通过强化学习生成工具路径来用于计算机辅助制造制造技术

用于与减材制造系统和技术一起使用的使用通过强化学习生成的工具路径对物理结构进行计算机辅助设计和制造的方法、系统和设备，包括介质编码的计算机程序产品，包括：在计算机辅助设计或制造程序中获得可制造对象的三维模型；通过将所述三维模型的至少一部分提供给采用强化学习的机器学习算法而生成能够由计算机控制的制造系统用来制造所述可制造对象的至少一部分的工具路径，其中所述机器学习算法包括一个或多个打分函数，所述一个或多个打分函数包括与期望的工具路径特性相关的奖励，所述期望的工具路径特性包括工具路径平滑度、工具路径长度和避免与所述三维模型的碰撞；以及将所述工具路径提供给所述计算机控制的制造系统以制造所述可制造对象的至少所述部分。部分。部分。

【技术实现步骤摘要】
【国外来华专利技术】通过强化学习生成工具路径来用于计算机辅助制造
[0001]相关申请的交叉引用
[0002]本专利申请要求2020年6月22日提交的美国临时专利申请号63/042,264和2021年1月20日提交的美国技术专利申请号17/153,266的优先权和权益，所述申请以引用的方式整体并入本文。

技术介绍

[0003]本说明书涉及诸如使用减材制造系统和技术对物理结构进行计算机辅助设计和制造。
[0004]已经开发出计算机辅助设计(CAD)软件和计算机辅助制造(CAM)软件，并且将所述软件用来生成对象的三维(3D)表示，并且例如使用计算机数控(CNC)制造技术制造那些对象的物理结构。减材制造是指通过切除物料的部分而从物料(通常是比3D对象大的“坯件”或“工件”)创建3D对象的任何制造过程。减材制造过程常常涉及在遵循先前(至少部分地)手动确定的工具路径的一系列操作中使用多个CNC机床切削工具。
[0005]对于新手用户来说，在CAM软件中选择工具路径可为困难的。CNC铣床可具有若干轴和功能，并且正在加工的几何形状可能具有需要特定的路由路径的复杂形式。现有的选择工具路径的方法涉及用户了解哪些类别的工具路径是最适当的，选择那个类别，并且操纵许多(通常是几十个)参数以实现期望的结果。然而，即使在向用户给出关于使用何种工具路径的提示时，选择哪一类别的工具路径并非总是明显的，并且因此用户常常要花费数小时来探索各种类别和参数以试图找到他们想要的工具路径。此外，软件(可从加利福尼亚州圣拉斐尔的Autodesk公司获得)包括可用于生成工具路径的模板。

