JP7308606B2 - 頻繁に使用するパーツ用の自動アセンブリメイト作成 - Google Patents

Description

コンピュータ支援設計（ＣＡＤ）ソフトウェアは、ユーザが複雑な３次元（３Ｄ）モデルを構築し操作することを可能にする。３Ｄモデルを作成するには、さまざまなモデリング手法を使用されることができる。そのような技術の１つはソリッドモデリング技術であり、それは３Ｄモデルが相互接続された位相的エンティティ（例えば、頂点、エッジおよび面）の集合である位相的３Ｄモデルを提供する。位相的実体は、対応する支持する幾何学的実体（例えば、点、トリム曲線、およびトリムサーフェス）を有する。トリムサーフェスは、エッジで囲まれた位相面に対応している。ＣＡＤシステムは、ソリッドモデリングと、パラメトリックモデリング技術などの他のモデリング技術とを組み合わせてもよい。パラメトリックモデリング技術を使用して、モデルの異なるフィーチャおよびコンポーネントに対するさまざまなパラメータを定義し、さまざまなパラメータ間の関係に基づいてそれらのフィーチャおよびコンポーネント間の関係を定義することができる。

設計技術者は、３ＤＣＡＤシステムの典型的な使用者である。設計エンジニアは、３Ｄモデルの物理的および美観的態様を設計し、３Ｄモデリング技術に精通している。設計エンジニアはパーツを作成し、そのパーツをサブアセンブリに組み立て得る。サブアセンブリは他のサブアセンブリから構成され得る。アセンブリはパーツとサブアセンブリを使用して設計される。パーツおよびサブアセンブリは、以後パーツと総称される。

以下は、３ＤＣＡＤシステムを説明する際に使用することができる特定の用語の定義である。

・アセンブリ：パーツ、フィーチャ、およびその他のアセンブリ（サブアセンブリ）が一緒に合致されているドキュメント。パーツとサブアセンブリは、アセンブリとは別のドキュメントに存在することができる。例えば、組立体において、ピストンは、コネクティングロッドまたはシリンダのような他のパーツに合致されることができる。このアセンブリは、エンジンのアセンブリのサブアセンブリとして使用されることが可能である。

・ボディ：ソリッドボディは位相的データと幾何学的データとを含む。ソリッドボディ内の位相データ（例えば、面、エッジ、頂点）は、同じソリッドボディ内に対応する幾何学的データを有する。各頂点は点に対応する。各辺は曲線に対応する。各面はサーフェスに対応する。ホイール用の例示的な多体パーツは、車軸本体、リム本体、および車軸本体とリム本体とを接続するための多数のスポーク本体を含むことができる。

・コンポーネント：アセンブリ内のパーツまたはサブアセンブリ。

・エッジ：フィーチャの単一の外側境界。

・エンティティ：面、エッジ、頂点などの個別の要素。

・面：モデルまたはサーフェスの形状を定義するのに役立つ境界を有する、モデルまたはサーフェスの選択可能な領域（プレーンまたはその他）。例えば、直方体には６つの面があり、円柱には３つの面がある。

・フィーチャ：他のフィーチャと組み合わされてパーツまたはアセンブリを構成する個々の形状。

・大規模デザインレビュー：アセンブリのデザインレビューを行う際に有用な機能を依然として保持しながら、非常に大きなアセンブリを迅速に開くことを可能にするアセンブリレビューのモード。大規模デザインレビューモードでは、アセンブリのデザインツリー内の移動、距離の測定、断面の作成、コンポーネントの表示と非表示、およびウォークスルーの作成、編集、再生に使用できる。大規模デザインレビューモードは「グラフィックモード」とも呼ばれることがある。

・軽量：アセンブリ内の一部で、モデルデータのサブセットのみがメモリにロードされている。残りのモデルデータは必要に応じてロードされる。軽量で、大規模で複雑なアセンブリのパフォーマンスが向上する。

・メイト：アセンブリ内のエンティティ（例えばパーツまたは本体）間の幾何学的関係。例示的なイトには、角度、一致、同心、距離、平行、垂直、および接線が含まれる。

・パーツ：フィーチャからなる単一の３Ｄオブジェクト。パーツには複数の本体を含めることができる。パーツはアセンブリ内のコンポーネントになることができる。パーツの例には、例えば、ボルト、ピン、およびプレートが含まれる。

・プレーン：平坦な構造形状。

・点：３Ｄモデル内の特異な位置。

・解除：アセンブリコンポーネントがメモリに完全にロードされている状態。解除されると、コンポーネントのモデルデータのすべてが使用可能になるので、そのエンティティは選択、参照、編集、およびメイトで使用されることが可能である。

・サブアセンブリ：より大きなアセンブリの一部であるアセンブリ。例えば、自動車のステアリング機構は自動車のサブアセンブリである。

・サーフェス：エッジ境界を有する厚さゼロのプレーンまたは３Ｄエンティティ。

・頂点：２つ以上の辺が交差する点。頂点は、スケッチ、寸法記入、および他の多くのＣＡＤ操作について選択されることが可能である。

ソリッドモデリングシステムは、パーツが、様々なフィーチャを使用して構築されるフィーチャベースの３次元ＣＡＤシステムであり得る。フィーチャの例には、ボス、フィレット、フィレット、カット、穴、シェル、ロフト、およびスイープが含まれる。ＣＡＤシステムは、パーツ、サブアセンブリ、アセンブリの内容をデータファイルに保存する。フィーチャに加え、ＣＡＤデータファイルの内容は、設計プロファイル、レイアウト、内部コンポーネント（例えば、本体）、およびグラフィカルエンティティを含み得る。ＣＡＤアセンブリを設計するときの一般的なタスクは、幾何学的関係に従ってＣＡＤアセンブリのエンティティを合致させることである。例えば、穴とピンは、それらの軸に沿って一致する関係で合致され得る。多数のメイトを含むアセンブリでは、メイトを構成するのに多くの時間を費やす必要がある。

開示された方法およびシステムは、頻繁に使用されるＣＡＤコンポーネントを識別し、機械学習技法を適用してそれらのコンポーネントについて合致可能なエンティティおよび対応するメイトタイプを予測する。これらの判定に基づいて、頻繁に使用されるコンポーネントはＣＡＤモデルに自動的に追加されることができる。

