从3D到2D——自动化工程图纸生成技术解析



基于智能体的中低压电器设计全流程技术



从文字模态到3D模型的设计端从智能体





PIN物理神经网络



用多智能体协作的方式



DraftAid



工程师在SolidWorks中完成3D建模后，仍然需要人工切换到CAD软件绘制2D图。

视角选择依赖经验。

输入模型：参数3D模型（包含装配关系、材质、拓扑信息）

处理：视图决策+

Transformer

不变性特征，任意转变视角，那他依然是这个图形。拓扑状态不变

- 基于扩散模型的2D生成

生成式AI：扩散模型

100x100x3x256x256x256种情况

条件概率模型

编码器和解码器





加噪声和逆扩散模型



然后我们给定一个条件z

- 训练数据：海量的3D模型渲染图+2D图纸配对数据集
- 核心模型：扩散模型（Diffusion Moel）
- 流程；3D轮廓或点云——噪声还原——输出矢量线条（SVG/PDF）

一个逆向过程的例子：Deep3DSketch



AI难以保证图元层级分明（如标注层、实体层分离）

扩散模型的本质是概率分布，不具备解析几何的确定性

缺乏对B-Rep拓扑结构的精确解析能力



AI难以内嵌几百页的技术规范条款





AI生产的图纸参数很难改。代码管理图纸的参数，可以随时回滚。



- 基于代码的参数化编码

中间加上一层投影模型

因为大模型理解数学还是很困难。

输入层：读取3D建模文件、

分析层：模型识别特征、投影面、实体尺寸

生层层：编写绘图脚本

输出层 ：DWG/DXF文件。

识别特征——3D数据解析与特征识别



确定投影面——视图投影算法



感知尺寸——智能标注策略





3D数据解析与特征识别



采用图神经网络



视图投影算法

数学上的正交投影变换

可见性判断

使用光线投射法判断某条边是否被前面的被覆盖。





只能标注，根据特征自动匹配尺寸规则

位置选择

类型选择

公差选择





ClawClaude



输入不再是一个个要求而是不同的模型输入



多智能体协同，智能体框架。