CN108995220B - 基于强化学习的复杂薄壁结构物体3d打印路径规划方法 - Google Patents

基于强化学习的复杂薄壁结构物体3d打印路径规划方法 Download PDF

Info

Publication number
CN108995220B
CN108995220B CN201810784805.8A CN201810784805A CN108995220B CN 108995220 B CN108995220 B CN 108995220B CN 201810784805 A CN201810784805 A CN 201810784805A CN 108995220 B CN108995220 B CN 108995220B
Authority
CN
China
Prior art keywords
printing
state
action
matrix
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810784805.8A
Other languages
English (en)
Other versions
CN108995220A (zh
Inventor
李佳奕
王祎
李凤岐
王胜法
杨德成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN201810784805.8A priority Critical patent/CN108995220B/zh
Publication of CN108995220A publication Critical patent/CN108995220A/zh
Application granted granted Critical
Publication of CN108995220B publication Critical patent/CN108995220B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
    • B29C64/30—Auxiliary operations or equipment
    • B29C64/386—Data acquisition or data processing for additive manufacturing
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y50/00—Data acquisition or data processing for additive manufacturing

Landscapes

  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Materials Engineering (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Optics & Photonics (AREA)

Abstract

本发明属于人工智能及3D打印领域，涉及一种基于强化学习的复杂薄壁结构物体3D打印路径规划方法。本发明首先建立路径规划的仿真环境，然后基于强化学习中的Q‑learning算法，建立回报矩阵R，由回报矩阵R生成状态‑动作矩阵Q；再通过对状态‑动作矩阵Q的数据进行分析，得到打印的路径规划仿真结果；最后由仿真结果，结合实际打印机参数，完成实际打印过程。本发明借助Q‑learning算法，对3D打印的路径进行智能的学习，通过学习训练，使计算机能够智能的找到适合打印的一条路径，能够大大的提高打印的效率，成形的效果也明显好于传统的路径规划算法。本发明对于复杂薄壁图形具有通用性。