一例示的な実施形態は、実世界のオブジェクトのコンピュータ支援設計（ＣＡＤ）モデルにおける幾何学的エンティティ間のメイトを自動的に作成するコンピュータ実装方法である。本例示的な方法は、コンピュータデータベースに格納されたＣＡＤモデルパーツに関する情報および関連するメイト情報にアクセスするステップを含む。本方法はさらに、ＣＡＤモデルパーツを複数のクラスタに分割するステップであり、各クラスタは類似のグローバル形状シグネチャを有するＣＡＤモデルパーツを含む、ステップを含む。合致可能性プレディクタニューラルネットワークは、クラスタのＣＡＤモデルパーツに対する合致可能性情報を用いてトレーニングされる。合致可能性プレディクタニューラルネットワークは、ＣＡＤモデルパーツのエンティティのコンテキスチュアルシグネチャの入力に応答して合致可能性情報を提供するように構成される。メイトタイププレディクタニューラルネットワークは、２つのエンティティ間の１つまたは複数のメイトタイプを識別するようにトレーニングされる。本方法はさらに、ＣＡＤモデルに新しいパーツが追加されることに応じて、新しいパーツの複数のエンティティのコンテキストシグネチャを合致可能性プレディクタニューラルネットワークに入力して新しいパーツの合致可能なエンティティを判定するステップと、メイトタイププレディクタニューラルネットワークに、（ｉ）前記新しいパーツの合致可能なエンティティのコンテキスチュアルシグネチャ、および（ｉｉ）ＣＡＤモデルの別のパーツのエンティティのコンテキスチュアルシグネチャを入力してエンティティ間の少なくとも１つのメイトタイプを判定するステップとを含む。ＣＡＤモデルの新しいパーツの合致可能なエンティティと他のパーツのエンティティとの間の少なくとも１つのメイトが、判定された少なくとも１つのメイトタイプに基づいて自動的に追加される。

別の例示的な実施形態は、実世界のオブジェクトのコンピュータ支援設計（ＣＡＤ）モデルおよび新しいパーツの幾何学的エンティティ間のメイトを自動的に作成するコンピュータ実装方法である。本例示的な方法は、ＣＡＤモデルパーツに対するメイト可能性情報を用いてトレーニングされた合致可能性プレディクタニューラルネットワークにアクセスするステップと、新しいパーツの複数のエンティティのコンテキストシグネチャを合致可能性プレディクタニューラルネットワークに入力して新しいパーツの合致可能なエンティティを判定するステップとを含む。合致可能性プレディクタニューラルネットワークは、ＣＡＤモデルパーツのエンティティのコンテキスチュアルシグネチャの入力に応じて、メイト可能性情報を提供するように構成される。本方法はさらに、トレーニングされたメイトタイププレディクタニューラルネットワークにアクセスして２つのエンティティ間の１つまたは複数のメイトタイプを識別するステップと、メイトタイププレディクタニューラルネットワークに、（ｉ）新しいパーツの合致可能なエンティティのコンテキスチュアルシグネチャ、および（ｉｉ）ＣＡＤモデルの別のパーツのエンティティのコンテキスチュアルシグネチャを入力してエンティティ間の少なくとも１つのメイトタイプを判定するステップとを含む。に少なくとも１つのメイトが、判定された少なくとも１つのメイトタイプに基づいて、ＣＡＤモデルの新しいパーツの合致可能なエンティティと他のパーツのエンティティとの間自動的に追加される。

別の例示的な実施形態は、コンピュータデータベースと、コンピュータデータベースに動作可能に結合されるプロセッサとを備えるコンピュータ支援設計（ＣＡＤ）システムである。コンピュータデータベースは、ＣＡＤモデルパーツに関する情報および関連するメイト情報を格納するように構成される。プロセッサは、ＣＡＤモデルパーツを複数のクラスタに分割し、各クラスタは類似のグローバル形状シグネチャを有するＣＡＤモデルパーツを含むように構成される。プロセッサはさらに、合致可能性プレディクタニューラルネットワークをクラスタのＣＡＤモデルパーツに対する合致可能性情報を用いてトレーニングするように構成される。合致可能性プレディクタニューラルネットワークは、ＣＡＤモデルパーツのエンティティのコンテキスチュアルシグネチャの入力に応答して合致可能性情報を提供するように構成される。プロセッサはさらに、２つのエンティティ間の１つまたは複数のメイトタイプを識別するようにメイトタイププレディクタニューラルネットワークをトレーニングするように構成される。プロセッサはさらに、ＣＡＤモデルに新しいパーツが追加されることに応じて、新しいパーツの複数のエンティティのコンテキストシグネチャを合致可能性プレディクタニューラルネットワークに入力して新しいパーツの合致可能なエンティティを判定し、メイトタイププレディクタニューラルネットワークに、（ｉ）新しいパーツの合致可能なエンティティのコンテキスチュアルシグネチャ、および（ｉｉ）ＣＡＤモデルの別のパーツのエンティティのコンテキスチュアルシグネチャを入力してエンティティ間の少なくとも１つのメイトタイプを判定するように構成される。プロセッサはさらに、判定された少なくとも１つのメイトタイプに基づいて、ＣＡＤモデルの新しいパーツの合致可能なエンティティと他のパーツのエンティティとの間に少なくとも１つのメイトを自動的に追加するように構成される。

別の例示的な実施形態は、コンピュータデータベースと、コンピュータデータベースに動作可能に結合されるプロセッサとを備えるコンピュータ支援設計（ＣＡＤ）システムである。コンピュータデータベースは、ＣＡＤモデルパーツに関する情報および関連するメイト情報を格納するように構成される。プロセッサは、ＣＡＤモデルパーツに対する合致可能性情報を用いてトレーニングされた合致可能性プレディクタニューラルネットワークにアクセスし、新しいパーツの複数のエンティティのコンテキストシグネチャを合致可能性プレディクタニューラルネットワークに入力して新しいパーツの合致可能なエンティティを判定するように構成される。合致可能性プレディクタニューラルネットワークは、ＣＡＤモデルパーツのエンティティのコンテキスチュアルシグネチャの入力に応じて、合致可能性情報を提供するように構成される。プロセッサはさらに、トレーニングされたメイトタイププレディクタニューラルネットワークにアクセスして２つのエンティティ間の１つまたは複数のメイトタイプを識別し、メイトタイププレディクタニューラルネットワークに、（ｉ）新しいパーツの合致可能なエンティティのコンテキスチュアルシグネチャ、および（ｉｉ）ＣＡＤモデルの別のパーツのエンティティのコンテキスチュアルシグネチャを入力してエンティティ間の少なくとも１つのメイトタイプを判定するように構成される。プロセッサはさらに、判定された少なくとも１つのメイトタイプに基づいて、ＣＡＤモデルの新しいパーツの合致可能なエンティティと他のパーツのエンティティとの間に少なくとも１つのメイトを自動的に追加するように構成される。

