ID+/ML引导的工业设计过程的制作方法

实现方式涉及使用机器学习引导的生成设计过程的产品设计。

背景技术：

1、产品的视觉吸引力可能是产品成功的重要要求。大规模定制和个人偏好可能导致吸纳(inclusion)大量有吸引力的供给品。设计产品和维护产品库存可能是一项艰巨的任务。例如，时尚行业的制造商典型地可以设计大量产品并保存大量产品的库存，该产品包括男式衬衫、女式衬衫、裤子、围巾、太阳镜、处方眼镜和/或类似物。设计师可以创造产品的替代品来吸引不同的受众。

技术实现思路

1、示例实现方式描述了使用机器学习工具(例如，模型)来辅助设计产品。机器学习工具可以用于减少设计产品时所涉及的时间量。例如，增强设计过程可以包括使用机器学习来分析大范围的人体工程学数据以生成累积学习，从而为产品产生许多优选设计。可以向设计师呈现使用机器学习工具生成的一系列框架。设计师之后可以选择优化框架并围绕这个优化框架进行设计以实现具有最广泛吸引力的设计。

2、在一般方面，一种方法包括：接收与对象相关联的多个特性；接收对象的组的数量；基于多个特性和对象的组的数量来生成n维聚类；接收产品约束；以及基于n维聚类和产品约束中的每一个来生成表示产品的数据。

技术特征：

1.一种方法，包括：

2.如权利要求1所述的方法，其中所述多个特性包括所述多个特性中的两个或更多个之间的关系。

3.如权利要求1或权利要求1所述的方法，其中将所述多个特性存储为矩阵或数据图。

4.如权利要求3所述的方法，其中

5.如权利要求3所述的方法，其中

6.如权利要求3所述的方法，其中

7.如权利要求1至权利要求6中任一项所述的方法，其中所述产品约束被配置为限制所述产品的选项或配置中的至少一个。

8.如权利要求1至权利要求7中任一项所述的方法，还包括生成如在所述产品中所使用的指示所述对象的组的数量的目标物理属性。

9.如权利要求8所述的方法，其中所述目标物理属性标识在其上使用所述产品的身体的一部分的特征。

10.如权利要求8所述的方法，其中基于与所述对象相关联的所述多个特性来生成所述目标物理属性。

11.如权利要求8所述的方法，其还包括在生成表示所述产品的所述数据之前接收对所述目标物理属性的编辑。

12.如权利要求1至权利要求11中任一项所述的方法，其中生成所述数据包括将所述n维聚类作为输入提供给生成设计模型，所述生成设计模型产生表示所述产品的所述数据以作为输出。

13.一种方法，其包括：

14.如权利要求13所述的方法，其中

15.如权利要求14所述的方法，其中使用无监督竞争学习以设计结构矩阵表示来训练所述sonn。

16.如权利要求13至权利要求15中任一项所述的方法，其中所述产品生成器机器学习模型的所述训练包括不成比例地增加偏置。

17.如权利要求13至权利要求16中任一项所述的方法，其中将所述n维聚类与所述产品约束组合包括将所述n维聚类的中心与所述产品约束组合以生成向量。

18.如权利要求13至权利要求17中任一项所述的方法，其中所述产品生成器机器学习模型的所述训练包括生成表示所生成的产品有多美观的损失。

19.如权利要求13至权利要求18中任一项所述的方法，其中基于预测产品与真实值产品之间的差异来训练所述产品生成器机器学习模型。

20.如权利要求13至权利要求18中任一项所述的方法，其中

技术总结一种方法包括：接收与对象相关联的多个特性；接收对象的组的数量；基于多个特性和对象的组的数量来生成N维聚类；接收产品约束；以及基于N维聚类和产品约束中的每一个来生成表示产品的数据。技术研发人员：汉内斯·哈姆斯,史蒂文·本杰明·戈尔德贝格,克劳德·泽尔威格受保护的技术使用者：谷歌有限责任公司技术研发日：技术公布日：2024/8/5