羅丹 徐衛(wèi)國

1 昆士蘭大學

2 清華大學建筑學院

格羅皮烏斯在《包豪斯的理論及組成》一書中寫到：“概念同觀察結果同步出現(xiàn)并相互印證。只有當個人能夠感知、理解并且快速操作嘗試時，人們才可以借助靜態(tài)、動態(tài)、視覺、聲學等物理規(guī)律進行切實有創(chuàng)造力的工作，并將內(nèi)心的想法真正具象化?！苯ㄖ煵粩嗤ㄟ^對建筑材料的實驗與觀察，歸納出關于設計、材料和建造實體的關系，并創(chuàng)造出全新的材料設計、應用和建造的方法。

隨著數(shù)字技術的發(fā)展，建筑師擁有了越來越多的能夠利用材料和結構動態(tài)特性進行復雜形態(tài)設計找形的工具，常用軟件包括有限元分析工具SOFiSTik、犀牛插件Kangaroo、Rhino VAULT等。這些軟件的出現(xiàn)使建筑師能夠?qū)Ψ喜牧咸匦院土W原理的復雜形體進行仿真模擬和快速設計迭代。但是，由于目前所有的材料及力學分析模擬軟件均是基于已知的材料及結構模型和算法，建筑師在數(shù)字設計中能用到的材料和結構模擬很大程度上依賴于其他領域的研究成果。不少常見但是沒有成熟的用數(shù)字工具進行模擬的復雜材料特性無法應用在設計之中，例如非勻質(zhì)材料的彎曲、熱變形、天然復合材料特性等。在實際應用中，此類特性對材料的影響在很大程度上被當作誤差來源，旨在通過設計加工中的優(yōu)化來降低或避免。

但是在現(xiàn)實中，由于材料本身的特性和與自然條件的相互作用，其性能通常與完美的力學和材料模型有一定差距。隨著數(shù)字技術的普及和軟件計算能力的提升，越來越多的設計師開始嘗試利用這些更為復雜的自然條件下的材料特性來進行設計。這些非典型材料性能的量化評估和設計應用，一方面為更經(jīng)濟高效的加工手段奠定了基礎，另一方面則充分利用材料與自然條件的關系，通過對材料的加工使得建筑中的構件能夠在不同環(huán)境因素的刺激下完全以材料本身和設計所需要的方式發(fā)生反應。針對這一挑戰(zhàn)，斯圖加特大學的阿奇姆·蒙格斯（Achim Menges）教授提出了材料編程這一概念[1]，并在數(shù)字設計與建造領域中被迅速接納和推廣。材料編程通過認識并了解某一材料或者多種材料組合的特性，并通過量化的方式建立材料與材料表現(xiàn)之間的關聯(lián)，使得設計師可以依照設計需求對材料進行定制。通常來說，材料編程需要限定特定的功能、結構和環(huán)境約束，控制某一個或者某幾個變量，并將變量引起的材料性能改變作為設計或功能的創(chuàng)新點與落腳點。

近年來，神經(jīng)網(wǎng)絡正在高速發(fā)展并走向成熟，基于大數(shù)據(jù)的、通用的機器學習方法逐漸成為可能。神經(jīng)網(wǎng)絡的出現(xiàn)提供了一種針對特定規(guī)律無需知道具體材料性能及數(shù)學模型，僅基于實驗和結果觀察便可以實現(xiàn)端到端的、黑箱式的生成計算模型的方法。受此啟發(fā)，我們在研究中利用神經(jīng)網(wǎng)絡的歸納學習能力，結合機器人自動化進行了大量的材料測試，并且基于機器視覺的自動化特征識別，搭建了一套利用機器智能歸納學習非標準、無現(xiàn)成數(shù)學模型的材料及結構性能的方法。這一方法的使用直接端到端地將建筑設計與加工建造對接，帶來全新的數(shù)字設計、形態(tài)優(yōu)化及數(shù)控生成加工的可能性。

在這一流程中，自動化的機器手臂就像傳統(tǒng)工人的手一樣，能夠快速地以不同方式對材料進行操作和加工；機器視覺和圖像處理就像機器的雙眼一樣，自動觀察分析海量的實驗數(shù)據(jù)，提取及格式化其中的特征數(shù)據(jù)；而基于神經(jīng)網(wǎng)絡的機器學習系統(tǒng)則類似于人的大腦，不斷地對特征數(shù)據(jù)進行分析總結，最后生成一個可嵌入到參數(shù)化設計軟件中的供設計師使用的神經(jīng)網(wǎng)絡模型。