いくつかの実施形態において、パーツのエンティティに対するコンテキスチュアルシグネチャは、そのパーツ内のエンティティのコンテキスチュアル位置の数値表現であり得る。このようなコンテキスチュアルシグネチャは、エンティティの重心とパーツの周囲の境界ボックスのプレーンとの間の比率を計算することによって計算され得る。

いくつかの実施形態において、ＣＡＤモデルパーツを複数のクラスタに分割するステップは、コンピュータデータベース内の複数のパーツのそれぞれについて、パーツのグローバル形状シグネチャを計算するステップと、パーツのグローバル形状シグネチャが閾値量内にある場合、複数のパーツをクラスタリングするステップとを含むことができる。

いくつかの実施形態において、合致可能性プレディクタニューラルネットワークは、他のクラスタと比較して相対的に高い密度を有するクラスタのＣＡＤモデルパーツに対する合致可能性情報を用いてトレーニングされることができる。クラスタの相対的に高い密度は、クラスタのパーツがＣＡＤモデルで頻繁に使用されることを示すことができる。合致可能性プレディクタニューラルネットワークは、ＣＡＤモデルパーツの全てのエンティティについての合致可能性情報を用いてトレーニングされることができる。それぞれ異なるメイトタイプに対応する、複数の合致可能性プレディクタニューラルネットワークは、トレーニングされることができる。いくつかの実施形態において、メイトタイププレディクタニューラルネットワークは、（ｉ）頻繁に使用されるパーツを含むクラスタの合致可能なエンティティ、および（ｉｉ）頻繁に使用されるパーツが合致するパーツのすべてのエンティティを使用してトレーニングされることができる。

いくつかの実施形態において、少なくとも１つのメイトを自動的に追加するステップは、（ｉ）ＣＡＤモデルの他のパーツと合致可能な新しいパーツの多数のインスタンスを判定するステップと、（ｉｉ）新しいパーツの多数のインスタンス数を作成するステップと、（ｉｉｉ）新しいパーツのすべてのインスタンスのエンティティをＣＡＤモデルの他のパーツの異なるエンティティに合致させるステップとを含むことができる。

前述の内容は、添付の図面に示されるように、例示的な実施形態の以下のより詳細な説明から明らかとなり、図面において、同様の参照符号は、異なる図にわたって同じ部分を指す。図面は必ずしも縮尺通りではなく、代わりに実施形態を例示することに重点が置かれている。

図１Ａは、例示的なＣＡＤアセンブリおよびパーツを示す。 図１Ｂは、例示的なＣＡＤアセンブリおよびパーツを示す。 図２Ａは、例示的なＣＡＤパーツの面を示す。 図２Ｂは、例示的なＣＡＤパーツの面を示す。 図３は、例示的な実施形態による、実世界のオブジェクトのＣＡＤモデル内の幾何学的エンティティ間のメイトの自動生成を示すフローチャートである。 図４は、例示的な実施形態による、合致可能性プレディクタに対する関連する入力および出力を有する例示的なニューラルネットワークの表現を示す。 図５は、例示的な実施形態による、メイトタイププレディクタに対する関連する入力および出力を有する例示的なニューラルネットワークの表現を示す。 図６Ａは、パーツに対する面のコンテキスチュアル位置の例示的な数値表現を示す。 図６Ｂは、パーツに対する面のコンテキスチュアル位置の例示的な数値表現を示す。 図７Ａは、例示的実施形態による、頻繁に使用されるパーツをＣＡＤアセンブリに追加する例示的ステップの表現を示す。 図７Ｂは、例示的実施形態による、頻繁に使用されるパーツをＣＡＤアセンブリに追加する例示的ステップの表現を示す。 図７Ｃは、例示的実施形態による、頻繁に使用されるパーツをＣＡＤアセンブリに追加する例示的ステップの表現を示す。 図８は、例示的な実施形態による、実世界のオブジェクトのＣＡＤモデル内の幾何学的エンティティ間のメイトを自動的に作成する方法を示すフローチャートである。 図９は、例示的な実施形態による、実世界のオブジェクトのＣＡＤモデル内の幾何学的エンティティと新しいパーツとの間のメイトを自動的に作成する方法を示すフローチャートである。 図１０は、実施形態が実施され得るコンピュータシステムの概略図である。

例示的な実施形態の説明は以下の通りである。

開示された方法およびシステムは、以前に使用されたＣＡＤモデルコンポーネントに関するデータに機械学習技術を適用して、頻繁に使用されるコンポーネントを識別し、それらコンポーネントの合致可能なエンティティおよび対応するメイトタイプを予測する。これらの判定に基づいて、頻繁に使用されるコンポーネントをＣＡＤモデルに自動的に追加することができる。例えば、椅子の製造業者は、例えばキャスターホイールなどの特定のコンポーネントを頻繁に使用することがある。頻繁に使用されるコンポーネント、またはその変形例は、アセンブリにおける合致挙動、シミュレーションにおける荷重および境界条件など、形状および機能において類似性を示すことがある。これらの類似性は、現在の最先端のＣＡＤ解決策によって活用されない。開示された方法およびシステムは、頻繁に使用されるコンポーネント間の合致挙動の類似性を活用し、それらのコンポーネントを自動的に合致させる（例えば、ユーザがキャスターホイールをキャスターホイールに「ドラッグアンドドロップ」する際にキャスターホイールをアセンブリ環境で椅子の脚に自動的に合致させる）。図１Ａは、様々なキャスターホイールを使用した椅子の変形例の例示的なＣＡＤアセンブリを示す。椅子１０５および１２０は、異なる背もたれコンポーネント１１０、１２５を含むが、類似の脚部およびキャスターホイールコンポーネント１１５、１３０も含む。図１Ｂは、異なるキャスターホイールパーツの集合を示す。

頻繁に使用されるコンポーネントは、ＣＡＤアセンブリ、シミュレーション、動作などにおいて同様の機能的挙動を示すので、機械学習アルゴリズムを使用して、これらの類似点を利用して頻繁に使用されるコンポーネント（例えば、キャスターホイール）に対して自動的にメイトを作成することができる。これにより、設計者は、繰り返しの煩わしさに時間と労力を浪費するのではなく、より良い椅子を設計するという自身の目標に集中する時間を増やせる。