Description

基于强化学习的复杂薄壁结构物体3D打印路径规划方法
技术领域
本发明属于人工智能及3D打印领域，涉及一种基于强化学习的复杂薄壁结构物体3D打印路径规划方法。
背景技术
3D打印技术又称为增材制造技术，最初在工业设计及模具制造领域中用来制造零件模具模型，而后使用于产品的直接制造生产。经过近十年的迅速发展，3D打印技术已在医疗，航空航天，教育等领域都有了广泛的应用。目前应用最广泛的是层积式3D打印方法，通过对目标物体模型进行分层，并从底而上逐层累积打印，最终得到目标实体。
其中，对目标物体模型分层后，每一层的打印头运动路径规划是3D打印的重要步骤。选择合适的路径能够很大程度上减少打印过程中的启停次数以及拐弯次数，从而增加打印的平稳性以及打印的效率。因此，为了提高打印的精度与效率，3D打印路径规划问题越来越引起相关研究者的重视。
近些年来，3D打印的路径规划取得了很大进步，如Z字形扫描算法、偏置轮廓算法等在对一般物体的打印中都取得了一定的效果。但对于外部、内部结构为薄壁的物体(常用于工业生产轻量化)，现有传统的路径规划方法存在着一定的局限性，例如：Z字形扫描算法因近距离平行往返容易因材料密集散热而产生应力过于集中，降低材料散热效果，直接导致产品出现变形、裂纹等现象。偏置轮廓算法打印出的模型轮廓由于打印跨度较大容易断开连接，形成断开的“口袋”，而且打印的中断次数也较多，在终点会出现“拔丝”现象，即产生多余的固化毛刺。因此急需更适合复杂薄壁物体的路径规划方法。
强化学习(Reinforcement Learning)在近些年来的发展极为迅速，是一种新颖的人工智能方法，主要应用在智能控制机器人及分析预测等领域。强化学习包括环境、智能体(Agent)和控制策略三要素。强化学习目的是构造一个控制策略，使得Agent行为性能达到最大，从而通过学习选择能达到其目标的最优动作。目前增强学习在机器人避障，走迷宫游戏等以及迷宫等方面取得了一系列的进展。3D打印路径规划问题属于全路径遍历问题，可以和强化学习结合起来进行提高复杂薄壁结构物体的打印效率。
发明内容
为解决上述问题，本发明提出了一种基于强化学习的复杂薄壁结构物体3D打印路径规划方法。
本发明的技术方案：
一种基于强化学习的复杂薄壁结构物体3D打印路径规划方法，首先建立路径规划的仿真环境，然后基于强化学习中的Q-learning算法，建立回报矩阵R，由回报矩阵R生成状态-动作矩阵Q；再通过对状态-动作矩阵Q的数据进行分析，得到打印的路径规划仿真结果；最后由仿真结果，结合实际打印机参数，完成实际打印过程；
具体步骤如下：
第一步，建立3D打印路径规划的仿真环境
根据需要打印的已知目标物体三维模型，并且目标物体三维模型被切片为K层，得到层目标物体Ci，其中，i＝1,…,K；为每层的层目标物体Ci建立一个离散二维空间作为其打印仿真环境Ii；以层目标物体Ci的左下角为坐标原点O(0,0)，从左下角向上建立离散的二维打印环境坐标系；横轴X和纵轴Y的刻度范围为(0,…,N)，模拟打印头在打印仿真环境中最小移动距离为单位1；
在打印仿真环境中，令Ci上需要打印的坐标点值为1，其他非Ci上的点代表不需要打印的点，值为0；模拟打印仿真过程是从打印仿真环境Ii中一个值为1的点出发，按照约束条件，遍历打印仿真环境中所有值为1的点；
第二步，路径规划核心计算
(1)建立状态-动作矩阵Q
建立一个N×N的打印状态-动作矩阵Q(s,a)，状态-动作矩阵Q的行s代表打印头在目标物体上的坐标位置Is(xi,yj)的状态，动作a代表从状态s打印头当前位置Is(xi,yj)打印到目标物体上另一个坐标Ia(xp,yq)的动作；
并将状态-动作矩阵Q中的所有元素值都进行初始化为0，如公式(1)，
Figure GDA0002265089730000031
(2)建立打印回报矩阵R，并设置打印约束条件
建立一个N×N的R(s,a)回报矩阵，回报矩阵R的值表示当打印头从状态s选择动作a后的奖励值，将回报矩阵R中所有的元素首先初始化为-1，然后加入打印约束条件：
①减少打印头抬起次数约束：在打印仿真环境Ii中，已知现在状态s打印头所在位置为点(xi,yj)，则考察其上下左右四临域方向的点(xi,yj-1)、(xi,yj+1)、(xi-1,yj)、(xi+1,yj)，如果有一个点的值为1，则令打印头从当前点(xi,yj)到值为1的邻域点的动作的回报值为R(s,a)＝1；