由于神經(jīng)網(wǎng)絡的訓練是一種通用的、黑箱式的解決方案，因此這種生成材料與結構模型的方法不受現(xiàn)有材料與結構特點的研究與已知模型的限制，是一種在沒有相關材料和結構知識的情況下，能夠適用于多種不同材料及結構系統(tǒng)的學習歸納方法。為了驗證其有效性，研究團隊利用此方法進行了針對兩種材料的研究及材料編程的實驗。其中包括針對非勻質(zhì)橡膠條的彎曲形式設計，以及利用熱擠出塑性形變進行空間網(wǎng)架的3D打?。▓D1，2）。通過同一方法對兩種不同材料特性的應用研究，初步驗證了這種基于機器智能的材料編程方法的可行性及應用范圍，其中通過對非勻質(zhì)橡膠條的彎曲形式設計模型的訓練驗證了此方法的可行性。本文著重描述在前序非勻質(zhì)橡膠條的彎曲研究的基礎上[2]，將同樣的方法結合常見的數(shù)字加工工藝——3D打印，進而得到一種更加便捷廉價的無支撐空間三維網(wǎng)絡的打印方式。

1 研究背景

我們能否將傳統(tǒng)匠人研發(fā)新工藝的方法通過數(shù)字技術進行轉(zhuǎn)譯，得到適用于數(shù)字時代的設計及加工工藝的研究？隨著機器臂、數(shù)控技術、數(shù)字設計平臺的逐步推廣，設計師對材料能夠進行更為自由、智能的處理和加工。雖然在數(shù)字技術的加持下，能夠使用的材料加工和建造手段越來越豐富，但是在這一過程中機器仍然被視為不具備主動思考能力的、被控制的加工工具，即在加工制造的過程中機器和數(shù)字系統(tǒng)缺少能夠自動從之前工作中歸納總結并根據(jù)設計意圖自動優(yōu)化更新加工方法的能力。

1 非勻質(zhì)橡膠條的彎曲形式的設計研究

2 無支撐曲線3D 打印方法的設計研究

如同其他創(chuàng)作過程一樣，學習與認知是進行生成加工工藝的設計創(chuàng)新的核心。在這一過程中，通過思維分析、身體力行、全面考量材料及外在條件的特性去解決設計問題[3]。近年來，數(shù)字制造領域技術的進步和動態(tài)材料性能模擬平臺的成熟使設計師可以更多地將復雜結構及材料性能融入設計之中[4]。在此基礎上，隨著人工智能領域技術的進步，設計師和科研人員圍繞如何將學習認知與判斷能力融入到數(shù)字設計及加工過程中這一挑戰(zhàn)，開展了一系列探索性研究[5]。例如，利用傳感器和實時感知反饋系統(tǒng)使得設計可以實時地根據(jù)加工情況進行優(yōu)化并反過來影響加工工藝[6]。雖然傳感器和實時反饋的使用可以在一定程度上使系統(tǒng)具有一定的判斷能力，使得加工方式能夠根據(jù)外部條件的變化而變化，但是這只是機械性反饋，在設計—加工的流程中，根據(jù)外界反饋進行歸納、判斷，進而對設計或工藝進行優(yōu)化的真正“智能”始終缺位。這也是人類工匠進行工藝應用優(yōu)化與單純的機械化加工之間的核心差異。

隨著機器學習和人工智能技術的高速發(fā)展，計算機具備了初步歸納—分析—推理的“智能”。與傳統(tǒng)的具有實時感知—反饋的加工技術不同，人工智能的引入使得設計加工的過程不僅能基于外界的刺激進行反饋，也可以自動從加工的過程和結果中學習歸納并自身完善。通過對材料在不同作用下宏觀變化的觀察，機器智能可以在無相關知識的情況下，端到端地連接設計與生產(chǎn)建造，歸納總結出適用于特定設計、材料、加工方式的數(shù)字模型，從而帶來設計與加工工藝的變革。典型的研究案例包括：使用人工智能和機器臂研發(fā)一種基于新雙曲金屬面板的加工方式的設計方法和數(shù)字模型[7]；利用人工智能優(yōu)化傳統(tǒng)的數(shù)控技術建立類似于傳統(tǒng)工匠的木材加工方式[8]；本研究團隊所進行的利用機器學習對非勻質(zhì)材料的彎曲特性進行設計及加工的研究是在這一成功案例的基礎上，對技術流程的進一步優(yōu)化，并使其適用基于PLA三維打印的加工方式。