ＣＡＤモデルは、メイトを使用して一緒に組み立てられる。幾何学的に類似のコンポーネントの場合、メイトも類似する傾向がある。この事実は、コンポーネントのジオメトリ記述子と一緒に機械学習アルゴリズムを使用して、頻繁に使用されるコンポーネントと他のＣＡＤアセンブリとのメイト作成を自動化することで活用できる。以下は、キャスターホイールを椅子に自動的に合致する特定の例である。キャスターホイールは、典型的には、２つの合致拘束条件を用いて椅子の脚に合致される：（１）キャスターホイールのシャフトの上面と椅子の脚の対応する面との間の一致拘束条件。キャスターホイール２０５の上面２１０は、図２Ａにおいて強調されている。（２）キャスターホイールのシャフトの円筒面と脚の穴の円筒面との間の同心円状の拘束条件。キャスターホイール２０５のシャフトの円筒面２１５は、図２Ｂにおいて強調されている。

図３は、例示的な実施形態による、実世界のオブジェクトのＣＡＤモデル内の幾何学的エンティティ間のメイトの自動生成を示すフローチャートである。例示的な方法３００は、クラスタリング３０５、合致可能性プレディクタトレーニング３１０、メイトタイププレディクタトレーニング３１５、合致可能な面およびメイトタイプ予測３２０、ならびに自動メイト生成３２５を含む。以下、図３に示される例示的な方法の要素の実装例を説明する。

クラスタリング３０５：ＣＡＤパーツのデータベースを検索（クロールし）し、パーツを類似パーツを有する多数のクラスタに分割することができる。アセンブリで使用されるパーツの各インスタンスは、クラスタに分割されることになるパーツの領域に追加できる。例えば、あるパーツの５つのインスタンスが特定のアセンブリで使用されている場合、そのパーツの５つのインスタンスがパーツの領域に追加される。これにより、これら５つのパーツを含むクラスタの密度が増加し、頻繁に使用されるコンポーネントを含むクラスタを判定可能である。パーツのクラスタが他のクラスタと比べて比較的密度が高い場合は、そのクラスタ内のコンポーネントがＣＡＤモデルでより頻繁に使用されていると推測できる。例示的な方法３００のクラスタリング部分の出力は、パーツのクラスタを含む。特に興味深いクラスタは、頻繁に発生するコンポーネントを含むクラスタである。特定の例として、椅子アセンブリのコンポーネントを有するデータベースを検索することで、アームレスト、シート、チェアハンドル、バックレスト、脚部、およびキャスターホイールのクラスタをもたらすことが期待され得る。クラスタリングは形状の類似性に基づいて達成され、既知の方法に従ってパーツのグローバル形状シグネチャ表現に基づくことができる。図１Ｂは、キャスターホイールの例示的なクラスタを示す。

合致可能性プレディクタトレーニング３１０：ニューラルネットワークは、プレディクタが作成されるクラスタの合致ジオメトリからのデータを用いて学習される。このニューラルネットワークは、パーツの面のコンテキスチュアルシグネチャと共に入力されることができ、ニューラルネットワークの出力は、ジオメトリが合致可能であるかどうかの判定である。ニューラルネットワークは、クラスタ内のすべての面について合致可能性情報を使ってトレーニングされることが可能である。一致拘束条件、同心拘束条件など、各拘束タイプについて別々のニューラルネットワークがトレーニングされることが可能である。ニューラルネットワークは、椅子の例におけるキャスターホイールなど、頻繁に使用されるコンポーネントに対してのみトレーニングされることができる。図４は、合致可能性プレディクタのための関連する入力４０５および出力４１０を有する例示的なニューラルネットワーク４００を表す。面シグネチャ４０５は、入力としてニューラルネットワーク４００に提供されることができ、例えば０または１の値が出力４１０として提供されることができ、０は面が合致可能でないことを示すことができ、１は面が合致可能であることを示すことができる。

メイトタイププレディクタトレーニング３１５：他のニューラルネットワークが２つのジオメトリ間のメイトタイプを識別するようにトレーニングされる。ジオメトリの１つのセットは、頻繁に使用されるコンポーネントを含む、クラスタの合致可能なジオメトリとすることができる。ジオメトリの他のセットは、頻繁に使用されるコンポーネントが合致するコンポーネントのすべてのジオメトリにできる。頻繁に発生するコンポーネントを含むすべてのＣＡＤアセンブリからの累積データは、メイトタイププレディクタニューラルネットワークのトレーニングデータとして使用されることが可能である。ニューラルネットワークへの入力は、合致するコンポーネントのすべての面のコンテキスチュアルフィーチャと組み合わされた合致可能な面のコンテキスチュアルフィーチャの組み合わせであり得る。椅子アセンブリの特定の例では、椅子の脚のすべてのジオメトリをキャスターホイールの合致可能な面と対にすることができる。この情報は、ニューラルネットワークへの入力を形成することができ、一方、出力は、例えば、同心円メイト、一致メイトとすること、またはメイトは全くなしとすることができる。ニューラルネットワークがいくつかのそのような面でトレーニングされるとき、キャスターホイールからの合致可能な面と椅子の脚からの任意の面との入力時に、２つのジオメトリ間のメイトタイプを予測することが可能になり得る。図５は、メイトタイププレディクタについての関連入力５０５、５１０および出力５１５、５２０、５２５を有する例示的なニューラルネットワーク５００を表す。面シグネチャ５０５、５１０は、入力としてニューラルネットワーク５００に提供されることができ、例えば０または１の値が各メイトタイプに対する出力５１５、５２０、５２５として提供されることができる。各メイトタイプについて、０は面がそのタイプでは合致できないことを示すことができ、１は面がそのタイプでは合致可能であることを示すことができる。

面のコンテキスチュアルシグネチャ（「面シグネチャ」）は、その特定のパーツに対する面のコンテキスチュアル位置の数値表現とすることができる。コンテキスチュアルシグネチャは、以下の数値表現のいずれかを含むことができる。境界ボックス（例えば、オブジェクト指向境界ボックス（ＯＯＢＢ））は、境界ボックスの角と境界ボックスのそれぞれの境界プレーンとを有する部分について計算されることができる。パーツ内の面の重心を計算することができ、境界ボックスの６つの側面からの面の重心の距離の比率を計算することができる。これらの比率は、図６Ａに示すように、ｄ１ｘ／ｄ２ｘ、ｄ１ｙ／ｄ２ｙ、ｄ１ｚ／ｄ２ｚと呼ばれることがある。図６Ａにおいて、面が境界ボックスの上面にあるのでｄ１ｘは０であり、したがってｄ１ｘは図６Ａには示されていない。比率の計算では、分子として小さい方の距離を使用するという慣例に従うことができる。これらの比率は、そのパーツのコンテキスト内の面の位置を表すことができる。例えば、キャスターホイールのステムの上面は、キャスターホイールの異なる形状およびサイズの合理的な変形のために、Ｘ、Ｙ、Ｚ軸に沿って同様の比率を有するであろう。