②减少打印头的拐弯次数：在打印仿真环境Ii中，已知现在状态s打印头所在位置为点(xi,yj)，如果当前位置上、下相邻点(xi,yj-1)和(xi,yj+1)的和大于左、右相邻点(xi-1,yj)和(xi+1,yj)的和，则令从当前位置到上、下相邻点动作的回报值为R(s,a)＝2；如果当前位置左、右相邻点(xi-1,yj)和(xi+1,yj)的和大于上、下相邻点(xi,yj-1)和(xi,yj+1)的和，则分别令从当前位置到左、右相邻点对应的动作的回报值R(s,a)＝2；
(3)状态-动作矩阵Q迭代学习
Q-learning状态转移方程：
Figure GDA0002265089730000041
其中，γ为贪婪因子，0<γ<1，s表示当前状态，a表示当前动作，
Figure GDA0002265089730000042
表示下一状态，
Figure GDA0002265089730000043
表示下一动作；
状态-动作矩阵Q迭代学习过程如下：
步骤一：设置当前状态s为初始状态；根据建立的目标物体三维模型大小设置循环次数；
步骤二：在当前状态s的所有可能行为中随机选择一个行为a；
步骤三：利用行为a得到下一状态
Figure GDA0002265089730000044
步骤四：按照公式(2)进行计算，得到Q(s,a)的值；
步骤五：令
Figure GDA0002265089730000045
之后回到步骤二进行循环；
(4)路径选择
在3D打印路径规划中需要对路径的完全遍历，具体步骤如下：
对状态-动作矩阵Q的数据分析，进行数据的选择：
步骤一：选择打印头的起始位置为状态s；
步骤二：利用状态-动作矩阵Q中状态s对应的最大值动作a，得到下一状态
Figure GDA0002265089730000051
步骤三：令
Figure GDA0002265089730000052
重复步骤二N次，当状态s下没有大于0的对应的动作时，对状态-动作矩阵Q进行遍历找到一个大于0的值
Figure GDA0002265089730000053
令
Figure GDA0002265089730000054
本发明的有益效果：
本发明基于强化学习算法，完成对复杂薄壁结构物体的打印的路径规划，目前传统的路径规划算法难以应用在复杂薄壁结构物体，在本发明中创新的借助了Q-learning算法，对3D打印的路径进行智能的学习，通过学习训练，使计算机能够智能的找到适合打印的一条路径，能够大大的提高打印的效率，成形的效果也明显好于传统的路径规划算法。相对于传统算法，在打印不同此类物体的时候只需要对切片后的二维模型重新建立坐标系，完成对Q矩阵和R矩阵的初始化，其他条件不变，就可以通过本发明中的算法完成对新事物的学习与训练，本发明中的算法对于此类复杂薄壁图形具有通用性。
附图说明
图1为本发明整体流程图；
图2为三维几何模型A及其层截面示意图；
图3为模型A的层对象的路径规划仿真环境示意图；
图4为用Z字形扫描方法对模型A的层对象的路径规划结果示意图；
图5为基于本发明方法的对模型A层对象的路径规划结果示意图；
图6为三维几何模型B及其层截面示意图；
图7为模型B的层对象路径规划仿真环境示意图；
图8为利用偏置轮廓算法对模型B的层对象打印路径规划结果示意图；
图9为基于本发明方法对模型B的层对象的路径规划结果示意图。
具体实施方式
以下结合附图和技术方案，进一步说明本发明的具体实施方式。
本发明的流程图如图1所示。以下针对实际打印物体，对本发明做进一步的详细说明，并与传统算法进行对比。
Step1：前期的准备工作，完成对所需要的矩阵以及模型的初始化。
(1)为打印模型A，建立3D仿真模型，见图2，并对此三维模型进行切片，之后得到每个打印层的二维层目标物体Ci(i＝1,…,50)，并为每层建立打印路径规划仿真环境。由于模型A每层对象结构一致，以下就以某一层为例，来详述本发明实施过程。
(2)在仿真环境中，设打印头出料宽度为单位1，实际打印中需要根据实际物体壁的厚度和打印头的出料宽度，进行设置其对应仿真模型的壁厚，如本例中图形壁厚宽度为2，图形中最外圈正方形的长度为30个单位，如图3。因此该层目标物体Ci需要打印(访问)的坐标点的个数为456个，对应点在坐标系I(i)中的值置为1，其他非Ci上的点值置为0。
