方向的零件。