JoinABLe Learning Bottom-up Assembly of Parametric CAD Joints【浅读】

JoinABLe: Learning Bottom-up Assembly of Parametric CAD Joints

JoinABLe: Learning Bottom-up Assembly of Parametric CAD Joints(JoinABLe:学习自底向上的参数化CAD关节装配)
2022CVPR
主要作用：CAD装配
Fusion 360 Gallery：https://github.com/AutodeskAILab/Fusion360GalleryDataset

摘要

实体产品通常是由计算机辅助设计(CAD)软件建模的大量3D部件组合而成的复杂组件。CAD设计人员通过使用称为接头的约束将单个部件对齐来构建这些组件。本文介绍了一种基于学习的方法JoinABLe，它可以将零件组装在一起形成关节。JoinABLe使用标准参数化CAD文件中可用的弱监督，而无需对象类标签或人工指导。我们的结果表明，通过在实体模型的图形表示上进行网络预测，我们可以以接近人类表现(80%)的准确率(79.53%)胜过多个基线方法。最后，为了支持未来的研究，我们发布了Fusion 360 Gallery装配数据集，其中包含了关于关节、接触面、孔和底层装配图结构的丰富信息的装配。

贡献

本文的贡献：

• 本文提出了一种基于学习的方法，利用参数化CAD文件中的弱监督来实现零件对的自动装配。这是我们第一次在没有对象或部件类标签、人工注释或用户指导的帮助下完成的。

• 我们创建并发布了Fusion 360 Gallery装配数据集，其中包含具有关节、接触面、孔和底层装配图结构丰富信息的CAD装配。

• 我们提供了关节轴和关节姿态预测任务的实验结果，人类基线研究，并与多种其他方法进行了比较。

框架

结论

我们的长期目标是使装配感知设计工具，能够建议和自动放置零件。这样的系统可以在新设计中更好地重用现有的物理组件，并有可能降低与制造和相关供应链相关的成本和环境影响[29]。了解零件是如何组装的也是机器人组装和拆卸的关键。基于cad的机器人拆卸系统可以提高我们重复使用和回收部件的能力[8,35,41,45]。在这项工作中，我们已经开始了通过学习参数化CAD关节的自下而上组装来解决这些挑战的第一步。我们的研究结果表明，基于学习的方法有望接近人类CAD专家的表现，随着我们数据集的发表，我们希望进一步帮助未来的研究。