(3)建立一个456×456的状态-动作矩阵Q，对矩阵中所有元素进行初始化为0。
(4)建立一个456×456的回报矩阵R，对矩阵中所有元素进行初始化为-1。
Step2：设置打印约束条件。
主要对回报条件进行设置：
(1)减少打印头抬起次数约束：在Ii中，已知现在状态s打印头所在位置为点(xi,yj)，则考察其上下左右四临域方向的点(xi,yj-1)、(xi,yj+1)、(xi-1,yj)、(xi+1,yj)，如果有一个点的值为1，则令打印头从当前点(xi,yj)到那个值为1的邻域点的动作的回报值为R(si,a)＝1；
(2)减少打印头的拐弯次数：在Ii中，已知现在状态s打印头所在位置为点(xi,yj)，如果当前位置上下相邻点(xi,yj-1)和(xi,yj+1)的和大于其左右相邻点(xi-1,yj)和(xi+1,yj)的和，则令从当前位置到上下相邻点动作的回报值为R(s,a)＝2；或者如果当前位置左右相邻点(xi-1,yj)和(xi+1,yj)的和大于相邻点(xi,yj-1)和(xi,yj+1)的和，则分别令从当前位置到左右相邻点对应的动作的回报值R(s,a)＝2；
Step3：利用强化学习完成对模型路径的训练。
根据Q-learning转移方程，见公式(2)，Q-learning学习过程如下：
(1)设置当前状态s为初始状态，s选取为图形左上角1的位置对应坐标点(0,50)；
(2)根据建立的模型设置80000次的训练次数
①在当前状态s的所有可能行为中随机选择一个行为a
②利用这个选择的行为a，由此得到了下一状态
Figure GDA0002265089730000071
③按照公式(2)进行计算，得到Q(s,a)
④令
Figure GDA0002265089730000072
之后回到步骤(2)进行循环，次数为c
Step4：完成对打印路径的分析与提取。
经过训练生成了一个新的状态-动作矩阵Q，对状态-动作矩阵Q的数据分析，进行数据的选择：
(1)选择打印头的起始位置(0,50)
(2)将状态-动作矩阵Q中状态s(0,50)下对应的列为0，之后选择状态-动作矩阵Q中状态s下选择大于0的最大值动作a，得到下一状态
Figure GDA0002265089730000073
(3)令
Figure GDA0002265089730000074
重复步骤(2)456次，当状态s下没有大于0的对应的动作时，对矩阵进行遍历找到一个大于0的值
Figure GDA0002265089730000081
令
Figure GDA0002265089730000082
采用传统Z字形打印的方式来完成对这个图形进行打印(见图4，按照1、2、3、4、5的路径顺序进行打印)，从左上角开始，从右下角结束。采用这种路径，打印机拐角100次，起抬打印头62次，总打印行程长度1700。打印机在打印的时候要少走拐角，拐角太多会使打印的成形效果变差，而在这种打印方式中，很明显的可以看到极多的拐角，成形的效果也是极差。
而基于本发明输出打印路径(见图5)。经过了增强学习的训练，打印拐角明显变少，需要抬起打印头5次，拐角数为22次，打印行程总长度为490，最终的成形效果也是要明显优于Z字形的路径规划。最终使用3D打印机对50层对象进行打印，形成实物。
基于上述图形打印结果，对结构类似的另外一个复杂薄壁模型B(见图6)进行了实验。
首先建立层对象的路径规划仿真环境，如图7，令该仿真模型的壁厚为单位1，打印头输出宽度为单位1。
采用偏置轮廓的传统路径规划算法，从左下角起点处开始，先对最外一圈的图案进行打印，之后向内进行的打印，如图8，共转弯12次，起抬打印头1240次，总打印行程长度48000。
采用本发明提出的智能路径规划方法算法，针对不同模型，只要对Q矩阵重新初始化，在约束条件不变的基础上重新建立R矩阵，其他算法参数不变即可完成对新路径的学习与训练。训练结果如图9所示，按照1、2、3、4、5的路径顺序进行打印；打印头转弯69次，起抬打印头5次，总打印行程长度3432。
由此可见利用本发明，抬打印头的次数大大降低，在成形效果以及效率上明显要优于传统算法。最终使用3D打印机对100层对象进行打印，形成实物。

