Synthesis of discrete mechanisms: a hybrid approach based on geometric algebra and genetic algorithms

Full Text

ВВЕДЕНИЕ

В последнее десятилетие технологии генеративного дизайна (Generative Design) стали неотъемлемой частью индустрии САПР (CAD), находя широкое применение в аэрокосмической отрасли, автомобилестроении и архитектуре. Программные пакеты, такие как Autodesk Fusion 360, Ansys Discovery или Siemens NX, позволяют инженерам автоматически создавать детали сложной бионической формы. Основной решаемой задачей здесь является топологическая оптимизация: алгоритм перераспределяет материал внутри заданного объема, стремясь сохранить прочность детали при минимизации веса.

Однако за фасадом этих успехов скрывается фундаментальная проблема. Современный генеративный дизайн блестяще справляется с оптимизацией непрерывных сред (статичных монолитных деталей, таких как кронштейны или корпусные элементы), но демонстрирует полную несостоятельность в задачах функционального синтеза механизмов.

РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ

С момента публикации фундаментальных работ по эволюционному моделированию в СССР (школа И. Л. Букатовой) [1; 2] и на Западе (Дж. Коза) [5] целью искусственного интеллекта в инженерии ставился именно синтез структуры системы, а не только её параметров. Тем не менее индустрия совершила подмену понятий, сфокусировавшись на более простых задачах статики.

В результате образовался технологический разрыв: мы умеем алгоритмически создавать оптимальную форму детали, но разучились синтезировать структуру машины. Существующие методы сталкиваются с двумя ключевыми ограничениями [6]:

1. Проблема «воксельного скульптора» (или «зайца из Lego»). Попытки применить современные нейросетевые методы для сборки конструкций из дискретных элементов часто сводятся к вокселизации формы [4; 6]. Алгоритм может составить из кубиков (или элементов конструктора) объект, визуально напоминающий зайца, аппроксимируя его геометрию. Однако полученный объект лишен функциональности: у «зайца» нет суставов, нет кинематических связей, он не может прыгать. Это скульптура, а не механизм.
2. Отсутствие «кинематического интеллекта». Современные алгоритмы топологической оптимизации деформируют геометрию на основе градиентных методов (Backpropagation). Они эффективно работают в непрерывных пространствах, но не способны оперировать в дискретном комбинаторном пространстве инженерных решений [7]. Нейросеть не может самостоятельно «изобрести» шарнирный четырехзвенник, дифференциал или кулисный механизм, так как работоспособность таких систем зависит от точного выполнения дискретных условий замыкания и подвижности, а не от плавного изменения формы.

Решение задачи автоматического синтеза механизмов из дискретных функциональных узлов («задача конструктора») критически важно для областей, где требуется быстрая разработка уникальных кинематических схем, например таких, как:

• персонализированная робототехника: создание экзоскелетов и протезов, кинематика которых подстраивается под уникальную биомеханику конкретного пациента;
• трансформируемые конструкции: проектирование развертываемых систем для космических аппаратов;
• автоматизация R&D: сокращение времени поиска принципиальных схем новых машин на этапе эскизного проектирования.

В данной работе предлагается подход, призванный преодолеть описанный разрыв за счет объединения эволюционных алгоритмов с аппаратом проективной геометрической алгебры (PGA).

Задача сборки механизма из дискретной библиотеки (винты, планки, шестерни) является NP-полной. Для ее эффективного решения предлагается разделить ответственность между двумя математическими аппаратами. Это символьное ядро (кинематический скелет), которое основано на алгебре Клиффорда (PGA/CGA) и отвечает за генерацию теоретически верных схем движения. И эволюционная оболочка (конструктивная плоть) – генетический алгоритм, который отвечает за реализацию схемы из доступных деталей и проверку физических коллизий.

Использование классической линейной алгебры (матрицы 4x4, кватернионы) является тупиковым для генеративного искусственного интеллекта из-за высокой вычислительной сложности и проблемы «сшивания» вращений и переносов [4; 7]. Переход к проективной геометрической алгебре (PGA) позволяет использовать такие критические преимущества, как [3; 8]:

• унификация движения (Motor Algebra): в PGA вращение и перенос описываются единым объектом – мотором (screw motion). Алгоритму не нужно подбирать отдельно позицию и ориентацию; он оперирует единой сущностью движения, что резко сокращает пространство поиска;
• независимость от координат (Coordinate-Free): механизм описывается через отношения осей, а не через декартовы координаты узлов. Это позволяет создавать универсальные «библиотеки движений», которые можно инстанцировать (создавать экземпляры классов) в любой точке пространства без накопления ошибок округления;
• линеаризация ограничений: проверка того, соберутся ли детали в замкнутый контур, в PGA часто сводится к линейным или квадратичным уравнениям (операции Meet и Join) вместо решения систем трансцендентных тригонометрических уравнений. Это позволяет отсекать миллионы неработоспособных вариантов («мусора») за микросекунды, еще до этапа физической симуляции.

