notícias

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

editor: lrst

[introdução ao novo zhiyuan] equipes de pesquisa da universidade chinesa de hong kong e de outras instituições desenvolveram um planejador de caminho de impressão 3d por meio de aprendizagem por reforço profundo (dqn), que melhora efetivamente a eficiência e a precisão da impressão e abre um novo caminho para a fabricação inteligente.

com o rápido desenvolvimento da tecnologia de impressão 3d, como gerar caminhos de impressão eficientes e precisos em geometrias complexas tornou-se um dos principais desafios que restringem a sua aplicação generalizada.

recentemente, equipes de pesquisa da universidade de manchester, da universidade de boston e da universidade chinesa de hong kong propuseram conjuntamente um planejador de caminho inovador baseado em aprendizagem por reforço profundo (dqn) no siggraph aisa 2024, que pode gerar caminhos otimizados em gráficos com uma variedade de diferentes. estruturas. o caminho de impressão 3d melhora significativamente a eficiência e a precisão do processo de impressão.

link do artigo: https://arxiv.org/pdf/2408.09198

link do projeto: https://rl-toolpath-planner.github.io/

na impressão 3d, o problema de planejamento de caminho pode ser visto como encontrar o caminho ideal entre uma sequência de nós em um determinado gráfico. a complexidade deste problema reside não apenas nas diferentes estruturas gráficas de diferentes modelos, mas também no grande número de nós e arestas no gráfico.

métodos tradicionais, como busca por força bruta e algoritmos heurísticos, geralmente são difíceis de fornecer a solução ótima global em um curto espaço de tempo devido à alta complexidade computacional. no entanto, a estratégia de otimização dqn proposta neste estudo constrói dinamicamente um gráfico de busca local (lsg). . e realizar a seleção de caminhos nele, o que reduz bastante a complexidade computacional, permitindo o planejamento de caminhos em tempo real ao processar gráficos contendo milhares de nós.

inovação de método e avanço tecnológico

a principal inovação deste planejador de caminho reside na sua flexibilidade e adaptabilidade. a equipe de pesquisa projetou um algoritmo engenhoso para codificar o gráfico de busca local em um espaço de estados, de modo que, sob configurações semelhantes, as políticas dqn previamente aprendidas possam ser reutilizadas, acelerando ainda mais o cálculo do planejamento do caminho.

o planejador pode se adaptar a uma variedade de cenários de aplicação de impressão 3d, definindo diferentes funções de recompensa, incluindo impressão de estrutura de arame, impressão contínua de fibra e impressão de fusão em leito de pó metálico.

em experimentos de física, o planejador demonstrou excelente desempenho. na impressão de estruturas wireframe, os pesquisadores imprimiram com sucesso um modelo contendo até 4.200 pilares, com deformação controlada em 1 mm.

na impressão contínua de fibra, este método pode efetivamente evitar mais de 93% de curvas em ângulos agudos, melhorando significativamente a qualidade de impressão na impressão de metal, através do planejamento de caminho otimizado, a deformação térmica é reduzida em quase 25%, melhorando significativamente a qualidade do; peças impressas.

detalhes técnicos

neste estudo, a equipe de pesquisa propôs uma estratégia flexível de aprendizagem por reforço por meio de um planejamento diversificado de caminhos de grafos para lidar com diferentes desafios de impressão 3d. na implementação específica, eles usam uma rede q profunda (dqn) como otimizador para decidir o próximo melhor nó a ser visitado.

essa estratégia melhora muito a eficiência do planejamento de caminhos, construindo um gráfico de pesquisa local e usando dados históricos para acelerar os cálculos. para melhorar ainda mais o desempenho do modelo, os pesquisadores desenvolveram um algoritmo que pode identificar gráficos de busca local sob configurações semelhantes, para que as políticas dqn previamente aprendidas possam ser reutilizadas. esta técnica não só acelera os cálculos de caminhos, mas também permite que o método seja usado de forma flexível em uma variedade de aplicações de impressão 3d.

verificação experimental e ampla aplicação

para verificar o efeito real deste método, a equipe de pesquisa conduziu experimentos físicos em uma variedade de modelos, cobrindo uma variedade de tipos gráficos, desde geometria simples até estruturas complexas. os resultados experimentais mostram que, seja estrutura de arame, fibra contínua ou impressão em metal, o planejador de caminho pode gerar caminhos ideais que atendam aos requisitos de fabricação e reduzam significativamente o tempo de cálculo.

por exemplo, em um experimento, o tempo total de planejamento do caminho para usar o planejador para gerar um modelo de wireframe complexo foi de apenas 2,05 horas, enquanto o tempo para imprimir o modelo inteiro foi de 6,67 horas. em contraste, os métodos tradicionais de busca por força bruta requerem centenas de horas de tempo de computação, mesmo que sejam executados apenas dentro de um escopo de busca local.

a equipa de investigação também observou que esta abordagem baseada na aprendizagem abre novas possibilidades para a futura tecnologia de impressão 3d. ao introduzir a aprendizagem por reforço, o planejamento do caminho não depende mais apenas de regras predefinidas ou algoritmos heurísticos, mas pode se autoajustar e otimizar com base nas condições reais de impressão. isto não só melhora a taxa de sucesso da impressão, mas também reduz o desperdício de material e o risco de falha na impressão.

panorama

o sucesso desta pesquisa marca um marco importante no campo do planejamento de trajetórias de impressão 3d. o planejador de caminho baseado em aprendizagem profunda não apenas fornece uma solução eficiente para a impressão de estruturas geométricas complexas, mas também estabelece as bases para o desenvolvimento de futuros sistemas de fabricação inteligentes.

a equipe de pesquisa planeja expandir ainda mais o escopo de aplicação deste método no futuro, incluindo a exploração de seu potencial em áreas como impressão multimaterial e impressão em microescala. além disso, ao combinar modelos de aprendizagem automática mais avançados e algoritmos de otimização, os investigadores esperam melhorar ainda mais a eficiência e a precisão do planeamento de caminhos e fornecer um suporte técnico mais forte para a produção industrial e aplicações de investigação científica.

no geral, a aplicação de planejadores de caminhos gráficos diversificados baseados em aprendizagem na impressão 3d fornece novas ideias e ferramentas para resolver problemas complexos de fabricação e espera-se que seja usada em campos de alta precisão, como fabricação inteligente, aeroespacial e equipamentos médicos no futuro. .um papel importante.