距離比と同様に、角度は、面の重心とパーツの重心との間で定められるベクトル間で範囲を定めることができる。これらの角度は、慣性モーメントの主軸と共に、図６Ｂに示すように、アルファ、ベータ、およびガンマとして表わされることができる。

全ての面の面積の合計に対する面の面積の比率は、そのパーツのコンテキストにおける面の相対的な大きさの数学的表現として計算されることができる。

面の面積に対する面の周囲の二乗の比は、面の形状の数学的表現として計算されることができる。例えば、円形の面は正方形の面と比べて明確な比率を持つ。上記の計算のいずれかまたはすべては、そのパーツのコンテキストにおいて面を表すために使用され、かつニューラルネットワークへの入力を形成するために使用されるコンテキスチュアルシグネチャの一部を形成することができる。

合致可能な面およびメイトタイプ予測３２０：設計者がアセンブリ環境にパーツ（例えば、キャスターホイール）を挿入すると、合致可能性プレディクタへの入力（例えば、面面シグネチャ）が作成され、合致可能性プレディクタに供給されることができる。合致可能性プレディクタは、新たに挿入されたパーツにおいて合致可能であり得る面の判定を提供する。椅子の具体例では、合致可能と判定された面が、メイトタイププレディクタへの入力として提供される。面を椅子の脚の面とペアにして、メイトタイププレディクタの入力が作成される。メイトタイププレディクタは、パーツ（例えば、キャスターホイールと椅子の脚）間で可能となり得るメイトタイプを出力として提供する。予測されるメイトタイプは、例えば、同心円、一致、他のメイトタイプ、またはメイト不可能とすることができる。

自動メイト作成３２５：メイトタイプが予測された後、アセンブリ内の頻繁に使用されるコンポーネント（例えば、キャスターホイール）と既存のコンポーネント（例えば、椅子の脚）との間にメイトが作成されることができる。キャスターホイールのインスタンス数を判定することができ、キャスターホイールのジオメトリと椅子の脚の間の関連するメイトが作成される。図７Ａから図７Ｃは、ＣＡＤ設計者がキャスターホイールａを椅子アセンブリ７００に追加するときの例示的なステップの表現を示す。図７Ａに表示されているように、キャスターホイール７１０ａのメイト面は、上述のように、メイト性プレディクタを使用して識別される。図７Ｂに表示されているように、合致ジオメトリおよびメイトタイプは、上述のように、メイトタイププレディクタを使用して識別される。メイトタイププレディクタは、作成するキャスターホイールのインスタンス数も判定できる。この例では、５つのキャスターホイール７１０ａから７１０ｅが作成され、それぞれが椅子７００の脚部７０５上のメイト点に対応する。図７Ｃに表示されているように、キャスターホイール７１０ａから７１０ｅと椅子７００の脚部７０５との間のメイトは、識別された合致ジオメトリおよびメイトタイプを使用して作成される。上記の例示的な方法は椅子アセンブリのコンテキストで説明されているが、この方法は任意の頻繁に発生するコンポーネントと共に使用されることができる。合致可能性およびメイトタイププレディクタは、十分なトレーニングデータを有する任意の頻繁に発生するコンポーネントについてトレーニングされることができる。

図８は、例示的な実施形態による、実世界のオブジェクトのＣＡＤモデル内の幾何学的エンティティ間のメイトを自動的に作成する方法８００を示すフローチャートである。例示的な方法は、コンピュータデータベースに格納されたＣＡＤモデルパーツに関する情報および関連する合致情報にアクセスすること８０５を含む。この方法はさらに、ＣＡＤモデルパーツを複数のクラスタに分割すること８１０を含み、各クラスタは類似のグローバル形状シグネチャを有するＣＡＤモデルパーツを含む。合致可能性プレディクタニューラルネットワークは、クラスタのＣＡＤモデルパーツについての合致可能性情報を用いてトレーニングされる８１５。合致可能性プレディクタニューラルネットワークは、ＣＡＤモデルパーツのエンティティのコンテキスチュアルシグネチャの入力に応答して合致可能性情報を提供するように構成される。メイトタイププレディクタニューラルネットワークは、２つのエンティティ間の１つまたは複数のメイトタイプを識別するようにトレーニングされる８２０。この方法は、ＣＡＤモデルに新しいパーツが追加されることに応答して、新しいパーツの複数のエンティティのコンテキスチュアルシグネチャを合致可能性プレディクタニューラルネットワークに入力して新しいパーツの合致可能なエンティティを判定するステップ８２５を含む。メイトタイププレディクタニューラルネットワークに（ｉ）新しいパーツの合致可能なエンティティのコンテキスチュアルシグネチャと、（ｉｉ）エンティティ間の少なくとも１つのメイトタイプを判定するためのＣＡＤモデルの他のパーツのエンティティのコンテキスチュアルシグネチャとを入力する。少なくとも１つのメイトが、新しいパーツの合致可能なエンティティとＣＡＤモデルの他のパーツのエンティティとの間に、判定された少なくとも１つのメイトタイプに基づいて自動的に追加される８３０。

図９は、例示的な実施形態による、実世界のオブジェクトのＣＡＤモデル内の幾何学的エンティティと新しいパーツとの間にメイトを自動的に作成する方法９００を示すフローチャートである。例示的な方法は、ＣＡＤモデルパーツに対する合致可能性情報を用いてトレーニングされた合致可能性プレディクタニューラルネットワークにアクセスするステップ９０５と、新しいパーツの複数のエンティティのコンテキスチュアルシグネチャを合致可能性プレディクタニューラルネットワークに入力して新しいパーツの合致可能なエンティティを判定するステップ９１０とを含む。合致可能性プレディクタニューラルネットワークは、ＣＡＤモデルパーツのエンティティのコンテキスチュアルシグネチャの入力に応答して合致可能性情報を提供するように構成される。この方法はさらに、２つのエンティティ間の１つまたは複数のメイトタイプを識別するようにトレーニングされたメイトタイププレディクタニューラルネットワークにアクセスするステップ９１５と、メイトタイププレディクタニューラルネットワークに（ｉ）新しいパーツの合致可能なエンティティのコンテキスチュアルシグネチャおよび（ｉｉ）エンティティ間の少なくとも１つのメイトタイプを判定するための、ＣＡＤモデルの別のパーツのエンティティのコンテキスチュアルシグネチャを入力するステップ９２０とを含む。少なくとも１つのメイトは、判定された少なくとも１つのメイトタイプに基づいて、ＣＡＤモデルの新しいパーツの合致可能なエンティティと他のパーツのエンティティとの間に自動的に追加される９２５。