技术实现思路

[0006]本说明书描述了用于与减材制造系统和技术一起使用的与使用通过强化学习生成的工具路径对物理结构进行计算机辅助设计和制造相关的技术。
[0007]一般而言，在本说明书中描述的主题的一个或多个方面可体现在一种或多种方法(以及还有有形地编码有可操作以致使数据处理设备执行操作的计算机程序的一种或多种非暂时性计算机可读介质)中，所述方法包括：在计算机辅助设计或制造程序中获得可制造对象的三维模型；由计算机辅助设计或制造程序通过在训练期间将所述三维模型的至少一部分提供给采用强化学习的机器学习算法而生成能够由计算机控制的制造系统用来制造所述可制造对象的至少一部分的工具路径，其中所述机器学习算法包括一个或多个打分函数，所述一个或多个打分函数包括与期望的工具路径特性相关的奖励，所述期望的工具路径特性包括工具路径平滑度、工具路径长度和避免与所述三维模型的碰撞；以及将所述工具路径提供给所述计算机控制的制造系统以制造所述可制造对象的至少所述部分。
[0008]所述期望的工具路径特性可包括选定切削工具的工具接合和选定工具的接触轨迹。所述机器学习算法可采用可变进给和/或速度。所述机器学习算法可包括两种或更多种机器学习算法，并且提供所述三维模型的至少所述部分可包括：利用所述两种或更多种机
器学习算法中的第一机器学习算法处理所述三维模型的至少所述部分；以及利用所述两种或更多种机器学习算法中的第二机器学习算法处理所述三维模型的所述部分。所述两种或更多种机器学习算法中的所述第一机器学习算法可包括卷积神经网络，所述卷积神经网络用于从将要利用所述两种或更多种机器学习算法中的所述第二机器学习算法处理的所述三维模型的所述部分生成数据。所述两种或更多种机器学习算法中的所述第一机器学习算法可对所述三维模型的至少所述部分的低分辨率视图进行操作，并且所述两种或更多种机器学习算法中的所述第二机器学习算法可对所述三维模型的所述部分的高分辨率视图进行操作。
[0009]所述机器学习算法可包括基于优势的执行者
‑
评论者机器学习架构。所述工具路径可用于计算机控制的制造系统进行的2.5轴加工。生成能够由所述计算机控制的制造系统用来制造所述可制造对象的至少所述部分的所述工具路径可包括：在离散的2D层处生成所述三维模型的多个二维(2D)表示；将每个2D表示提供给所述机器学习算法，以生成用于制造每个离散的2D层的对应一组工具路径；以及通过将用于所述三维模型在离散的2D层处的所述多个2D表示的所述对应组工具路径进行组合，生成能够由所述计算机控制的制造系统使用的所述工具路径。
[0010]所述机器学习算法可包括两种或更多种机器学习算法，并且将所述三维模型的至少所述部分提供给所述机器学习算法可包括：通过利用所述两种或更多种机器学习算法中的第一机器学习算法处理所述三维模型的至少所述部分的全局视图而生成至少一个起始位置；以及通过利用所述两种或更多种机器学习算法中的第二机器学习算法处理所述三维模型的至少所述部分的局部视图而在所述至少一个起始位置中的每一者附近生成一组工具路径。生成所述至少一个起始位置可包括利用所述两种或更多种机器学习算法中的第一机器学习算法使用可制造对象的三维模型和物料的模型的离散化表示来处理全局视图，将要从所述物料的所述模型制造所述可制造对象的至少所述部分，并且生成所述一组工具路径可包括在用于制造所述可制造对象的至少所述部分的计算机控制的制造系统中利用所述两种或更多种机器学习算法中的第二机器学习算法使用计算机控制的制造系统中的工具模型的连续表示来处理局部视图。生成所述至少一个起始位置可包括利用两种或更多种机器学习算法中的第一机器学习算法使用工具模型的离散化表示来处理全局视图，并且生成所述一组工具路径可包括利用所述两种或更多种机器学习算法中的第二机器学习算法使用可制造对象的三维模型和物料的模型的连续表示来处理所述局部视图。
[0011]所述期望的工具路径特性可包括基于工具的旋转方向而设置的工具的转向方向。可基于工具相对于可制造对象的3D模型的位置而设置工具的转向方向，并且一个或多个打分函数可包括一个或多个奖励，所述一个或多个奖励在工具的位置大于距可制造对象的3D模型的阈值距离时鼓励自由选择所述工具的转向方向，并且所述一个或多个奖励可在工具的位置在距可制造对象的3D模型的阈值距离内时鼓励工具仅在一个方向上转向，这基于所述旋转方向而暴露所述工具的正确侧。所述机器学习算法可包括一个或多个打分函数，所述一个或多个打分函数可包括与可制造对象的对应的完成百分比相关的基于阶段的奖励。
[0012]在本说明书中描述的主题的一个或多个方面还可体现在一个或多个系统中，所述一个或多个系统包括：数据处理设备，所述数据处理设备包括至少一个硬件处理器；以及非暂时性计算机可读介质，所述非暂时性计算机可读介质编码有被配置为致使所述数据处理
