Проблема неоднозначности в генеративном CAD
Существующие методы генерации CAD-моделей по текстовому описанию часто терпят неудачу, когда пользовательские промпты слишком общие или содержат ошибки. Индустриальное проектирование требует не просто визуального сходства, а строгой параметрической геометрии, управляемых зависимостей и исполняемого формата B-Rep (Boundary Representation). Авторы статьи из arXiv (2607.05750) предлагают решение, которое связывает намерения дизайнера с инженерной логикой через промежуточное представление.
Архитектура: CAD-IR и дистилляция навыков
Ключевым нововведением является CAD-IR (CAD Intermediate Representation) — исполняемое процедурное представление, которое кодирует параметры, порядок операций, привязки инструментов MCP (Model Context Protocol) и правила верификации. Система работает по следующему алгоритму:
- Дистилляция знаний: Записи работы экспертов в CATIA (макросы, логи, заметки) конвертируются в переиспользуемые параметризированные навыки.
- Инстанцирование: При поступлении запроса система извлекает релевантные навыки и адаптирует их под конкретный промпт.
- Исполнение и рефайнмент: Генерация выполняется через бэкенд CATIA-MCP, а многовидовой визуальный фидбек используется для итеративного исправления ошибок.
Результаты на бенчмарке Text2CAD
Внедрение CAD-IR позволило существенно повысить точность генерации из «промежуточных» (неполных) текстовых описаний. Метрика Chamfer Distance (расстояние между точками), показывающая геометрическое сходство, улучшилась с 14.83 до 9.88. Это доказывает способность системы достраивать логически связанные операции, которых не было в исходном запросе.
| Метрика / Показатель | До внедрения CAD-IR | После внедрения CAD-IR | Значение |
|---|---|---|---|
| Mean Chamfer Distance (Text2CAD) | 14.83 | 9.88 | Снижение ошибки геометрии на ~33% |
| Тип выходных данных | Часто невалидные сетки | Исполняемые B-Rep модели | Готовность к промышленному производству |
| Источники знаний | Только текстовые промпты | Текст + экспертные макросы CATIA | Учет инженерных стандартов |
Промышленное применение
Система протестирована на четырех сложных автомобильных компонентах. ArtisanCAD демонстрирует способность генерировать редактируемые нативные модели CATIA для новых вариантов запросов, используя ранее изученные процедуры. Это закрывает критический разрыв между генеративным ИИ и требованиями к редактируемости и параметризации в машиностроении.
Бенчмарки
| Бенчмарк | ArtisanCAD (with CAD-IR) | Baseline (with CAD-IR) |
|---|---|---|
| Text2CAD | 9.88Chamfe | 14.83Chamfe |
Жирным — лучший результат в строке. Источник цифр — официальная публикация.
Источник: arXiv cs.AI ↗