Claims (1)

1.一种基于强化学习的复杂薄壁结构物体3D打印路径规划方法，其特征在于，首先建立路径规划的仿真环境，然后基于强化学习中的Q-learning算法，建立回报矩阵R，由回报矩阵R生成状态-动作矩阵Q；再通过对状态-动作矩阵Q的数据进行分析，得到打印的路径规划仿真结果；最后由仿真结果，结合实际打印机参数，完成实际打印过程；
具体步骤如下：
第一步，建立3D打印路径规划的仿真环境
根据需要打印的已知目标物体三维模型，并且目标物体三维模型被切片为K层，得到层目标物体Ci，其中，i＝1,…,K；为每层的层目标物体Ci建立一个离散二维空间作为其打印仿真环境Ii；以层目标物体Ci的左下角为坐标原点O(0,0)，从左下角向上建立离散的二维打印环境坐标系；横轴X和纵轴Y的刻度范围为(0,…,N)，模拟打印头在打印仿真环境中最小移动距离为单位1；
在打印仿真环境中，令Ci上需要打印的坐标点值为1，其他非Ci上的点代表不需要打印的点，值为0；模拟打印仿真过程是从打印仿真环境Ii中一个值为1的点出发，按照约束条件，遍历打印仿真环境中所有值为1的点；
第二步，路径规划核心计算
(1)建立状态-动作矩阵Q
建立一个N×N的打印状态-动作矩阵Q(s,a)，状态-动作矩阵Q的行s代表打印头在目标物体上的坐标位置Is(xi,yj)的状态，动作a代表从状态s打印头当前位置Is(xi,yj)打印到目标物体上另一个坐标Ia(xp,yq)的动作；
并将状态-动作矩阵Q中的所有元素值都进行初始化为0，如公式(1)，
Figure FDA0002265089720000021
(2)建立打印回报矩阵R，并设置打印约束条件
建立一个N×N的R(s,a)回报矩阵，回报矩阵R的值表示当打印头从状态s选择动作a后的奖励值，将回报矩阵R中所有的元素首先初始化为-1，然后加入打印约束条件：
①减少打印头抬起次数约束：在打印仿真环境Ii中，已知现在状态s打印头所在位置为点(xi,yj)，则考察其上下左右四临域方向的点(xi,yj-1)、(xi,yj+1)、(xi-1,yj)、(xi+1,yj)，如果有一个点的值为1，则令打印头从当前点(xi,yj)到值为1的邻域点的动作的回报值为R(s,a)＝1；
②减少打印头的拐弯次数：在打印仿真环境Ii中，已知现在状态s打印头所在位置为点(xi,yj)，如果当前位置上、下相邻点(xi,yj-1)和(xi,yj+1)的和大于左、右相邻点(xi-1,yj)和(xi+1,yj)的和，则令从当前位置到上、下相邻点动作的回报值为R(s,a)＝2；如果当前位置左、右相邻点(xi-1,yj)和(xi+1,yj)的和大于上、下相邻点(xi,yj-1)和(xi,yj+1)的和，则分别令从当前位置到左、右相邻点对应的动作的回报值R(s,a)＝2；
(3)状态-动作矩阵Q迭代学习
Q-learning状态转移方程：
Figure FDA0002265089720000022
其中，γ为贪婪因子，0<γ<1，s表示当前状态，a表示当前动作，
Figure FDA0002265089720000023
表示下一状态，
Figure FDA0002265089720000024
表示下一动作；
状态-动作矩阵Q迭代学习过程如下：
步骤一：设置当前状态s为初始状态；根据建立的目标物体三维模型大小设置循环次数；
步骤二：在当前状态s的所有可能行为中随机选择一个行为a；
步骤三：利用行为a得到下一状态
Figure FDA0002265089720000031
步骤四：按照公式(2)进行计算，得到Q(s,a)的值；
步骤五：令
Figure FDA0002265089720000032
之后回到步骤二进行循环；
(4)路径选择
在3D打印路径规划中需要对路径的完全遍历，具体步骤如下：
对状态-动作矩阵Q的数据分析，进行数据的选择：
步骤一：选择打印头的起始位置为状态s；
步骤二：利用状态-动作矩阵Q中状态s对应的最大值动作a，得到下一状态
Figure FDA0002265089720000033
步骤三：令
Figure FDA0002265089720000034
重复步骤二N次，当状态s下没有大于0的对应的动作时，对状态-动作矩阵Q进行遍历找到一个大于0的值
Figure FDA0002265089720000035
令
Figure FDA0002265089720000036
CN201810784805.8A 2018-07-17 2018-07-17 基于强化学习的复杂薄壁结构物体3d打印路径规划方法 Active CN108995220B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810784805.8A CN108995220B (zh) 2018-07-17 2018-07-17 基于强化学习的复杂薄壁结构物体3d打印路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810784805.8A CN108995220B (zh) 2018-07-17 2018-07-17 基于强化学习的复杂薄壁结构物体3d打印路径规划方法

Publications (2)

Publication Number Publication Date
CN108995220A CN108995220A (zh) 2018-12-14
CN108995220B true CN108995220B (zh) 2020-04-28

Family

ID=64600218

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810784805.8A Active CN108995220B (zh) 2018-07-17 2018-07-17 基于强化学习的复杂薄壁结构物体3d打印路径规划方法

Country Status (1)

