在3D打印领域，路径规划是一个关键问题，它决定了打印过程的效率和质量。然而，由于不同模型的图形结构存在较大差异，以及节点和边的规模较大，传统的路径规划方法难以满足需求。为了解决这个问题，曼彻斯特大学等机构的研究人员提出了一种基于深度Q网络（DQN）的路径规划器，该规划器能够处理多样化的图形结构，并在多个3D打印应用中表现出色。
研究人员采用了一种基于“探索”的策略，将路径规划器设计为一个基于DQN的优化器，用于决定下一个“最佳”节点的访问。他们通过构建以不同节点为中心的局部搜索图（LSG）来构造状态空间，并使用一个精心设计的算法对LSG进行编码，以便在相似配置下识别LSG并重用先前学习的DQN先验，从而加速路径规划的计算。
研究人员在三个不同的3D打印应用中展示了他们的路径规划器的性能：
- 线框打印：他们的规划器能够成功打印具有高达4.2k个支撑结构的模型，并减少结构变形。
- 连续纤维打印：他们的规划器能够避免高达93.3%的锐角转弯，从而提高纤维的附着力。
- 金属打印：他们的规划器能够减少热变形，从而提高打印质量。
在所有这些应用中，研究人员都通过物理实验验证了他们的路径规划器的性能。
这项研究为3D打印领域带来了新的突破，为处理多样化图形结构的路径规划提供了一种高效的方法。通过使用DQN和局部搜索图，研究人员能够解决传统方法难以处理的问题，并在多个应用中表现出色。这将有助于提高3D打印的效率和质量，推动该技术在更多领域的应用。
正面评价：
- 高效性：该路径规划器基于DQN和局部搜索图，能够高效地处理大规模和多样化的图形结构。
- 通用性：该规划器能够应用于多个3D打印应用，包括线框打印、连续纤维打印和金属打印。
- 性能优越：在所有测试的应用中，该规划器都表现出了优越的性能，包括减少结构变形、避免锐角转弯和减少热变形。
负面评价：
- 复杂性：该路径规划器的设计和实现相对复杂，可能需要较高的计算资源和时间。
- 可扩展性：尽管该规划器在处理大规模图形结构方面表现出色，但其可扩展性可能受到限制，特别是在处理更大或更复杂的模型时。
- 依赖性：该规划器的性能可能受到DQN训练数据和局部搜索图构建方法的影响，因此可能需要针对不同的应用进行调整和优化。
