Constant-Volume Deformation Manufacturing for Material-Efficient Shaping
作者: Lei Li, Jiale Gong, Ziyang Li, Hong Wang
分类: cs.RO
发布日期: 2025-11-27
备注: 46 pages, 27 figures
💡 一句话要点
提出体积守恒的数字模具范式，实现材料高效的恒定体积变形制造
🎯 匹配领域: 支柱三：空间感知 (Perception & SLAM)
关键词: 恒定体积变形制造 数字模具 体积守恒 误差补偿 材料高效利用
📋 核心要点
- 传统增材和减材制造虽然能实现复杂几何形状，但依赖离散堆叠或局部去除，限制了连续可控的变形，并导致体积损失和形状偏差。
- 论文提出一种体积守恒的数字模具范式，通过实时体积一致性建模、几何信息变形预测和误差补偿策略，实现塑料材料的高精度成形。
- 实验结果表明，该系统能够以高保真度再现目标形状，材料利用率超过98%，验证了该方法在可持续制造方面的潜力。
📝 摘要（中文）
本文提出了一种体积守恒的数字模具范式，该范式集成了实时体积一致性建模、几何信息变形预测和误差补偿策略，以实现塑料材料的高度可预测成形。通过分析成形后点云的变形模式和误差趋势，该方法能够校正弹性回弹和累积误差，从而保持体积一致性和表面连续性。在五个代表性几何形状上的实验表明，该系统能够高保真地再现目标形状，同时实现超过98%的材料利用率。该方法为用户自定义设计的可持续、零浪费成形建立了一条数字化驱动、可重复的途径，连接了数字建模、实时传感和自适应成形，并推动了下一代可持续和可定制的制造。
🔬 方法详解
问题定义：现有增材制造和减材制造方法在制造复杂几何形状时，存在体积损失、形状偏差以及材料利用率低的问题。这些方法依赖于材料的逐层堆叠或局部去除，难以实现连续且可控的变形，从而限制了制造精度和效率。因此，如何实现材料高效利用和高精度成形是当前制造领域面临的挑战。
核心思路：本文的核心思路是采用体积守恒的变形制造方法，通过精确控制材料的变形过程，在不损失材料的前提下，实现目标形状的制造。这种方法避免了传统制造方法中的材料浪费和形状偏差，提高了材料利用率和制造精度。通过实时监测和误差补偿，进一步保证了成形过程的稳定性和可靠性。
技术框架：该方法的技术框架主要包括三个关键模块：实时体积一致性建模、几何信息变形预测和误差补偿策略。首先，通过实时体积一致性建模，确保在变形过程中材料的体积保持不变。其次，利用几何信息变形预测，预测材料在变形过程中的形状变化。最后，采用误差补偿策略，校正弹性回弹和累积误差，从而提高成形精度。整个流程形成一个闭环反馈系统，不断优化变形过程，实现高精度成形。
关键创新：该方法最重要的技术创新点在于将实时体积一致性建模与几何信息变形预测相结合，并引入误差补偿策略。这种结合使得该方法能够精确控制材料的变形过程，避免了传统制造方法中的材料浪费和形状偏差。此外，该方法还能够自适应地调整变形参数，从而适应不同的材料和几何形状。
关键设计：在实时体积一致性建模方面，采用了基于有限元分析的方法，精确计算材料在变形过程中的应力和应变分布。在几何信息变形预测方面，利用机器学习算法，学习材料的变形规律，从而提高预测精度。在误差补偿策略方面，采用了基于点云数据的误差分析方法，实时监测成形过程中的误差，并进行补偿。
📊 实验亮点
实验结果表明，该系统能够以高保真度再现目标形状，材料利用率超过98%。与传统制造方法相比，该方法显著降低了材料浪费，提高了制造精度。在五个代表性几何形状上的实验验证了该方法的有效性和通用性。
🎯 应用场景
该研究成果可应用于航空航天、汽车制造、医疗器械等领域，实现复杂结构件的低成本、高精度制造。通过减少材料浪费和提高材料利用率，该方法有助于实现可持续制造，降低环境影响。未来，该技术有望推动个性化定制产品的生产，满足不同用户的需求。
📄 摘要（原文）
Additive and subtractive manufacturing enable complex geometries but rely on discrete stacking or local removal, limiting continuous and controllable deformation and causing volume loss and shape deviations. We present a volumepreserving digital-mold paradigm that integrates real-time volume-consistency modeling with geometry-informed deformation prediction and an error-compensation strategy to achieve highly predictable shaping of plastic materials. By analyzing deformation patterns and error trends from post-formed point clouds, our method corrects elastic rebound and accumulation errors, maintaining volume consistency and surface continuity. Experiments on five representative geometries demonstrate that the system reproduces target shapes with high fidelity while achieving over 98% material utilization. This approach establishes a digitally driven, reproducible pathway for sustainable, zero-waste shaping of user-defined designs, bridging digital modeling, real-time sensing, and adaptive forming, and advancing next-generation sustainable and customizable manufacturing.