Country Link
CN (1) CN108995220B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109808183B (zh) * 2019-01-03 2020-06-16 中国科学院自动化研究所 基于神经网络的3d打印误差补偿方法、系统、装置
CN110052607B (zh) * 2019-03-11 2020-05-08 上海交通大学 基于视觉监测的粉床式3d打印闭环控制装置、系统及方法
CN109967741B (zh) * 2019-03-29 2021-02-02 贵州翰凯斯智能技术有限公司 一种基于增强学习的3d打印工艺优化方法
KR102280344B1 (ko) * 2019-12-30 2021-07-21 순천향대학교 산학협력단 3d 프린팅을 이용한 비정형 패널 생산방법
CN113442442B (zh) * 2021-07-23 2022-05-10 大连理工大学 基于强化学习的双激光器路径缺陷自适应调整方法
CN114474742B (zh) * 2022-02-11 2024-08-16 哈尔滨工业大学 一种基于深度强化学习的电路自动3d打印方法
CN115194931B (zh) * 2022-09-14 2022-12-30 中电建冀交高速公路投资发展有限公司 混凝土3d打印路径的规划方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102008045188A1 (de) * 2008-08-30 2010-03-04 Fachhochschule Kiel Werkstück zum Erlernen der Handhabung von Werkzeugen und Verfahren zu dessen Herstellung
CN102799179A (zh) * 2012-07-06 2012-11-28 山东大学 基于单链序贯回溯q学习的移动机器人路径规划算法
CN102819264A (zh) * 2012-07-30 2012-12-12 山东大学 移动机器人路径规划q学习初始化方法
JP5632554B1 (ja) * 2014-05-26 2014-11-26 丸井 智敬 三次元プリンタで製作された物体およびその物体を用いたシステム
CN104881514A (zh) * 2015-04-17 2015-09-02 大连理工大学 一种面向3d打印的壳状部件轻量化建模系统
CN106273480A (zh) * 2016-08-11 2017-01-04 福建农林大学 可凹区域的3d快速打印路径规划方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10564628B2 (en) * 2016-01-06 2020-02-18 Wiivv Wearables Inc. Generating of 3D-printed custom wearables

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102008045188A1 (de) * 2008-08-30 2010-03-04 Fachhochschule Kiel Werkstück zum Erlernen der Handhabung von Werkzeugen und Verfahren zu dessen Herstellung
CN102799179A (zh) * 2012-07-06 2012-11-28 山东大学 基于单链序贯回溯q学习的移动机器人路径规划算法
CN102819264A (zh) * 2012-07-30 2012-12-12 山东大学 移动机器人路径规划q学习初始化方法
JP5632554B1 (ja) * 2014-05-26 2014-11-26 丸井 智敬 三次元プリンタで製作された物体およびその物体を用いたシステム
CN104881514A (zh) * 2015-04-17 2015-09-02 大连理工大学 一种面向3d打印的壳状部件轻量化建模系统
CN106273480A (zh) * 2016-08-11 2017-01-04 福建农林大学 可凹区域的3d快速打印路径规划方法

Also Published As

Publication number Publication date
CN108995220A (zh) 2018-12-14

Similar Documents

Publication Publication Date Title
CN108995220B (zh) 基于强化学习的复杂薄壁结构物体3d打印路径规划方法
CN105005301B (zh) 一种基于群体智能算法的工业机器人作业点序列及轨迹规划方法
TWI674978B (zh) 彩色立體列印方法與立體列印設備
CN112966467B (zh) 一种基于湿法化学蚀刻联合仿真的柔性pcb板结构设计方法
CN106898050A (zh) 一种基于环形邻域参照轮廓线的网格模型自适应分层方法
WO2022036591A1 (zh) 增材制造中的打印工艺制定方法及装置
CN107010542A (zh) 一种装配式建筑智能吊装系统及方法
CN108422670A (zh) 一种非连续栅格划分三维点云面的路径规划方法
CN111941587B (zh) 一种面向陶瓷3d打印的放样曲面生成方法及系统
CN101887593A (zh) 一种聪明图形驱动的网格图像变形方法
CN114131932B (zh) 基于栅格化3d打印分区路径规划方法
CN117655468A (zh) 一种龙门架弧焊机器人路径规划方法及系统
CN109435227B (zh) 多模型三维打印装置和方法
CN105976306B (zh) 一种基于能耗-误差预算的实时绘制方法
Hu A novel deep learning driven robot path planning strategy: Q-learning approach
CN116484668A (zh) 一种电子束增材制造工艺仿真方法
CN111400798A (zh) 一种建筑3d切片建造方法及3d打印装置
EP4412786A1 (en) Intelligent scan sequence optimization for powder bed fusion additive manufacturing using linear systems theory
CN109359381A (zh) 一种基于体素的激光路径规划方法
CN114415668A (zh) 基于扩展视野自适应蚁群算法的移动机器人路径规划方法
CN115937507A (zh) 一种基于点空洞方向卷积的点云语义分割方法
CN113704914A (zh) 一种多点成形模具调形运动数据的计算方法
CN113111553A (zh) 一种基于插值变形网格的大变形运动数值模拟方法
Ge et al. A reinforcement learning-based path planning method for complex thin-walled structures in 3d printing
CN111445385A (zh) 一种基于rgb色彩模式的三维物体平面化方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant