隨著3D打印技術的迅速發展，如何在復雜的幾何圖形上生成高效且精確的打印路徑，已成為制約其廣泛應用的關鍵挑戰之一。

近日，曼徹斯特大學、波士頓大學和香港中文大學的研究團隊在SIGGRAPH Aisa 2024聯合提出了一種創新的、基于深度強化學習（DQN）的路徑規劃器，能夠在多種不同結構的圖形上生成優化的3D打印路徑，顯著提升了打印過程的效率和精度。

論文鏈接：https://arxiv.org/pdf/2408.09198

項目鏈接：https://rl-toolpath-planner.github.io/

在3D打印中，路徑規劃問題可以看作是在給定圖形上的節點序列中找到最優路徑。這一問題的復雜性不僅在于不同模型的圖形結構各異，還在于圖形中的節點和邊數量龐大。

傳統的方法，例如暴力搜索和啟發式算法，通常由于計算復雜度高，難以在較短時間內給出全局最優解，而該研究提出的DQN優化策略，通過動態構建局部搜索圖（LSG）并在其中進行路徑選擇，大大降低了計算復雜度，使得在處理包含成千上萬個節點的圖形時也能實現實時路徑規劃。

方法創新與技術突破

該路徑規劃器的核心創新點在于其靈活性與適應性。研究團隊通過設計精巧的算法，將局部搜索圖編碼為狀態空間，使得在相似配置下，先前學習的DQN策略可以被重新利用，進一步加快路徑規劃的計算速度。

該規劃器可以通過定義不同的獎勵函數，適應多種3D打印應用場景，包括線框結構打印、連續纖維打印以及金屬粉床熔融打印。

在物理實驗中，該規劃器展示出了卓越的性能。在線框結構打印中，研究人員成功實現了包含多達4200根支柱的模型打印，且變形控制在1毫米以內。

在連續纖維打印中，該方法能夠有效避免93%以上的銳角轉彎，極大地提高了打印質量；而在金屬打印中，通過優化路徑規劃，熱變形減少了近25%，顯著提升了打印件的精度和穩定性。

技術細節

在該研究中，研究團隊通過多樣化的圖形路徑規劃來應對不同的3D打印挑戰，提出了一種靈活的強化學習策略。在具體實施中，他們使用深度Q網絡（DQN）作為優化器，來決定下一個要訪問的最佳節點。

這種策略通過構建局部搜索圖，并利用歷史數據加速計算，大幅提高了路徑規劃的效率。為了進一步提升模型的性能，研究人員設計了一種算法，可以識別相似配置下的局部搜索圖，從而使之前學習到的DQN策略可以重復利用。這種技術不僅加快了路徑計算速度，還使得該方法能夠在多種3D打印應用中靈活應用。

實驗驗證與廣泛應用

為了驗證該方法的實際效果，研究團隊進行了多種模型的物理實驗，涵蓋了從簡單幾何到復雜結構的多種圖形類型。實驗結果表明，無論是線框結構、連續纖維還是金屬打印，該路徑規劃器都能夠生成符合制造要求的最優路徑，且顯著縮短了計算時間。

例如，在一項實驗中，使用該規劃器生成一個復雜線框模型的路徑規劃總耗時僅為2.05小時，而打印整個模型的時間為6.67小時。相比之下，傳統暴力搜索方法即使只在局部搜索范圍內執行，也需要數百小時的計算時間。

研究團隊還指出，這種基于學習的方法為未來的3D打印技術開辟了新的可能性。通過引入強化學習，路徑規劃不再僅僅依賴于預先設定的規則或啟發式算法，而是可以根據實際打印情況進行自我調整和優化。這不僅提高了打印的成功率，還減少了材料浪費和打印失敗的風險。

前景展望

這項研究的成功標志著3D打印路徑規劃領域的一個重要里程碑。基于深度學習的路徑規劃器不僅為復雜幾何結構的打印提供了高效解決方案，也為未來智能制造系統的開發奠定了基礎。

研究團隊計劃在未來進一步擴展該方法的應用范圍，包括探索其在多材料打印、微尺度打印等領域的潛力。此外，通過結合更先進的機器學習模型與優化算法，研究人員希望能進一步提高路徑規劃的效率和精度，為工業生產和科研應用提供更強大的技術支持。

總體而言，基于學習的多樣化圖形路徑規劃器在3D打印中的應用，為解決復雜制造問題提供了全新的思路與工具，未來有望在智能制造、航空航天、醫療器械等高精尖領域發揮重要作用。