nouvelles

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

editeur : lrst

[new zhiyuan introduction] des équipes de recherche de l'université chinoise de hong kong et d'autres institutions ont développé un planificateur de parcours d'impression 3d grâce à l'apprentissage par renforcement profond (dqn), qui améliore efficacement l'efficacité et la précision de l'impression et ouvre une nouvelle voie à la fabrication intelligente.

avec le développement rapide de la technologie d’impression 3d, la manière de générer des chemins d’impression efficaces et précis sur des géométries complexes est devenue l’un des principaux défis limitant son application généralisée.

récemment, des équipes de recherche de l'université de manchester, de l'université de boston et de l'université chinoise de hong kong ont proposé conjointement un planificateur de chemin innovant basé sur l'apprentissage par renforcement profond (dqn) au siggraph aisa 2024, qui peut générer des chemins optimisés sur des graphiques avec une variété de différents les structures. le chemin d’impression 3d améliore considérablement l’efficacité et la précision du processus d’impression.

lien papier : https://arxiv.org/pdf/2408.09198

lien du projet : https://rl-toolpath-planner.github.io/

en impression 3d, le problème de planification de chemin peut être considéré comme la recherche du chemin optimal parmi une séquence de nœuds sur un graphique donné. la complexité de ce problème réside non seulement dans les différentes structures de graphe des différents modèles, mais aussi dans le grand nombre de nœuds et d’arêtes dans le graphe.

les méthodes traditionnelles, telles que la recherche par force brute et les algorithmes heuristiques, sont généralement difficiles à fournir une solution globale optimale dans un court laps de temps en raison de la grande complexité de calcul. cependant, la stratégie d'optimisation dqn proposée dans cette étude construit dynamiquement un graphe de recherche local (lsg). et effectuez une sélection de chemin, ce qui réduit considérablement la complexité de calcul, permettant une planification de chemin en temps réel lors du traitement de graphiques contenant des milliers de nœuds.

innovation de méthode et rupture technologique

l'innovation principale de ce planificateur de chemin est sa flexibilité et son adaptabilité. l'équipe de recherche a conçu un algorithme ingénieux pour coder le graphe de recherche local dans un espace d'état, de sorte que dans des configurations similaires, les politiques dqn précédemment apprises puissent être réutilisées, accélérant ainsi le calcul de la planification du chemin.

le planificateur peut s'adapter à une variété de scénarios d'application d'impression 3d en définissant différentes fonctions de récompense, notamment l'impression de structure filaire, l'impression de fibres continues et l'impression par fusion sur lit de poudre métallique.

lors d'expériences de physique, le planificateur a démontré d'excellentes performances. en impression de structure filaire, les chercheurs ont réussi à imprimer un modèle contenant jusqu'à 4 200 piliers, avec une déformation contrôlée à 1 mm près.

dans l'impression sur fibre continue, cette méthode peut effectivement éviter plus de 93 % des virages à angle vif, améliorant considérablement la qualité d'impression ; dans l'impression sur métal, grâce à une planification optimisée du trajet, la déformation thermique est réduite de près de 25 %, améliorant considérablement la qualité du pièces imprimées précision et stabilité.

détails techniques

dans cette étude, l’équipe de recherche a proposé une stratégie flexible d’apprentissage par renforcement grâce à une planification diversifiée du chemin graphique pour faire face à différents défis d’impression 3d. dans l'implémentation spécifique, ils utilisent un réseau q profond (dqn) comme optimiseur pour décider du prochain meilleur nœud à visiter.

cette stratégie améliore considérablement l'efficacité de la planification des itinéraires en créant un graphique de recherche locale et en utilisant des données historiques pour accélérer les calculs. afin d'améliorer encore les performances du modèle, les chercheurs ont conçu un algorithme capable d'identifier les graphiques de recherche locaux dans des configurations similaires, afin que les politiques dqn précédemment apprises puissent être réutilisées. cette technique accélère non seulement les calculs de trajectoire, mais permet également à la méthode d'être utilisée de manière flexible dans diverses applications d'impression 3d.

vérification expérimentale et large application

afin de vérifier l'effet réel de cette méthode, l'équipe de recherche a mené des expériences physiques sur une variété de modèles, couvrant une variété de types graphiques allant de la géométrie simple aux structures complexes. les résultats expérimentaux montrent que qu'il s'agisse d'une structure filaire, d'une fibre continue ou d'une impression métallique, le planificateur de chemins peut générer des chemins optimaux qui répondent aux exigences de fabrication et réduisent considérablement le temps de calcul.

par exemple, dans une expérience, le temps total de planification du chemin nécessaire à l'utilisation du planificateur pour générer un modèle filaire complexe n'était que de 2,05 heures, tandis que le temps nécessaire pour imprimer l'intégralité du modèle était de 6,67 heures. en revanche, les méthodes traditionnelles de recherche par force brute nécessitent des centaines d’heures de calcul, même si elles ne sont effectuées que dans le cadre d’une recherche locale.

l’équipe de recherche a également noté que cette approche basée sur l’apprentissage ouvre de nouvelles possibilités pour la future technologie d’impression 3d. en introduisant l'apprentissage par renforcement, la planification du chemin ne repose plus uniquement sur des règles prédéfinies ou des algorithmes heuristiques, mais peut s'auto-ajuster et s'optimiser en fonction des conditions d'impression réelles. cela améliore non seulement le taux de réussite de l’impression, mais réduit également le gaspillage de matériaux et le risque d’échec d’impression.

perspectives

le succès de cette recherche marque une étape importante dans le domaine de la planification des parcours d’impression 3d. le planificateur de chemin basé sur l'apprentissage profond fournit non seulement une solution efficace pour imprimer des structures géométriques complexes, mais jette également les bases du développement de futurs systèmes de fabrication intelligents.

l’équipe de recherche prévoit d’élargir davantage le champ d’application de cette méthode à l’avenir, notamment en explorant son potentiel dans des domaines tels que l’impression multi-matériaux et l’impression à micro-échelle. de plus, en combinant des modèles d'apprentissage automatique et des algorithmes d'optimisation plus avancés, les chercheurs espèrent améliorer encore l'efficacité et la précision de la planification des trajectoires et fournir un support technique plus solide pour les applications de production industrielle et de recherche scientifique.

dans l'ensemble, l'application de planificateurs de chemins graphiques diversifiés basés sur l'apprentissage dans l'impression 3d fournit de nouvelles idées et de nouveaux outils pour résoudre des problèmes de fabrication complexes et devrait être utilisée à l'avenir dans des domaines de haute précision tels que la fabrication intelligente, l'aérospatiale et les équipements médicaux. .un rôle important.