図１０は、ＣＰＵ１００２、コンピュータモニタ１００４、キーボード入力装置１００６、マウス入力装置１００８、および記憶装置１０１０を含むコンピュータ化されたモデリングシステム１０００を示す。記憶装置１０１０は、一般に入手可能なコンピュータハードウェアデバイスを含むことができる。例えば、ＣＰＵ１００２は、Ｉｎｔｅｌベースのプロセッサを含むことができる。マウス１００８は、設計エンジニアがＣＰＵ１００２によって実行されているソフトウェアプログラムにコマンドを発行するために押圧し得る従来の左右ボタンを有することができる。マウス１００８の代替として、またはそれに加えて、コンピュータ化されたモデリングシステム１０００は、トラックボール、タッチセンシティブパッド、またはポインティングデバイスおよびキーボード１００６に組み込まれたボタンなどのポインティングデバイスを含むことができる。当業者であれば、マウスデバイスに関して本明細書で説明したのと同じ結果が、他の利用可能なポインティングデバイスを使用して達成できることを理解する。以下の説明から明らかになるように、他の適切なコンピュータハードウェアプラットフォームも好適である。そのようなコンピュータハードウェアプラットフォームは、マイクロソフトのＷｉｎｄｏｗｓＮＴ、Ｗｉｎｄｏｗｓ２０００、ＷｉｎｄｏｗｓＸＰ、ＷｉｎｄｏｗｓＭＥ、Ｗｉｎｄｏｗｓ７以降、ＵＮＩＸ（登録商標）、Ｌｉｎｕｘ（登録商標）、またはＭＡＣ ＯＳオペレーティングシステムを操作することができることが好ましい。

追加のコンピュータ処理ユニットおよびハードウェアデバイス（例えば、ラピッドプロトタイピング、ビデオ、およびプリンタデバイス）をコンピュータ化されたモデリングシステム１０００に含み得る。さらに、コンピュータ化されたモデリングシステム１０００は、ネットワークハードウェアおよびソフトウェアを含んでもよく、それによってハードウェアプラットフォーム１０１２に対して通信が可能になり、他のコンピュータコンポーネントの中でも特に、ＣＰＵおよびストレージシステムを含む多数のコンピュータシステム間の通信を容易にする。

コンピュータ支援モデリングソフトウェア（例えば、プロセス３００、８００、および９００）を記憶装置１０１０に格納し、ＣＰＵ１００２にロードして実行し得る。モデリングソフトウェアによって、設計エンジニアは３Ｄモデルを作成および修正することができ、本明細書で説明した実施形態の態様を実施する。ＣＰＵ１００２は、コンピュータモニタ１００４を使用して、説明したように３Ｄモデルおよびその他の態様を表示する。キーボード１００６およびマウス１００８を使用して、設計技術者は３Ｄモデルに関連するデータを入力および修正することができる。ＣＰＵ１００２は、キーボード１００６およびマウス１００８からの入力を受け入れて処理する。ＣＰＵ１００２は、モデリングソフトウェアで命令されるように、３Ｄモデルに関連するデータとともに入力を処理し、コンピュータモニタ１００４に表示されるものに対応して適切な変更を行う。一実施形態では、モデリングソフトウェアは、１つまたは複数のソリッドボディおよびサーフェスボディからなる３Ｄモデルを構築するために使用され得るソリッドモデリングシステムに基づく。

実施形態は、デジタル電子回路において、またはコンピュータハードウェア、ファームウェア、ソフトウェアにおいて、あるいはそれらの組み合わせにおいて実装され得る。装置は、プログラム可能なプロセッサにより実行するために機械可読記憶装置内に明白に具体化されたコンピュータプログラム製品内に実装され得る。方法ステップは、入力データを操作して出力を生成することによって機能を実行するための命令のプログラムを実行するプログラマブルプロセッサによって実行されてもよい。実施形態は、データ記憶システム、少なくとも１つの入力装置、および少なくとも１つの出力装置から、データおよび命令を受信し、かつそこにデータおよび命令を送信するように結合された少なくとも１つのプログラム可能プロセッサを含むプログラム可能システムで実行可能な１つまたは複数のコンピュータプログラムで有利に実施され得る。各コンピュータプログラムは、ハイレベル手順型またはオブジェクト指向型プログラミング言語で、あるいは必要に応じてアセンブリ言語または機械語で実装することができるが、いずれにせよ、言語はコンパイルされた言語またはインタプリットされた言語であり得る。適切なプロセッサは、非限定的な例として、汎用および特殊用途の両方のマイクロプロセッサを含む。一般に、プロセッサは、読み出し専用メモリおよび／またはランダムアクセスメモリから命令およびデータを受け取り、いくつかの実施形態では、命令およびデータはグローバルネットワークを介してダウンロードされてもよい。コンピュータプログラムの命令およびデータを具体的に具現化するのに適した記憶装置は、例として、ＥＰＲＯＭ、ＥＥＰＲＯＭ、およびフラッシュメモリデバイスなどの半導体メモリ装置を含む、あらゆる形態の不揮発性メモリ、内蔵型ハードディスクやリムーバブルディスクなどの磁気ディスク、光磁気ディスク、およびＣＤ－ＲＯＭディスクを含む。前述のいずれも、カスタム設計のＡＳＩＣ（特定用途向け集積回路）によって補完され、またはその中に組み込まれることができる。

本明細書に開示される実施形態の利点は、構成要素に適用される許容誤差が従来の方法およびシステムにおいて誤って計算されるときに発生する問題を軽減することである。そのような問題は、下流部門方向で、寸法要件ごとに製造されるが干渉のために組み立てられないパーツをもたらす可能性があり、これが費用のかかる再加工シナリオまたは廃棄パーツをもたらす。各公差の計算が自動的に行われるだけでなく、必要な寸法、公差、および表示項目も自動的に生成される。開示された実施形態の別の利点は、ソースコンポーネント上に定義されたデータを与えられたターゲットコンポーネントの必要なデータムフィーチャの体系的な推論である。このことは、データを正しく適用することが幾何学的寸法と公差を適用する際の最大の課題の１つであるため、有利である。開示された実施形態はこの課題を解決する。