В результате работы символьного ядра формируется так называемый «кинематический скелет» – набор геометрически согласованных осей вращения и вычисленных идеальных траекторий движения, который гарантированно работоспособен, но пока лишен материального воплощения.

Получив от PGA валидный «скелет», генетический алгоритм решает задачу дискретной аппроксимации, выполняя два действия. Первое из них – это подбор реальных деталей из базы данных (Mapping), длины которых максимально близки к теоретическим осям скелета. Второе – решение проблемы «болта и дырки» (Collision vs Constraint), используя функцию приспособленности (Fitness Function), которая штрафует сборки, где детали пересекаются или крепления невозможны, и поощряет точное совпадение траектории с целевой.

Использование предложенного метода, Hybrid Evolutionary-Symbolic AI, продемонстрируем на примере решения задачи, характерной для области кинематического синтеза механизмов и проектирования исполнительных органов роботов (задача воспроизведения траектории, path generation).

Допустим, необходимо, располагая дискретной библиотекой унифицированных звеньев фиксированной длины («цифровым конструктором»), найти конфигурацию четырехзвенного рычажного механизма, где шатун выполнен в виде треугольной пластины, вершина которой (рабочая точка) должна гарантированно пройти через три заданные целевые координаты, образующие сложную V-образную фигуру (см. рисунок).

 

Рисунок. Кинематическая схема синтезированного четырехзвенного механизма

 

На рисунке 1 представлено лучшее решение, найденное гибридным алгоритмом. Механизм генерирует сложную петлеобразную траекторию (зеленая линия), обеспечивая выполнение целевой задачи позиционирования в трех точках. Геометрия шатуна (голубая область) и длины звеньев подобраны автоматически из дискретной библиотеки элементов.

Выше была продемонстрирована эффективность предложенного гибридного подхода на примере синтеза четырехзвенного рычажного механизма с непрерывным кинематическим замыканием. Однако класс инженерных задач значительно шире и включает механизмы с условным (прерывистым) замыканием, такие как дверные замки, затворы огнестрельного оружия, кулачковые механизмы с паузами или клиновые зажимные устройства.

Основная сложность синтеза таких механизмов заключается в двойственной природе контактных взаимодействий: одно и то же геометрическое пересечение деталей может являться либо рабочим ограничением (в фазе замыкания), либо недопустимой коллизией (в фазе движения). Традиционные методы генеративного дизайна часто не способны различать эти состояния без дорогостоящей физической симуляции на каждом шаге оптимизации.

В контексте механизмов с условным замыканием роль символьного ядра на базе PGA расширяется. Если для непрерывных механизмов PGA гарантировала замкнутость кинематической цепи, то для условных механизмов она гарантирует «геометрическую корректность контакта». Ключевым инструментом здесь выступает операция Meet (пересечение). В формализме PGA условие соприкосновения двух поверхностей (например, грани клина и плоскости паза) формализуется не через систему неравенств, а через алгебраическое уравнение пересечения геометрических примитивов. Это позволяет реализовать принцип «линеаризации ограничений» даже для контактных задач.

Для стандартного несамоблокирующегося клина условие работоспособности зависит от угла наклона грани ∝ и коэффициента трения μ. В классической механике это проверяется через тригонометрические неравенства. В PGA данное условие может быть сведено к линейному ограничению на параметры мотора, описывающего движение клина. Символьное ядро генерирует «кинематический скелет», в котором траектория подхода клина к пазу гарантированно приводит к геометрическому совпадению поверхностей в целевой фазе движения (t_close), исключая варианты, где контакт физически невозможен из-за геометрических противоречий.

Таким образом, PGA отсекает «кинематический мусор» на этапе генерации траектории: алгоритм заранее знает, что синтезируемая схема допускает замыкание, и не тратит ресурсы на проверку базовых законов соприкосновения твердых тел.

Если PGA отвечает за возможность контакта, то генетический алгоритм отвечает за логику его возникновения во времени. Это реализуется через модификацию функции приспособленности (Fitness Function), которая внедряет механизм дискриминации состояний.

