Natural-language control of parametric road design based on large language models

Cover Page

Cite item

Full Text

Abstract

Background. Natural-language control forms a new direction in the development of road computer-aided design systems. However, direct conversion of an engineering task into a program script by a large language model does not guarantee geometric, computational, or regulatory correctness of the result.

Aim: To assess the applicability of large language models to the formation of parametric road-object models and to substantiate an architecture for their safe integration into the design process.

Materials and methods: In the FreeCAD environment, the creation of a model of a road sign and a multicomponent fragment of a category II road based on text prompts was studied. Script execution, geometry editability, the number of refinement cycles, and the volume of tokens used were evaluated.

Results: The fundamental feasibility of natural-language control over a multi-component road model was demonstrated. It was established that a direct generative approach retains significant engineering labor and requires an external validation loop for geometric, computational, and regulatory compliance. A target control architecture and a reconstruction completeness criterion are proposed.

Conclusion: The functional separation among the language model, geometric kernel, validation tools, and engineer forms the foundation for a new generation of intelligent road CAD systems.

Full Text

ВВЕДЕНИЕ

В современных системах автоматизированного проектирования (САПР) автомобильных дорог скорость выполнения графических и расчетных операций превосходит скорость формализации происхождения проектных решений. При этом обоснование принятого радиуса, отметки или компоновки знака нередко остается в пояснительной записке, отдельных таблицах либо в опыте автора. Интеллектуальное параметрическое проектирование на основе больших языковых моделей (LLM) связывает естественно-языковое описание задачи с созданием и изменением проектной модели. Для инженера такой переход означает формализацию проектных решений в виде системы параметрических связей, расчетных зависимостей, геометрии и согласованной рабочей документации.

Исследования естественно-языкового управления моделями САПР охватывают несколько взаимосвязанных направлений. Текстовое описание преобразуется в последовательность параметрических операций, а визуальная обратная связь используется для уточнения геометрии [1–3]. Методы формирования параметрических команд и геометрических ограничений развивают редактируемость моделей [4, 5]. В отечественных исследованиях искусственный интеллект рассматривается как средство анализа исходных данных, сопоставления вариантов и сопровождения отдельных процедур проектирования автомобильных дорог [6]. Управление геометрическим ядром с учетом состояния модели исследуется в работах [7, 8]. Автоматически выполняемые проверки и последовательное редактирование представлены в работах [9, 10].

Эти результаты получены преимущественно для отдельных деталей или локальных операций. Проект автомобильной дороги отличается протяженностью, координатной и пикетажной привязкой, взаимным влиянием плана, продольного профиля, поперечных сечений, водоотвода и обустройства, а также необходимостью выпуска согласованного комплекта документации. Поэтому непосредственное формирование Python- или AutoLISP-сценария остается полезным опытным приемом, но не является самостоятельным производственным методом. Для сравнения родственные подходы сгруппированы по их роли в проектном цикле; результаты представлены в Табл.

 

Таблица. Родственные подходы и границы их переноса в проектирование автомобильных дорог

Table. Related approaches and limits of their transfer to road design

Направление и источники

Механизм

Граница переноса в дорожный проект

Текст в САПР

[1–3]

Описание преобразуется в последовательность параметрических операций; визуальная обратная связь используется для уточнения результата.

Исследования деталей и коротких операций не подтверждают нормативную корректность линейного объекта и согласованность комплекта документации.

Параметрическая генерация [4, 5]

Языковая модель формирует параметрические команды и геометрические ограничения; обратная связь решателя поддерживает редактируемость модели.

Полная определенность эскиза и устойчивость параметрических связей не гарантируют нормативной корректности линейного транспортного объекта.

Управление геометрическим ядром [7, 8]

Языковая модель выбирает операции FreeCAD или примитивы ядра и учитывает текущее состояние модели.

Требуются устойчивые объектные связи, ограниченный набор операций и предметные расчетные процедуры; с усложнением объекта устойчивость снижается.

Проверки [9, 10]

Требования представляются как выполняемые свойства модели; построение и редактирование связываются с геометрической проверкой.

Для дорог набор проверок дополняется расчетными, конструктивными и нормативными зависимостями, а также контролем выпускной документации.

Дорожные правила [11]

Правила проектирования полос обгона были формализованы и применены к 16 реальным объектам; соответствие правилам повысилось с 61,82 до 91,31%.

Подход не использует LLM и основан на местных требованиях, но подтверждает инженерную ценность формализованных правил и проверяемых ограничений.

Примечание: Ввиду неоднородности тестовых выборок и различий в оцениваемых метриках результаты сопоставлены на качественном уровне.

 

Сравнение подходов выявило три требования к инженерному применению: исполняемую команду, обратную связь геометрического ядра и проверяемые свойства результата (Табл.).

Показатели геометрической и информационной детализации информационной модели определяют состав и степень проработки данных, но сами по себе не фиксируют происхождение каждого изменения, последовательность выполненных расчетов и возможность повторного построения модели в независимой программной среде. В дорожном проектировании параметрические шаблоны комбинированных поперечных сечений позволили сократить время моделирования до 45% исходного при сохранении требуемой точности [12]. Параметрическое описание, связанное с рельефом и геоинформационной средой, обеспечивает перестройку протяженных участков и согласованное построение дорожного полотна, откосов, мостов и тоннелей [13]. Исследования готовности информационных моделей к интеграции с искусственным интеллектом подтверждают необходимость структурированных, полных и совместимых данных [14].

