Neue Ansätze zur Automatisierung der CAD-Modellierung durch KI-Technologien

Von Text zu CAD: KI revolutioniert die computergestützte Konstruktion

Die Erstellung von 3D-Modellen in Computer-Aided Design (CAD) Programmen erfordert traditionell umfangreiches Fachwissen und einen hohen Zeitaufwand. Die Automatisierung dieses Prozesses durch die Konvertierung von Textbeschreibungen in CAD-Parametersequenzen, bekannt als Text-to-CAD, bietet enormes Potenzial zur Effizienzsteigerung. Dieser Artikel beleuchtet die neuesten Entwicklungen in diesem Bereich und stellt die innovative Methode "CADFusion" vor, welche die Leistungsfähigkeit von großen Sprachmodellen (LLMs) nutzt, um die Generierung von CAD-Modellen aus Textbeschreibungen zu revolutionieren.

Herausforderungen und bisherige Ansätze

Bisherige Text-to-CAD-Ansätze konzentrierten sich hauptsächlich auf die Verwendung von vorgegebenen Parametersequenzen als Grundlage für das Training von KI-Modellen. Diese sequentiellen Signale geben zwar die logische Struktur eines CAD-Modells wieder, vernachlässigen jedoch den visuellen Aspekt. CAD-Modelle sind jedoch inhärent multimodal: Sie bestehen aus Parametersequenzen und den dazugehörigen gerenderten visuellen Objekten. Darüber hinaus kann eine Vielzahl von Parametersequenzen zum selben visuellen Objekt führen. Für ein effektives Training sind daher sowohl sequentielle als auch visuelle Signale entscheidend.

CADFusion: Ein neuer Ansatz durch visuelles Feedback

CADFusion setzt auf die Stärke von LLMs und integriert visuelles Feedback in den Trainingsprozess. Das Training besteht aus zwei sich abwechselnden Phasen: der sequentiellen Lernphase (SL) und der visuellen Feedbackphase (VF).

In der SL-Phase werden die LLMs mit vorgegebenen Parametersequenzen trainiert, um die Generierung logisch kohärenter Sequenzen zu ermöglichen. In der VF-Phase erhalten die LLMs Feedback basierend auf den gerenderten visuellen Objekten. Parametersequenzen, die zu visuell bevorzugten Objekten führen, werden belohnt, während solche, die nicht den Erwartungen entsprechen, bestraft werden. Dieser iterative Prozess ermöglicht es den LLMs zu lernen, wie gerenderte visuelle Objekte wahrgenommen und bewertet werden. Durch den Wechsel zwischen SL und VF wird ein ausgewogenes Lernen gewährleistet und die Vorteile beider Signaltypen genutzt.

Vorteile und Potenziale

Die Integration von visuellem Feedback in den Trainingsprozess bietet zahlreiche Vorteile. LLMs lernen nicht nur die syntaktische Korrektheit der Parametersequenzen, sondern auch deren semantische Bedeutung im Kontext der visuellen Darstellung. Dies führt zu einer deutlich verbesserten Qualität der generierten CAD-Modelle. CADFusion ermöglicht die Erstellung komplexer 3D-Modelle basierend auf natürlichsprachlichen Beschreibungen, was den Designprozess erheblich vereinfacht und beschleunigt.

Ausblick

Die Entwicklungen im Bereich Text-to-CAD eröffnen spannende Möglichkeiten für die Zukunft der computergestützten Konstruktion. Durch die Kombination von LLMs und visuellem Feedback können KI-Systeme trainiert werden, die komplexe Design-Aufgaben automatisieren und die Produktivität von Ingenieuren und Designern steigern. Zukünftige Forschung könnte sich auf die Erweiterung des Anwendungsbereichs von CADFusion auf verschiedene CAD-Software und die Integration weiterer Modalitäten, wie z.B. haptisches Feedback, konzentrieren.

Bibliographie:

1. Wang, R., Yuan, Y., Sun, S., & Bian, J. (2025). Text-to-CAD Generation Through Infusing Visual Feedback in Large Language Models. arXiv preprint arXiv:2501.19054.
2. Unbekannt. Engineering Sketch Generation for Computer-Aided Design. ResearchGate.
3. Unbekannt. Large-scale Text-to-Image Generation Models for Visual Artists’ Creative Works. ResearchGate.
4. Unbekannt. Paper page - Text-to-CAD Generation Through Infusing Visual Feedback in Largen Language Models. PaperReading.
5. Kool, W., et al. (2024). Neurips datasets and benchmarks.
6. Zhao, S., et al. (2022). A survey on automatic generation of engineering drawings from 3D models. Journal of Manufacturing Systems, 67, 100-116.