.png){kind=icon}
返回
Physically Aware Generative Design for Spatial Mechanism Synthesis: A Differentiable Diffusion-Refinement Framework
.png){kind=icon}
PRE
AI
DOI：10.1109/lra.2026.3734873.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
空间机构综合需要在严格的环路闭合约束下对离散拓扑和连续几何进行联合推理。现有的基于搜索的方法通常依赖于预定义的拓扑空间，而纯粹的数据驱动生成器可能会产生拓扑上合理但运动学上不可行的机构。本文提出GenRefMechSyn，一种物理感知的生成框架，集成了Mimic（一种基于扩散变换器（DiT）的拓扑-几何草图生成器）、Refiner（一种可微运动学细化器）和Judge（一种细化感知的价值模型）。Mimic提出候选机构草图，Refiner在固定拓扑下优化连续几何并将候选方案导向运动学可行性区域，Judge利用细化反馈引导扩散采样向具有更高下游可细化性的候选方案。在1000次试验的接受协议下，GenRefMechSyn实现了81.6%的双平移自由度（2 T）运动学有效性；受控基线方法中，无Judge指导/反馈增强的DiT+Refiner获得6.6%，在有利固定拓扑下遗传算法（GA）+Refiner获得84.3%，多拓扑GA+Refiner获得12.2%。生成的机构环路闭合残差和任务误差分别达到$10^{-3}$和$10^{-4}$量级。相同的架构和种子集也被用于一个独立训练的双旋转自由度（2R）反馈运行中，展示了其在单独训练的旋转任务中的应用能力。
Keyword:
Mechanism synthesis
spatial mechanisms
diffusion models
differentiable kinematics
physics-constrained learning