2 研究目標

基于聚乳酸（PLA）的三維打印機是目前市場上普及度最高、成本最低、技術最成熟的3D打印系統(tǒng)，但是傳統(tǒng)的PLA三維打印機均使用疊層打印的方式。由于支撐以及形變的原因，空間網(wǎng)架等形態(tài)難以使用傳統(tǒng)打印機進行打印，于是在2015年，研究團隊嘗試使用六軸機器臂來代替三軸打印機實現(xiàn)空間網(wǎng)架的打印。但是在實驗中發(fā)現(xiàn)由于碰撞、變形、結構等原因，機器臂的空間姿態(tài)、路徑規(guī)劃、打印順序等加工控制元素的計算優(yōu)化難度極高，每次施工工序的計算機可行性研究均需進行10～40h的計算量[9]。

在本研究中，我們使用了由機器學習的方法來實現(xiàn)打印機僅通過對二維空間移動和擠出速度的控制即可實現(xiàn)三維空間網(wǎng)架的打印。PLA是一種新型的可再生生物降解材料，它的加工溫度在170～230℃，在此溫度區(qū)間PLA具有可塑性。目前，市面上常見的PLA打印機即是利用此特性在高溫下擠出可塑的PLA。擠出過程中，PLA的物理延伸率較大[10]，因此在打印過程中需要提供較好的支撐，否則材料將在重力的影響下產(chǎn)生較大形變。我們充分利用這一特性，通過機器學習的方法預測在無支撐的打印過程中，擠出材料自然下垂成的曲線及變化的移動速度和擠出速度的關系，從而通過調(diào)節(jié)移動速度和擠出速度打印出不同的曲線。由于打印頭移動維度由三維減少至二維，這一打印方法極大地降低了打印路徑規(guī)劃的復雜度及難度，從而從系統(tǒng)上避免了打印頭與打印構件碰撞的可能性。為了實現(xiàn)這一打印方式，研究的主要目標是通過實驗獲得以下兩個模型并將其嵌套在設計軟件之中（圖3），使得設計師在需要的時候可以調(diào)用。

（1）正向模型——通過輸入含有移動和擠出信息的自動控制代碼（Gcode），預測最終自然變形下垂后曲線的形式。

（2）反向模型——輸入所需打印的目標曲線，預測相應的含有移動和擠出信息的機器控制代碼（Gcode）。

研究團隊在利用機器學習對于非勻質(zhì)材料的彎曲特性進行設計及加工的研究實驗中，實現(xiàn)了人工智能技術在沒有相關材料和力學知識情況下，利用自動化的材料實驗與機器視覺的觀察能力，歸納總結出設計形式—加工方法—實際材料性能之間的抽象關系，并生成可在設計中應用的神經(jīng)網(wǎng)絡模型。研究在針對結合機器學習和機器臂自動化材料測試的前序研究的基礎上，圍繞以下三個問題進一步對實驗進行了設計，對實驗的流程和方法進行了深化：

（1）基于神經(jīng)網(wǎng)絡的黑箱原理，同一個實驗方法是否能夠適用于不同性質(zhì)的設計邏輯、材料特性和加工方法？

（2）是否可以利用機器學習端到端的特性，直接建立加工控制代碼與加工及自然變形后的材料最終形態(tài)之間的映射關系？

（3）基于機器學習、機器臂自動化和計算機視覺所建立的方法流程是否可以直接應用在如三維打印等已經(jīng)成熟普及的數(shù)字加工系統(tǒng)上，并對其進行進一步的賦能？

3 結合機器臂、機器視覺與人工智能的材料編程方法

本研究中所提出的結合機器臂、機器視覺與人工智能的材料編程方法有以下步驟。

3.1 利用機器臂進行自動化的實驗循環(huán)

首先將成熟的3D打印機擠出頭改裝并適配到機器臂上，添加用以清除打印平臺上殘余材料的部件，并通過對機器臂的編程控制實現(xiàn)了“打印—清除殘余—打印”的循環(huán)。在沒有人工的介入下，這套自動化系統(tǒng)以每3min一條的速度自動打印僅有兩端支撐的PLA線，在打印過程中協(xié)同相機拍照記錄打印結果，在打印與記錄結束后自動清除記錄完畢的PLA線，并自動開啟下一輪打印（圖4）。該系統(tǒng)一天能夠自動以圖片的形式收集約200～300條樣本。

