AAAIFeb, 2023

用于 CAD 模型块分解的强化学习

PDF
TL;DR本研究提出了一种新颖的 AI 辅助方法来将平面 CAD（计算机辅助设计）模型分解成良好形状的矩形块，以解决 CAD 模型分解和网格生成的问题，并使用强化学习训练一个代理来执行优化切割，取得了成功的结果。
发现论文，激发创造
  • 用于多边形块分解的网格拓扑操作学习

    通过自我对弈强化学习，我们提出了一个基于学习的框架，用于改善非结构化三角形和四边形网格的质量，目标是通过标准的局部和全局元素操作，最小化节点度数偏离其理想值，以达到减少不规则节点的目标。

    Sep, 2023

  • 自适应四边形网格生成的强化学习：软性演员 - 评论家算法

    本文提出，实现并评估了一种基于强化学习的计算框架用于自动网格生成，通过将网格生成问题转化为马尔可夫决策过程，使用 “软玄学家” 算法对自动生成的网格进行学习，使我们能够建立一个完全自动化的网格生成系统，填补现有网格生成工具的空白。

    Mar, 2022

  • 使用机器学习提高圆柱代数分解

    本文试图探究机器学习（具体而言是支持向量机）在选择算法和问题形式时的运用，分别在选择 Cylindrical Algebraic Decomposition（CAD）变量排序策略和识别哪些 CAD 问题实例可以从 Groebner Basis 预处理中获益两个方面进行了研究，并证明了机器学习在这两个方面的表现超过了人类开发的启发式算法。

    Apr, 2018

  • 从单个 RGB 图像学习无监督 3D 物体的分层部件分解

    该研究提出了一种新的方法，可以同时恢复 3D 对象的几何形状和基于部分的分解，以及它们之间的潜在层次结构，实验证明考虑部分的组织确实有助于推理三维几何。

    Apr, 2020

  • 通过部件检索和组装实现非监督式三维形状重建

    通过在实现中使用用户提供的一组三维部件的库，我们提出了基于自我监督的方法来将 3D 形状分解，使得对部件的选择和分解方式都可以进行完全控制。实验表明，这种方法比现有方法提供了更高的重构准确性和更理想的分解。

    Mar, 2023

  • 分解环境的分阶段强化学习用于复杂任务

    通过将复杂任务分解为多个子任务并在交通路口模拟中引入多智能体训练机制，本研究提出了两种方法来近似强化学习问题并改善代理人在复杂任务中的性能，从而减少潜在的安全问题。

    Nov, 2023

  • 基于场景分解的安全强化学习在复杂城市环境下的导航

    我们提出了一种基于模块化的决策算法，以自主导航十字路口的挑战，通过安全机制，置信度更新技术和场景分解方法，提高了行车安全性和决策鲁棒性，并在复杂的十字路口情境中表现了优越性。

    Apr, 2019

  • 强化学习建模 3D 形状

    本文提出了一种基于深度强化学习的两步神经框架来模拟 Maya 软件中的建模过程，并且采用新颖的训练算法来 efficient 训练模拟器，从而达到模拟生成 3D 模型的效果。

    Mar, 2020

  • 从像素和自然语言指令中学习解决体素建筑任务

    采用预训练语言模型生成行动计划是一种很有前途的研究策略，本文提出了一种新的方法，将语言模型与强化学习相结合，用于在类似 Minecraft 的环境中按照自然语言指令构建对象，在 IGLU 2022 竞赛中形成了强化学习基线。

    Nov, 2022

  • 基于图的强化学习与混合整数规划相遇：一个应用于 3D 机器人组装发现的案例

    该研究使用模块化建筑块和机器人操作器解决了机器人装配发现的挑战性问题，并通过全局优化和强化学习等策略提高了性能和鲁棒性。

    Mar, 2022