设备执行操作的指令，所述操作包括：在计算机辅助设计或制造程序中获得可制造对象的三维模型；由计算机辅助设计或制造程序通过在训练期间将所述三维模型的至少一部分提供给采用强化学习的机器学习算法而生成可由计算机控制的制造系统用来制造所述可制造对象的至少一部分的工具路径，其中所述机器学习算法包括一个或多个打分函数，所述一个或多个打分函数包括与期望的工具路径特性相关的奖励，所述期望的工具路径特性包括工具路径平滑度、工具路径长度和避免与所述三维模型的碰撞；以及将所述工具路径提供给所本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种方法，所述方法包括：在计算机辅助设计或制造程序中获得可制造对象的三维(3D)模型；由所述计算机辅助设计或制造程序通过在训练期间将所述三维模型的至少一部分提供给采用强化学习的机器学习算法而生成能够由计算机控制的制造系统用来制造所述可制造对象的至少一部分的工具路径，其中所述机器学习算法包括一个或多个打分函数，所述一个或多个打分函数包括与期望的工具路径特性相关的奖励，所述工具路径特性包括工具路径平滑度、工具路径长度和避免与所述三维模型的碰撞；以及将所述工具路径提供给所述计算机控制的制造系统以制造所述可制造对象的至少所述部分。2.如权利要求1所述的方法，其中所述期望的工具路径特性包括选定切削工具的工具接合和选定工具的接触轨迹。3.如权利要求1
‑
2中任一项所述的方法，其中所述机器学习算法采用可变进给和/或速度。4.如权利要求1所述的方法，其中所述机器学习算法包括两种或更多种机器学习算法，并且提供所述三维模型的至少所述部分包括：利用所述两种或更多种机器学习算法中的第一机器学习算法处理所述三维模型的至少所述部分；以及利用所述两种或更多种机器学习算法中的第二机器学习算法处理所述三维模型的所述部分。5.如权利要求4所述的方法，其中所述两种或更多种机器学习算法中的所述第一机器学习算法包括卷积神经网络，所述卷积神经网络用于从将要利用所述两种或更多种机器学习算法中的第二机器学习算法处理的所述三维模型的所述部分生成数据。6.如权利要求4所述的方法，其中所述两种或更多种机器学习算法中的所述第一机器学习算法对所述三维模型的至少所述部分的低分辨率视图进行操作，并且所述两种或更多种机器学习算法中的所述第二机器学习算法对所述三维模型的所述部分的高分辨率视图进行操作。7.如权利要求1
‑
2和4中任一项所述的方法，其中所述机器学习算法包括基于优势的执行者
‑
评论者机器学习架构。8.如权利要求1
‑
2和4
‑
6中任一项所述的方法，其中所述工具路径用于所述计算机控制的制造系统进行的2.5轴加工。9.如权利要求8所述的方法，其中生成能够由所述计算机控制的制造系统用来制造所述可制造对象的至少所述部分的所述工具路径包括：在离散的2D层处生成所述三维模型的多个二维(2D)表示；将每个2D表示提供给所述机器学习算法，以生成用于制造每个离散的2D层的对应一组工具路径；以及通过将用于所述三维模型在离散的2D层处的所述多个2D表示的所述对应组工具路径进行组合，生成能够由所述计算机控制的制造系统使用的所述工具路径。10.如权利要求1所述的方法，其中所述机器学习算法包括两种或更多种机器学习算法，并且将所述三维模型的至少所述部分提供给所述机器学习算法包括：
通过利用所述两种或更多种机器学习算法中的第一机器学习算法处理所述三维模型的至少所述部分的全局视图而生成至少一个起始位置；以及通过利用所述两种或更多种机器学习算法中的第二机器学习算法处理所述三维模型的至少所述部分的局部视图而在所述至少一个起始位置中的每一者附近生成一组工具路径。11.如权利要求10所述的方法，其中生成所述至少一个起始位置包括利用所述两种或更多种机器学习算法中的所述第一机器学习算法使用所述可制造对象的所述三维模型和物料的模型的离散化表示来处理所述全局视图，将要从所述物料的所述模型制造所述可制造对象的至少所述部分，并且其中生成所述一组工具路径包括在用于制造所述可制造对象的至少所述部分的所述计算机控制的制造系统中利用所述两种或更多种机器学习算法中的所述第二机器学习算法使用工具的模型的连续表示来处理所述局部视图。12.如权利要求11所述的方法，其中生成所述至少一个起始位置包括利用所述两种或更多种机器学习算法中的所述第一机器学习算法使用所述工具的所述模型的离散化表示来处理所述全局视图，并且生成所述一组...

【专利技术属性】
技术研发人员：DP洛弗尔，AA本阿布巴卡尔，S梅汉，
申请(专利权)人：欧特克公司，
类型：发明
国别省市：