例示的な実施形態を具体的に示し説明したが、添付の特許請求の範囲によって包含される実施形態の範囲から逸脱することなく、形態および詳細において様々な変更を加え得ることを当業者は理解するであろう。例えば、実装は、動作が実行される順番を変更してもよい。さらに、実装の必要性に応じて、本明細書で説明されている特定の動作は、組み合わされた動作として実施され、排除され、追加され、またはそうでなければ再配置され得る。さらに、マウスに対する特定のユーザインタフェース操作（例えば、クリック、ドラッグ、ドロップ）は例示であり、限定ではない。モデルデータまたは設計データを選択、移動、配置などをするための他のユーザインタフェース操作は好適である。開示された方法およびシステムは、例えば、３層ニューラルネットワークを用いて実施されることができ、ニューラルネットワークをトレーニングするためにＫｅｒａｓライブラリを使用することができる。解決策の本質は同様であるが、ニューラルネットワークの特定のトポロジーならびに実装に使用される特定のライブラリは、異なる実装をもたらすことができる。

Claims (12)

1. コンピュータ実装方法であって、
   コンピュータデータベースに格納されたＣＡＤモデルパーツに関する情報および関連するメイト情報にアクセスするステップと、
   前記ＣＡＤモデルパーツを複数のクラスタに分割するステップであり、各クラスタは類似のグローバル形状シグネチャを有する所与のＣＡＤモデルパーツを含む、ステップと、
   合致可能性プレディクタニューラルネットワークをクラスタの各ＣＡＤモデルパーツに対する各合致可能性情報を用いてトレーニングするステップであり、前記合致可能性プレディクタニューラルネットワークは、ＣＡＤモデルパーツのエンティティのコンテキスチュアルシグネチャの入力に応答して合致可能性情報を提供するように構成される、ステップと、
   ２つのエンティティ間の１つまたは複数のメイトタイプを識別するようにメイトタイププレディクタニューラルネットワークをトレーニングするステップと、
   所与のＣＡＤモデルに新しいＣＡＤモデルパーツが追加されることに応じて、
   前記新しいＣＡＤモデルパーツの複数のエンティティのコンテキスチュアルシグネチャを前記合致可能性プレディクタニューラルネットワークに入力して前記新しいＣＡＤモデルパーツの、前記複数のエンティティ間からの、合致可能なエンティティを判定するステップと、
   前記メイトタイププレディクタニューラルネットワークに、（ｉ）前記新しいＣＡＤモデルパーツの判定された前記合致可能なエンティティのコンテキスチュアルシグネチャ、および（ｉｉ）前記所与のＣＡＤモデルの別のＣＡＤモデルパーツのエンティティのコンテキスチュアルシグネチャを入力して前記新しいＣＡＤモデルパーツの判定された前記合致可能なエンティティと、前記所与のＣＡＤモデルの前記別のＣＡＤモデルパーツの前記エンティティとの間の少なくとも１つのメイトタイプを判定するステップと、
   判定された前記少なくとも１つのメイトタイプに基づいて、前記新しいＣＡＤモデルパーツの判定された前記合致可能なエンティティと、前記所与のＣＡＤモデルの前記別のＣＡＤモデルパーツの前記エンティティとの間に少なくとも１つのメイトを自動的に追加するステップと
   を含む、方法。
2. 少なくとも１つのＣＡＤモデルパーツの少なくとも１つのエンティティに対する少なくとも１つのコンテキスチュアルシグネチャは、前記少なくとも１つのＣＡＤモデルパーツ内の前記少なくとも１つのエンティティのコンテキスチュアル位置の数値表現である、請求項１に記載のコンピュータ実装方法。
3. 前記少なくとも１つのＣＡＤモデルパーツの前記少なくとも１つのエンティティに対する前記少なくとも１つのコンテキスチュアルシグネチャは、前記少なくとも１つのＣＡＤモデルパーツの前記少なくとも１つのエンティティの少なくとも１つの重心と前記少なくとも１つのＣＡＤモデルパーツの周囲のバウンディングボックスのプレーンとの間の比率を計算することによって計算される、請求項２に記載のコンピュータ実装方法。
4. 前記ＣＡＤモデルパーツを複数のクラスタに前記分割するステップは、
   所与の複数のＣＡＤモデルパーツのそれぞれのＣＡＤモデルについて、前記ＣＡＤモデルパーツのグローバル形状シグネチャを計算するステップと、
   前記計算されたグローバル形状シグネチャが閾値量内にある場合、前記所与の複数のＣＡＤモデルパーツをクラスタリングするステップと
   を含む、請求項１に記載のコンピュータ実装方法。
5. 前記合致可能性プレディクタニューラルネットワークをトレーニングするさい、前記各ＣＡＤモデルパーツの前記クラスタは、他のクラスタと比較して相対的に高い密度を有し、前記クラスタの前記相対的に高い密度は、前記クラスタの各ＣＡＤモデルパーツが頻繁に使用されることを示す、請求項１に記載のコンピュータ実装方法。
6. 前記合致可能性プレディクタニューラルネットワークをトレーニングするステップは、前記ＣＡＤモデルパーツの全てのエンティティについての合致可能性情報を用いて前記合致可能性プレディクタニューラルネットワークをトレーニングするステップを含む、請求項１に記載のコンピュータ実装方法。
7. 前記合致可能性プレディクタニューラルネットワークをトレーニングするステップは、それぞれ異なるメイトタイプに対応する、複数の合致可能性プレディクタニューラルネットワークをトレーニングするステップを含む、請求項１に記載のコンピュータ実装方法。
8. 前記メイトタイププレディクタニューラルネットワークをトレーニングするステップは、（ｉ）頻繁に使用されるＣＡＤモデルパーツを含む少なくとも１つのクラスタの合致可能なエンティティ、および（ｉｉ）前記頻繁に使用されるＣＡＤモデルパーツが合致するＣＡＤモデルパーツのすべてのエンティティを使用して前記メイトタイププレディクタニューラルネットワークをトレーニングするステップを含む、請求項１に記載のコンピュータ実装方法。
9. 少なくとも１つのメイトを自動的に追加するステップは、
   前記所与のＣＡＤモデルの前記別のＣＡＤモデルパーツと合致可能な前記新しいＣＡＤモデルパーツの多数のインスタンスを判定するステップと、