在網(wǎng)絡和大數(shù)據(jù)高速發(fā)展的基礎上興起的基于神經(jīng)網(wǎng)絡的人工智能技術，在實際應用中所面對的重要問題就是對于數(shù)據(jù)量的巨大需求。根據(jù)數(shù)據(jù)復雜度和神經(jīng)網(wǎng)絡結構的不同，常見的用以訓練的數(shù)據(jù)集大小從幾千到百萬均有。樣本量和樣本分布的提升能夠極大地提高訓練模型的精準度。在圖像識別和自然語義處理上應用的神經(jīng)網(wǎng)絡模型可以通過網(wǎng)絡和現(xiàn)有數(shù)據(jù)庫快速低成本地收集大量訓練數(shù)據(jù)，但是針對特定材料性能和加工方式的數(shù)據(jù)收集則需要面對時間、費用、人力成本的挑戰(zhàn)。傳統(tǒng)收集實驗數(shù)據(jù)的手段難以在短時間內(nèi)收集到大量足夠進行有效訓練的數(shù)據(jù)量，而機器臂的應用很好地解決了這個問題。通過增強設備穩(wěn)定度及運行效率并根據(jù)需要延長收集時間，研究人員可以在不耗費人力的前提下成批量地收集訓練數(shù)據(jù)，并對實驗周期進行有效的預測及安排。

3.2 拍攝記錄與數(shù)據(jù)增強

在自動三維打印的循環(huán)中，我們利用相機的協(xié)同拍照對實驗結果進行了拍照記錄，并使用數(shù)據(jù)增強的方法進一步擴大了數(shù)據(jù)量及樣本的多樣性。數(shù)據(jù)增強是一種在機器學習中擴大樣本量的常見手段，通?？梢燥@著提高訓練效果。在本研究中，不僅在完成打印后對結果進行記錄，同時在打印的過程中，在打印頭每移動0.5cm時進行拍照記錄，從而收集在多個不同懸挑跨度上的下垂曲線。通過這一方法排除5cm以下過短的無效數(shù)據(jù)后，每打印一根曲線可以收集26個不同長度的樣本（圖5），而當打印了2 000根曲線樣本后可以收集到52 000個有效數(shù)據(jù)。通過這一數(shù)據(jù)增強的手段，極大地提高了預測的準確度及模型的適用范圍。

3.3 圖像處理及特征識別

3 由機器控制代碼（Gcode）到無支撐3D 打印曲線形式的雙向映射

4 自動化的實驗裝置及樣本收集

5 一個打印循環(huán)所收集的26 個訓練樣本

在自動化的材料實驗過程中，攝像頭同機器臂協(xié)同對實驗成果以圖片的形式進行記錄。為了降低數(shù)據(jù)的復雜度以及在有限數(shù)據(jù)量的嵌套下提高神經(jīng)網(wǎng)絡的預測精度，我們需要對收集到的圖像進行進一步處理，并提取出足以描述曲線形狀的特征信息。通過二值化、降噪、補全、邊線平滑、提取中線等信息提取的操作步驟，從圖像中提取出每間隔0.5cm的曲線下垂量的信息，并生成結構化的數(shù)據(jù)集。通過圖像處理的方式（圖6），可以批量處理收集到的數(shù)據(jù)并自動生成可供機器學習所使用的海量數(shù)據(jù)集。

3.4 神經(jīng)網(wǎng)絡的訓練

格式化的特征數(shù)據(jù)集被輸入神經(jīng)網(wǎng)絡模型中并對神經(jīng)網(wǎng)絡進行訓練，在這一過程中我們選取了多種不同結構的神經(jīng)網(wǎng)絡模型進行訓練及評估，以獲得最合適的模型和最佳的預測效果。針對同一組訓練樣本，不同的神經(jīng)網(wǎng)絡結構同參數(shù)的表現(xiàn)性能截然不同，在不同的樣本量及樣本分布下，最為適用的神經(jīng)網(wǎng)絡模型也不一樣。在研究中我們發(fā)現(xiàn)，在只有500～1 000個打印循環(huán)樣本量時，簡單的全連接模型表現(xiàn)較好；隨著樣本量的增多，逐漸以LSTM為代表的序列模型的表現(xiàn)顯著提升。我們推測這可能和序列模型本身重視連續(xù)的幾個輸入信息之間的聯(lián)系有關，畢竟每個曲線特征點的下垂度和它前后一段曲線的形式關系很大。對于一個跨度為30cm的曲線進行打印，目前我們能夠達到的最佳性能的均方誤差約0.018cm，此網(wǎng)絡由一個LSTM層和四個全連接層構成。