В предложенной реализации функция F приспособленности становится фазозависимой F = w₁ ∙ E_traj + w₂ ∙ R_contact(t) – w₃ ∙ P_collision(t), где E_traj – ошибка воспроизведения траектории, а компоненты контакта и коллизии зависят от текущей фазы движения механизма ϕ ∈ [0, 1]:

1. Фаза движения (ϕ < ϕ_close). Любое пересечение объемов клина и паза трактуется как коллизия. ГА жестко штрафует особи, у которых контакт происходит преждевременно, что предотвращает заклинивание механизма в открытом состоянии.
2. Фаза замыкания (ϕ ≥ ϕ_close). Пересечение поверхностей становится целевым ограничением (Constraint). ГА поощряет особи, у которых расстояние между контактирующими гранями стремится к нулю, обеспечивая плотную посадку.

Также ГА решает задачу дискретной аппроксимации (Mapping), подбирая реальные размеры клина и паза из библиотеки стандартных элементов. Это критически важно для устранения разрыва «Sim-to-Real», так как гарантирует, что синтезированный замок может быть физически собран из существующих деталей без дополнительной механической обработки.

Расширение методики на задачи условного замыкания позволяет провести сравнительный анализ с альтернативными подходами, такими как классические уравнения Фрейденштейна или методы компьютерной алгебры (базисы Грёбнера), результаты которого представлены в таблице.

 

Таблица. Сравнение с альтернативными подходами

Критерий	Классические методы (Фрейденштейн)	Компьютерная алгебра (Грёбнер)	Предложенный гибрид (PGA + ГА)
Тип замыкания	Только непрерывное кинематическое	Непрерывное, сложно для условного	Универсальное (в т. ч. условное)
Дискретность	Требует округления (риск ошибки)	Работает в непрерывном поле	Встроена в архитектуру (Mapping)
Логика состояний	Не предусмотрена	Требует сложных переключателей	Реализуется через Fitness Function
Вычислительная стоимость	Низкая (для 3 точек)	Экстремально высокая	Оптимальная (PGA фильтрует до ГА)

 

Методы компьютерной алгебры хотя и мощны в решении полиномиальных систем, часто выдают результат в виде «черного ящика» (набор чисел без геометрической интерпретации) и требуют значительных ресурсов для проверки условий несамоблокирования в динамике. Предложенный гибридный подход выигрывает за счет разделения ответственности: PGA обеспечивает геометрическую прозрачность и валидность скелета, а ГА гибко управляет логикой взаимодействий, что делает метод предпочтительным для автоматизированного проектирования сложных запирающих устройств.

Апробация расширенной методики была проведена на задаче синтеза клинового зажимного механизма. Результаты показали, что использование PGA для предварительной валидации геометрии клина позволяет сократить пространство перебора ГА на 85–90 % по сравнению со «слепым» эволюционным поиском. Механизм, синтезированный гибридным алгоритмом, успешно прошел проверку на собираемость и отсутствие заклинивания в тестовом цикле «открыто-закрыто».

Перспективы развития данного направления видятся в интеграции динамических моделей непосредственно в ядро PGA. Если текущая версия гарантирует кинематическую совместимость, то дальнейшее развитие позволит учитывать силовые факторы (давление в контакте, износ) на этапе формирования «скелета», что приблизит технологию к созданию полноценных цифровых двойников механизмов с условным замыканием.

Таким образом, предложенная архитектура Hybrid Evolutionary-Symbolic AI демонстрирует высокую адаптивность и может быть рекомендована не только для синтеза траекторных механизмов, но и для автоматизированного проектирования широкого класса устройств дискретного действия, где критически важны гарантии собираемости и точность контактных взаимодействий.

ЗАКЛЮЧЕНИЕ И ВЫВОДЫ

Предложенный подход, Hybrid Evolutionary-Symbolic AI, позволяет перейти от стохастического перебора «мусорных» конструкций к направленному синтезу. Алгебра Клиффорда выступает гарантом кинематической логики (законов физики). А использование эволюционных (генетических) алгоритмов выступает инструментом адаптации к реальности (ограничениям склада деталей).

Такая синергия возвращает нас к идеям И. Л. Букатовой об «оптимизации структуры», но на новом технологическом витке. Реализация данной концепции способна создать класс ПО, который не просто помогает инженеру чертить, а выступает полноценным соавтором, способным самостоятельно изобретать кинематические схемы (от простых рычагов до сложной робототехники), опираясь на глубокое математическое понимание природы движения.

About the authors

Alexander M. Kadan

Yanka Kupala State University of Grodno

Email: kadan@mf.grsu.by

Candidate of Engineering Science, Associate Professor, Head of the Department of System Programming and Computer Security of the Faculty of Mathematics and Computer Science

Belarus, Grodno

Sergey V. Petrov

Yanka Kupala State University of Grodno

Author for correspondence.
Email: petrov@mf.grsu.by

Candidate of Medicine, Associate Professor, Associate Professor of the Department of System Programming and Computer Security, Faculty of Mathematics and Computer Science

Belarus, Grodno

References

Supplementary files