   前記新しいＣＡＤモデルパーツの判定された前記多数のインスタンスを作成するステップと、
   前記新しいＣＡＤモデルパーツの前記作成したインスタンスのエンティティを前記所与のＣＡＤモデルの前記別のＣＡＤモデルパーツの異なるエンティティに合致させるステップと
   を含む、請求項１に記載のコンピュータ実装方法。
10. コンピュータ実装方法であって、
    各ＣＡＤモデルパーツに対する各合致可能性情報を用いてトレーニングされた合致可能性プレディクタニューラルネットワークにアクセスするステップであり、前記合致可能性プレディクタニューラルネットワークはＣＡＤモデルパーツのエンティティのコンテキスチュアルシグネチャの入力に応じて、合致可能性情報を提供する、ステップと、
    新しいＣＡＤモデルパーツの複数のエンティティのコンテキスチュアルシグネチャを前記合致可能性プレディクタニューラルネットワークに入力して前記新しいＣＡＤモデルパーツの、前記複数のエンティティ間からの、合致可能なエンティティを判定するステップと、
    トレーニングされたメイトタイププレディクタニューラルネットワークにアクセスして２つのエンティティ間の１つまたは複数のメイトタイプを識別するステップと、
    前記メイトタイププレディクタニューラルネットワークに、（ｉ）前記新しいＣＡＤモデルパーツの判定された前記合致可能なエンティティのコンテキスチュアルシグネチャ、および（ｉｉ）所与のＣＡＤモデルの別のＣＡＤモデルパーツのエンティティのコンテキスチュアルシグネチャを入力して前記新しいＣＡＤモデルパーツの判定された前記合致可能なエンティティと、前記所与のＣＡＤモデルの前記別のＣＡＤモデルパーツの前記エンティティとの間の少なくとも１つのメイトタイプを判定するステップと、
    判定された前記少なくとも１つのメイトタイプに基づいて、前記新しいＣＡＤモデルパーツの判定された前記合致可能なエンティティと前記所与のＣＡＤモデルの前記別のＣＡＤモデルパーツの前記エンティティとの間に少なくとも１つのメイトを自動的に追加するステップと
    を含む、方法。
11. コンピュータ支援設計（ＣＡＤ）システムであって、
    各ＣＡＤモデルパーツに関する情報および関連する各メイト情報を格納するように構成されるコンピュータデータベースと、
    前記コンピュータデータベースに動作可能に結合されるプロセッサであり、
    前記ＣＡＤモデルパーツを複数のクラスタに分割し、各クラスタは類似のグローバル形状シグネチャを有する所与のＣＡＤモデルパーツを含み、
    合致可能性プレディクタニューラルネットワークをクラスタの各ＣＡＤモデルパーツに対する各合致可能性情報を用いてトレーニングし、前記合致可能性プレディクタニューラルネットワークは、ＣＡＤモデルパーツのエンティティのコンテキスチュアルシグネチャの入力に応答して合致可能性情報を提供するように構成され、
    ２つのエンティティ間の１つまたは複数のメイトタイプを識別するようにメイトタイププレディクタニューラルネットワークをトレーニングし、
    所与のＣＡＤモデルに新しいＣＡＤモデルパーツが追加されることに応じて、
    前記新しいＣＡＤモデルパーツの複数のエンティティのコンテキスチュアルシグネチャを前記合致可能性プレディクタニューラルネットワークに入力して前記新しいＣＡＤモデルパーツの、前記複数のエンティティ間からの、合致可能なエンティティを判定し、
    前記メイトタイププレディクタニューラルネットワークに、（ｉ）前記新しいＣＡＤモデルパーツの判定された前記合致可能なエンティティのコンテキスチュアルシグネチャ、および（ｉｉ）前記所与のＣＡＤモデルの別のＣＡＤモデルパーツのエンティティのコンテキスチュアルシグネチャを入力して前記新しいＣＡＤモデルパーツの判定された前記合致可能なエンティティと、前記所与のＣＡＤモデルの前記別のＣＡＤモデルパーツの前記エンティティ間の少なくとも１つのメイトタイプを判定し、
    判定された前記少なくとも１つのメイトタイプに基づいて、前記新しいＣＡＤモデルパーツの判定された前記合致可能なエンティティと前記所与のＣＡＤモデルの前記別のＣＡＤモデルパーツの前記エンティティとの間に少なくとも１つのメイトを自動的に追加するように構成されるプロセッサと
    を備える、ＣＡＤシステム。
12. コンピュータ支援設計（ＣＡＤ）システムであって、
    各ＣＡＤモデルパーツに関する情報および関連する各メイト情報を格納するように構成されるコンピュータデータベースと、
    前記コンピュータデータベースに動作可能に結合されるプロセッサであり、
    ＣＡＤモデルパーツに対する合致可能性情報を用いてトレーニングされた合致可能性プレディクタニューラルネットワークにアクセスし、前記合致可能性プレディクタニューラルネットワークはＣＡＤモデルパーツのエンティティのコンテキスチュアルシグネチャの入力に応じて、合致可能性情報を提供し、
    新しいＣＡＤモデルパーツの複数のエンティティのコンテキスチュアルシグネチャを前記合致可能性プレディクタニューラルネットワークに入力して前記新しいＣＡＤモデルパーツの、前記複数のエンティティ間からの、合致可能なエンティティを判定し、
    トレーニングされたメイトタイププレディクタニューラルネットワークにアクセスして２つのエンティティ間の１つまたは複数のメイトタイプを識別し、
    前記メイトタイププレディクタニューラルネットワークに、（ｉ）前記新しいＣＡＤモデルパーツの判定された前記合致可能なエンティティのコンテキスチュアルシグネチャ、および（ｉｉ）所与のＣＡＤモデルの別のＣＡＤモデルパーツのエンティティのコンテキスチュアルシグネチャを入力して前記新しいＣＡＤモデルパーツの判定された前記合致可能なエンティティと、前記所与のＣＡＤモデルの前記別のＣＡＤモデルパーツの前記エンティティとの間の少なくとも１つのメイトタイプを判定し、
    判定された前記少なくとも１つのメイトタイプに基づいて、前記新しいＣＡＤモデルパーツの判定された前記合致可能なエンティティと前記所与のＣＡＤモデルの前記別のＣＡＤモデルパーツの前記エンティティとの間に少なくとも１つのメイトを自動的に追加するように構成されるプロセッサと
    を備える、ＣＡＤシステム。

Images