3.5 應用及評估

由于研究周期的限制，我們在三周內(nèi)進行了約2 000個打印循環(huán)并收集了相應樣本。這個樣本量雖然不足以訓練出可供工業(yè)使用的模型，但是足夠進行可行性研究并抓住整體的曲線和控制代碼之間的特征關系。在得到最優(yōu)的神經(jīng)網(wǎng)絡之后，我們將其嵌套至設計軟件之中，并在實際打印中測試其效果。在單條線的設計曲線和實際打印出來的曲線的對比中（圖7，8），我們發(fā)現(xiàn)雖然仍存在一定的不穩(wěn)定性，但是神經(jīng)網(wǎng)絡模型已經(jīng)能夠成功捕捉到控制代碼和曲線整體趨勢之間的關系。

7 目標設計曲線與實際打印效果的對比

8 正向與反向預測效果展示

9 利用1 000 個打印循環(huán)收集的樣本訓練的神經(jīng)網(wǎng)絡的應用效果

10 利用2 000 個打印循環(huán)收集的樣本訓練的神經(jīng)網(wǎng)絡的應用效果

此外，我們還測試了在不同樣本量下神經(jīng)網(wǎng)絡的表現(xiàn)，并使用所生成的網(wǎng)絡打印由學生提供的一些場地模型，以評估實際使用的前景和效果。在只使用1 000個打印循環(huán)訓練模型時，雖然能夠大致捕捉整體趨勢，但是預測穩(wěn)定度較差。由于神經(jīng)網(wǎng)絡是一個非線性映射，因此通常存在某些打印曲線的突變，從而導致整體曲面的不連貫。而當樣本量提升至2 000個打印循環(huán)并使用序列模型后，整體預測的精度和穩(wěn)定度都有顯著提升，對曲面趨勢的捕捉也更加準確及穩(wěn)定（圖9，10）。

4 總結

本研究中我們利用基于機器學習結合圖像識別、機器臂自動化方法，研發(fā)出了與傳統(tǒng)疊層打印邏輯截然不同的能夠打印傳統(tǒng)疊層打印無法實現(xiàn)的空間線條及網(wǎng)架的基于PLA熱塑性的3D打印方法。這種打印方法基于傳統(tǒng)疊層打印時塑性材料在擠出時變形這一負面的材料特性，研究利用機器學習的方法建立這一負面特性與打印控制之間關系的神經(jīng)網(wǎng)絡模型，并在此基礎上建立全新的三維打印方法。通過對重力下塑性材料延展變形的精準控制，實現(xiàn)了僅靠打印頭在二維平面上的移動來進行無支撐的三維曲面網(wǎng)架的打印。這種打印方式不僅更加迅速、容錯率高、輕質(zhì)，同時還從根本上避免了傳統(tǒng)三維空間網(wǎng)架打印中打印頭與結構沖突等難以優(yōu)化的問題。此外，這一套算法同樣適用于傳統(tǒng)三維打印機的結構，在不需要對硬件進行升級的前提下，使得傳統(tǒng)三維打印機在疊層打印之外也能夠打印空間曲面網(wǎng)架。目前由于時間的限制我們只做了固定條件下的系統(tǒng)論證及可行性研究，這種三維打印方法在未來還可以通過將環(huán)境條件、曲線特征、硬件設計等影響精準度和穩(wěn)定性的要素引入到訓練系統(tǒng)中，進而優(yōu)化系統(tǒng)并提高系統(tǒng)性能和應用范圍，從而達到實際應用的標準。

如何對材料動態(tài)特性及在特定條件下的找形過程進行編程是近年來數(shù)字建筑界的一個重要議題。本文提出了一種基于人工智能和機器人自動化相結合的機器式的“手—眼—腦”相結合的流程。在實驗及加工過程中，除了機械式的傳感—反饋之外，利用人工智能加入了自動歸納學習的能力，使得整套系統(tǒng)在沒有任何相關材料知識的前提下，能夠通過對實驗結果的觀察自動歸納總結出更加優(yōu)化的設計及加工方式。同時也使得設計師在沒有其他學科現(xiàn)成算法的情況下，能夠自行提取所需的材料特性的神經(jīng)網(wǎng)絡模型，并嵌套到設計中，為設計所用。