利用机器学习分析蚂蚁的运动来影响G代码，用粘土打印物体

时间：2025-03-11 23:05:49

关键字：机器学习 G代码人工智能

手机看文章

扫描二维码
随时随地手机看文章

[导读]在《Microchallenge II》中，我们的任务是探索智能的概念，即由智能系统处理输入并生成输出。我们的项目通过研究蚂蚁的运动模式和交流，将人工智能与生物智能相结合。我们探索两种智能如何协作和相互告知，使用数字制造作为可视化的手段。

这个项目是由加泰罗尼亚高级建筑学院(IAAC)开发的，作为紧急未来设计硕士(MDEF)项目的一部分。

1. 介绍

在《Microchallenge II》中，我们的任务是探索智能的概念，即由智能系统处理输入并生成输出。我们的项目通过研究蚂蚁的运动模式和交流，将人工智能与生物智能相结合。我们探索两种智能如何协作和相互告知，使用数字制造作为可视化的手段。

通过使用机器学习来分析蚂蚁的运动和相互作用，我们影响粘土3D打印的g代码生成。结果是一个与自然共同设计的对象，回归到蚂蚁的运动模式的启发结构。

2. 概念和系统图

我们的系统捕捉蚂蚁的运动并将其转化为可打印的形式，遵循以下关键步骤：

•跟踪蚂蚁的运动-通过视频分析记录蚂蚁的运动。

•Python中的图像映射-使用OpenCV将运动数据覆盖到单个图像中。

•在Grasshopper (Firefly + Rhino)中生成3D表面-将图像转换为3D表面。

•G代码生成在Grasshopper -准备模型粘土3D打印。

•粘土印刷&回归蚂蚁-制作结构并将其放回蚂蚁栖息的环境中。

我们设计的主要原则是保留蚂蚁使用的路径，创造自由流动的区域，同时通过负空间定义边界，确保它们的运动不受限制。

3. 早期的实验

最初，我们探索了P5.js来映射蚂蚁的运动，这导致了它们轨迹的点云表示。我们还尝试在Grasshopper中使用基于图像的映射进行直接处理。

从p5 .js生成的图像中，我们使用Rhino 3D和Grasshopper来创建所需的区域，但是处理点云的复杂性使其不切实际。这促使我们探索其他方法，最终转向Python和OpenCV。

4. Python和OpenCV的最终映射

我们在Python中实现了计算机视觉(OpenCV)(通过Visual Studio Code和Terminal执行)来分析蚂蚁的视频片段。我们的工作流程:

•输入视频-两只蚂蚁移动的记录。

•处理-识别蚂蚁的黑暗区域，提取他们的质心，并标记他们的运动。

•输出图像-叠加帧以捕获其连续运动。

初始输出-稀疏点表示运动。

热图(可以有未来的应用)-显示频率和停留时间。

最终覆盖-通过高斯滤波实现的连续统一区域，将单个轨道合并成一个有凝聚力的形状。

这个最终输出作为蚂蚁运动的理想映射，可以在Grasshopper中用于表面生成。

5. 将Python集成到Grasshopper中

我们的目标是使管道自动化，消除手动图像处理的需要。我们尝试在Grasshopper中直接运行Python，遇到了多种挑战：

Rhino 7问题：

Rhino 7中的Python脚本不允许执行外部库(如OpenCV)。

Rhino 7的Python解释器使用一个单独的目录，需要在其特定的终端中安装依赖项。

远程Python插件：

我们探索了Anaconda集成以调用外部Python脚本。

然而，在Grasshopper中仍然无法访问OpenCV。

Rhino 8的改进：

Rhino 8中的Python脚本允许我们执行OpenCV。我们设法在Grasshopper中安装了所有的库并运行脚本，但下一步是将这些点转移到Rhino中，而不是OpenCV预览本身。由于时间原因，我们决定将原型分成两步：首先，Python单独运行，生成图像，然后在Grasshopper中处理图像。

6. 从位图到轮廓

使用Firefly for Grasshopper，我们处理了python生成的位图：

•反转区域以突出显示路径。

•根据亮度值生成基于高度的网格。

结果是一个悬崖状的地形，白色的区域对应于凸起的表面，留下蚂蚁的路径作为低地。