ArtiCAD: Articulated CAD Assembly Design via Multi-Agent Code Generation
作者: Yuan Shui, Yandong Guan, Zhanwei Zhang, Juncheng Hu, Jing Zhang, Dong Xu, Qian Yu
分类: cs.CV
发布日期: 2026-04-13
💡 一句话要点
ArtiCAD：基于多智能体代码生成的装配式CAD设计
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 装配式CAD设计 多智能体系统 参数化建模 计算机辅助设计 连接器 空间推理 具身AI
📋 核心要点
- 现有方法难以从高级描述直接生成可编辑、可动参数化CAD装配模型，缺乏对装配关系的有效建模。
- ArtiCAD通过多智能体协作，在设计阶段预测装配关系，并利用连接器显式定义连接点和关节参数，提升空间推理能力。
- 在ArtiCAD-Bench等数据集上验证了方法的有效性，并展示了其在概念设计、物理原型和具身AI训练资产生成中的应用。
📝 摘要（中文）
参数化装配式计算机辅助设计(CAD)对产品开发至关重要，但从高级描述生成这些多部件、可移动模型仍未被探索。为了解决这个问题，我们提出了ArtiCAD，这是第一个无需训练的多智能体系统，能够直接从文本或图像生成可编辑的装配式CAD模型。我们的系统将这个复杂的任务分配给四个专门的智能体：设计、生成、装配和审查。我们的一个关键见解是在初始设计阶段而不是装配阶段预测装配关系。通过利用显式定义连接点和关节参数的连接器，ArtiCAD在几何生成之前确定这些关系，有效地绕过了当前LLM和VLM有限的空间推理能力。为了进一步确保高质量的输出，我们在生成和装配阶段引入了验证步骤，并伴随一个跨阶段回滚机制，可以准确地隔离和纠正设计和代码级别的错误。此外，一个自我进化的经验存储积累设计知识，以不断提高未来任务的性能。在三个数据集（ArtiCAD-Bench、CADPrompt和ACD）上的广泛评估验证了我们方法的有效性。我们进一步通过URDF导出，展示了ArtiCAD在需求驱动的概念设计、物理原型设计以及生成具身AI训练资产方面的适用性。
🔬 方法详解
问题定义：论文旨在解决从文本或图像等高级描述自动生成参数化、可编辑的装配式CAD模型的问题。现有方法，特别是基于大型语言模型（LLM）和视觉语言模型（VLM）的方法，在处理复杂装配关系和保证模型质量方面存在局限性，难以直接生成高质量的装配式CAD模型。现有方法缺乏对装配关系的有效建模，空间推理能力不足，容易产生错误的设计和代码。
核心思路：论文的核心思路是在设计阶段就预测装配关系，而不是在装配阶段才考虑。通过引入“连接器”的概念，显式地定义部件之间的连接点和关节参数，从而在几何生成之前就确定了装配关系。这种方法有效地绕过了LLM和VLM在空间推理方面的不足，提高了装配的准确性和可靠性。
技术框架：ArtiCAD采用多智能体系统，包含四个主要智能体：设计智能体（Design Agent）、生成智能体（Generation Agent）、装配智能体（Assembly Agent）和审查智能体（Review Agent）。设计智能体负责根据输入描述设计装配关系，生成智能体负责根据设计生成部件的几何模型，装配智能体负责根据装配关系将部件组装成完整的模型，审查智能体负责检查模型的质量和一致性。系统还包含一个经验存储，用于积累设计知识，不断提高性能。跨阶段回滚机制用于纠正设计和代码级别的错误。
关键创新：最重要的技术创新点是在设计阶段预测装配关系，并使用连接器显式定义连接点和关节参数。这与现有方法在装配阶段才考虑装配关系的做法有本质区别。通过这种方式，ArtiCAD能够更有效地利用LLM和VLM的能力，生成更准确、更可靠的装配式CAD模型。另一个创新点是跨阶段回滚机制，能够准确地隔离和纠正设计和代码级别的错误。
关键设计：连接器的设计是关键。连接器包含了连接点的位置、方向和关节参数等信息，这些信息用于指导部件的生成和装配。经验存储采用自我进化的机制，不断积累设计知识，提高未来任务的性能。审查智能体使用验证步骤来确保生成和装配的质量，并使用跨阶段回滚机制来纠正错误。具体的参数设置、损失函数、网络结构等技术细节在论文中未详细描述，属于未知信息。
🖼️ 关键图片
📊 实验亮点
论文在ArtiCAD-Bench、CADPrompt和ACD三个数据集上进行了广泛的评估，验证了该方法的有效性。具体的性能数据和提升幅度在摘要中未给出，属于未知信息。实验结果表明，ArtiCAD能够生成高质量的装配式CAD模型，并在概念设计、物理原型和具身AI训练资产生成方面具有良好的应用前景。
🎯 应用场景
ArtiCAD具有广泛的应用前景，可用于需求驱动的概念设计，帮助设计师快速生成满足特定需求的CAD模型。它还可以用于物理原型设计，通过URDF导出，生成用于机器人控制和仿真的模型，以及生成用于具身AI训练的资产，例如虚拟环境和机器人模型。该研究有望加速产品开发流程，降低设计成本，并促进人工智能在机器人领域的应用。
📄 摘要（原文）
Parametric Computer-Aided Design (CAD) of articulated assemblies is essential for product development, yet generating these multi-part, movable models from high-level descriptions remains unexplored. To address this, we propose ArtiCAD, the first training-free multi-agent system capable of generating editable, articulated CAD assemblies directly from text or images. Our system divides this complex task among four specialized agents: Design, Generation, Assembly, and Review. One of our key insights is to predict assembly relationships during the initial design stage rather than the assembly stage. By utilizing a Connector that explicitly defines attachment points and joint parameters, ArtiCAD determines these relationships before geometry generation, effectively bypassing the limited spatial reasoning capabilities of current LLMs and VLMs. To further ensure high-quality outputs, we introduce validation steps in the generation and assembly stages, accompanied by a cross-stage rollback mechanism that accurately isolates and corrects design- and code-level errors. Additionally, a self-evolving experience store accumulates design knowledge to continuously improve performance on future tasks. Extensive evaluations on three datasets (ArtiCAD-Bench, CADPrompt, and ACD) validate the effectiveness of our approach. We further demonstrate the applicability of ArtiCAD in requirement-driven conceptual design, physical prototyping, and the generation of embodied AI training assets through URDF export.