новости

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

редактор: лст

[новое введение в zhiyuan] исследовательские группы из китайского университета гонконга и других учреждений разработали планировщик пути 3d-печати посредством глубокого обучения с подкреплением (dqn), который эффективно повышает эффективность и точность печати и открывает новый путь для интеллектуального производства.

с быстрым развитием технологии 3d-печати создание эффективных и точных траекторий печати на объектах сложной геометрии стало одной из ключевых проблем, ограничивающих ее широкое применение.

недавно исследовательские группы из манчестерского университета, бостонского университета и китайского университета гонконга совместно предложили инновационный планировщик путей на основе глубокого обучения с подкреплением (dqn) на siggraph aisa 2024, который может генерировать оптимизированные пути на графах с множеством различных структуры 3d-печати значительно повышают эффективность и точность процесса печати.

ссылка на документ: https://arxiv.org/pdf/2408.09198.

ссылка на проект: https://rl-toolpath-planner.github.io/

в 3d-печати проблему планирования пути можно рассматривать как поиск оптимального пути среди последовательности узлов на заданном графе. сложность этой проблемы заключается не только в разной структуре графов разных моделей, но и в большом количестве узлов и ребер в графе.

традиционные методы, такие как перебор методом перебора и эвристические алгоритмы, обычно трудно обеспечить глобальное оптимальное решение за короткое время из-за высокой вычислительной сложности. однако стратегия оптимизации dqn, предложенная в этом исследовании, динамически строит граф локального поиска (lsg). и выполнять в нем выбор пути, что значительно снижает вычислительную сложность, позволяя планировать путь в реальном времени при обработке графов, содержащих тысячи узлов.

инновационный метод и технологический прорыв

основным нововведением этого планировщика пути является его гибкость и адаптируемость. исследовательская группа разработала гениальный алгоритм для кодирования графа локального поиска в пространство состояний, чтобы при аналогичных конфигурациях можно было повторно использовать ранее изученные политики dqn, что еще больше ускоряет расчет планирования пути.

планировщик может адаптироваться к различным сценариям применения 3d-печати, определяя различные функции вознаграждения, включая печать каркасных структур, печать непрерывным волокном и печать наплавлением в слое металлического порошка.

в физических экспериментах планировщик продемонстрировал отличную производительность. при печати каркасной конструкции исследователи успешно напечатали модель, содержащую до 4200 колонн, с контролируемой деформацией в пределах 1 мм.

при печати с непрерывным волокном этот метод позволяет эффективно избежать более 93% поворотов под острым углом, что значительно улучшает качество печати при печати металлом, благодаря оптимизированному планированию траектории термическая деформация снижается почти на 25%, что значительно улучшает качество печати; печатные детали точность и стабильность.

технические детали

в этом исследовании исследовательская группа предложила гибкую стратегию обучения с подкреплением посредством планирования диверсифицированного пути графа для решения различных задач 3d-печати. в конкретной реализации они используют сеть с глубоким q (dqn) в качестве оптимизатора для выбора следующего лучшего узла для посещения.

эта стратегия значительно повышает эффективность планирования пути за счет построения графа локального поиска и использования исторических данных для ускорения вычислений. чтобы еще больше повысить производительность модели, исследователи разработали алгоритм, который может идентифицировать графы локального поиска в аналогичных конфигурациях, чтобы можно было повторно использовать ранее изученные политики dqn. этот метод не только ускоряет расчет траектории, но и позволяет гибко использовать метод в различных приложениях 3d-печати.

экспериментальная проверка и широкое применение.

чтобы проверить реальный эффект этого метода, исследовательская группа провела физические эксперименты на различных моделях, охватывающих различные графические типы — от простой геометрии до сложных структур. результаты экспериментов показывают, что будь то каркасная структура, непрерывное волокно или металлическая печать, планировщик траекторий может генерировать оптимальные траектории, соответствующие производственным требованиям, и значительно сокращать время расчета.

например, в одном эксперименте общее время планирования пути с использованием планировщика для создания сложной каркасной модели составило всего 2,05 часа, а время печати всей модели — 6,67 часа. напротив, традиционные методы поиска методом перебора требуют сотен часов вычислительного времени, даже если они выполняются только в пределах локальной области поиска.

исследовательская группа также отметила, что этот подход, основанный на обучении, открывает новые возможности для будущих технологий 3d-печати. благодаря внедрению обучения с подкреплением планирование пути больше не полагается исключительно на заранее заданные правила или эвристические алгоритмы, а может самонастраиваться и оптимизироваться в зависимости от реальных условий печати. это не только повышает вероятность успеха печати, но также снижает отходы материала и риск неудачной печати.

перспективы

успех этого исследования знаменует собой важную веху в области планирования пути 3d-печати. планировщик пути, основанный на глубоком обучении, не только обеспечивает эффективное решение для печати сложных геометрических структур, но и закладывает основу для разработки будущих интеллектуальных производственных систем.

исследовательская группа планирует и дальше расширять сферу применения этого метода в будущем, включая изучение его потенциала в таких областях, как печать из нескольких материалов и микропечать. кроме того, объединяя более совершенные модели машинного обучения и алгоритмы оптимизации, исследователи надеются еще больше повысить эффективность и точность планирования пути и обеспечить более надежную техническую поддержку для промышленного производства и научных исследований.

в целом, применение диверсифицированных графических планировщиков траекторий, основанных на обучении, в 3d-печати предоставляет новые идеи и инструменты для решения сложных производственных задач и, как ожидается, в будущем будет использоваться в высокоточных областях, таких как интеллектуальное производство, аэрокосмическая промышленность и медицинское оборудование. , важная роль.