利用機器學習分析螞蟻的運動來影響G代碼，用粘土打印物體

時間：2025-03-11 23:05:49

關鍵字：機器學習 G代碼人工智能

手機看文章

掃描二維碼
隨時隨地手機看文章

[導讀]在《Microchallenge II》中，我們的任務是探索智能的概念，即由智能系統(tǒng)處理輸入并生成輸出。我們的項目通過研究螞蟻的運動模式和交流，將人工智能與生物智能相結合。我們探索兩種智能如何協(xié)作和相互告知，使用數(shù)字制造作為可視化的手段。

這個項目是由加泰羅尼亞高級建筑學院(IAAC)開發(fā)的，作為緊急未來設計碩士(MDEF)項目的一部分。

1. 介紹

在《Microchallenge II》中，我們的任務是探索智能的概念，即由智能系統(tǒng)處理輸入并生成輸出。我們的項目通過研究螞蟻的運動模式和交流，將人工智能與生物智能相結合。我們探索兩種智能如何協(xié)作和相互告知，使用數(shù)字制造作為可視化的手段。

通過使用機器學習來分析螞蟻的運動和相互作用，我們影響粘土3D打印的g代碼生成。結果是一個與自然共同設計的對象，回歸到螞蟻的運動模式的啟發(fā)結構。

2. 概念和系統(tǒng)圖

我們的系統(tǒng)捕捉螞蟻的運動并將其轉化為可打印的形式，遵循以下關鍵步驟：

?跟蹤螞蟻的運動-通過視頻分析記錄螞蟻的運動。

?Python中的圖像映射-使用OpenCV將運動數(shù)據(jù)覆蓋到單個圖像中。

?在Grasshopper (Firefly + Rhino)中生成3D表面-將圖像轉換為3D表面。

?G代碼生成在Grasshopper -準備模型粘土3D打印。

?粘土印刷&回歸螞蟻-制作結構并將其放回螞蟻棲息的環(huán)境中。

我們設計的主要原則是保留螞蟻使用的路徑，創(chuàng)造自由流動的區(qū)域，同時通過負空間定義邊界，確保它們的運動不受限制。

3. 早期的實驗

最初，我們探索了P5.js來映射螞蟻的運動，這導致了它們軌跡的點云表示。我們還嘗試在Grasshopper中使用基于圖像的映射進行直接處理。

從p5 .js生成的圖像中，我們使用Rhino 3D和Grasshopper來創(chuàng)建所需的區(qū)域，但是處理點云的復雜性使其不切實際。這促使我們探索其他方法，最終轉向Python和OpenCV。

4. Python和OpenCV的最終映射

我們在Python中實現(xiàn)了計算機視覺(OpenCV)(通過Visual Studio Code和Terminal執(zhí)行)來分析螞蟻的視頻片段。我們的工作流程:

?輸入視頻-兩只螞蟻移動的記錄。

?處理-識別螞蟻的黑暗區(qū)域，提取他們的質心，并標記他們的運動。

?輸出圖像-疊加幀以捕獲其連續(xù)運動。

初始輸出-稀疏點表示運動。

熱圖(可以有未來的應用)-顯示頻率和停留時間。

最終覆蓋-通過高斯濾波實現(xiàn)的連續(xù)統(tǒng)一區(qū)域，將單個軌道合并成一個有凝聚力的形狀。

這個最終輸出作為螞蟻運動的理想映射，可以在Grasshopper中用于表面生成。

5. 將Python集成到Grasshopper中

我們的目標是使管道自動化，消除手動圖像處理的需要。我們嘗試在Grasshopper中直接運行Python，遇到了多種挑戰(zhàn)：

Rhino 7問題：

Rhino 7中的Python腳本不允許執(zhí)行外部庫(如OpenCV)。

Rhino 7的Python解釋器使用一個單獨的目錄，需要在其特定的終端中安裝依賴項。

遠程Python插件：

我們探索了Anaconda集成以調用外部Python腳本。

然而，在Grasshopper中仍然無法訪問OpenCV。

Rhino 8的改進：

Rhino 8中的Python腳本允許我們執(zhí)行OpenCV。我們設法在Grasshopper中安裝了所有的庫并運行腳本，但下一步是將這些點轉移到Rhino中，而不是OpenCV預覽本身。由于時間原因，我們決定將原型分成兩步：首先，Python單獨運行，生成圖像，然后在Grasshopper中處理圖像。

6. 從位圖到輪廓

使用Firefly for Grasshopper，我們處理了python生成的位圖：

?反轉區(qū)域以突出顯示路徑。

?根據(jù)亮度值生成基于高度的網格。

結果是一個懸崖狀的地形，白色的區(qū)域對應于凸起的表面，留下螞蟻的路徑作為低地。