Критерий реконструктивной полноты определяет возможность однозначного воспроизведения решения по исходным проектным материалам и техническим спецификациям без недокументированных экспертных допущений. Для его проверки параметры, правила, происхождение данных и результаты контроля должны входить в зафиксированную спецификацию проекта. Такой подход согласуется с тест-ориентированной оценкой сгенерированной геометрии, при которой свойства модели проверяются исполняемыми условиями, а не только визуальным сходством [9]. Исследования автоматизированного контроля информационных моделей также подтверждают необходимость переводить текстовые требования в формализованные правила, исполняемые независимо от генеративного компонента [15].

Научная новизна работы состоит в обосновании функционального разделения естественно-языковой интерпретации проектного задания, программно-управляемого геометрического исполнения и внешнего контура проверок применительно к линейно-протяженным дорожным объектам. Дополнительно предложен критерий реконструктивной полноты, связывающий машиночитаемую спецификацию, протокол проверок и проектное обоснование с условиями повторного построения модели.

Исследовательский вопрос состоит в том, позволяет ли такое разделение выявлять неполные дорожные решения и сохранять происхождение изменений. Рабочая гипотеза предусматривает использование LLM для уточнения намерения инженера и формирования структурированного задания, тогда как точную геометрию и расчеты выполняет ядро САПР, а результат проходит автоматизированную и экспертную проверку. Цель работы – обосновать указанную последовательность шагов применительно к проектированию автомобильных дорог, проверить ее основные положения на двух сценариях FreeCAD и сопоставить результаты с современными исследованиями естественно-языкового управления САПР.

МАТЕРИАЛЫ И МЕТОДЫ

Практическую основу исследования составили два сценария FreeCAD. Первый сценарий объемом 75 строк формировал упрощенную модель дорожного знака индивидуального проектирования со стрелками и двумя надписями. Второй сценарий объемом 511 строк создавал многокомпонентную трехмерную модель участка дороги II категории и панель расчетных параметров дорожной одежды. FreeCAD использовался не как специализированная дорожная САПР, а как открытая платформа с документированным программным доступом к геометрическим объектам. Для обоих сценариев оценивались выполнение команд, параметрическое изменение объектов, сохранение результата и соответствие геометрии исходному заданию. Повторные запуски выполнялись в одной рабочей конфигурации; межсредовая реконструкция была выделена как самостоятельная приемочная процедура для последующего этапа исследования.

Итерации выполнялись при участии исследователя, а не автономно. Каждый цикл включал анализ результатов выполнения и состояния модели, ручное уточнение текстового задания или сценария, повторный запуск и проверку геометрии и доступных параметров. Поэтому число циклов характеризует трудоемкость совместной работы инженера и языковой модели, а не скорость полностью автоматического проектирования.

Для инженерного сопоставления использованы шесть критериев: возможность выполнения задания, параметрическая воспроизводимость, геометрическая и нормативная корректность, прослеживаемость требований, безопасность изменения проекта и трудоемкость полного цикла. Целевая последовательность интеллектуального параметрического проектирования показана на Рис. 1. Языковая модель уточняет исходную формулировку и преобразует ее в структурированный набор параметров. Программно управляемое геометрическое ядро выполняет расчеты, строит модель и формирует связанные документы. Отдельные процедуры проверяют единицы измерения, геометрические связи, расчетные зависимости, коллизии и формализованные нормативные ограничения. Изменение включается в проект после сопоставления версий и утверждения инженером. Такое распределение функций соответствует современным системам, в которых языковая модель планирует последовательность действий, а операции выполняются инструментами геометрического ядра с учетом текущего состояния модели [7, 8].

 

Рис. 1. Целевая схема естественно-языкового управления параметрической проектной моделью

Условные обозначения: RAG – генерация с дополнением из внешней базы знаний; CAD-IR – промежуточное представление модели САПР; DSL – предметно-ориентированный язык; VLM – визуально-языковая модель; GNN – графовая нейронная сеть; B-Rep – граничное представление геометрии; API – программный интерфейс приложения; HITL – участие эксперта в контуре управления

Fig. 1. Target scheme for natural-language control of a parametric design model

Abbreviations: RAG, retrieval-augmented generation; CAD-IR, intermediate representation of a CAD model; DSL, domain-specific language; VLM, vision-language model; GNN, graph neural network; B-Rep, boundary representation; API, application programming interface; HITL, human-in-the-loop

 

В эксперименте проверено ключевое исполняющее звено целевой схемы: языковая модель формировала Python-сценарий по текстовому заданию, сценарий выполнялся через программный интерфейс FreeCAD, а исследователь проверял полученную геометрию. Блоки планирования, хранения версий, автоматизированного и визуального контроля рассматриваются как направления последующего развития и в выполненном эксперименте не реализовывались. Рис. 1 показывает функции инженерной процедуры: уточнение задания, формирование структурированного параметрического описания, детерминированное построение, проверки, визуальный контроль и экспертное утверждение. Версионированный контекст объединяет примененные требования, библиотеки типовых элементов, правила единиц и проектные ограничения; отдельная программная реализация каждого блока не является обязательной.

Структурированное описание дорожного проекта содержит систему координат и единицы измерения, трассу и пикетаж, элементы плана и продольного профиля, поперечные профили, виражи, слои дорожной одежды, водоотвод, знаки и обустройство, допуски, ссылки на примененные требования, зависимости между объектами, а также сведения о происхождении и проектном обосновании изменений. Для каждого объекта используется устойчивое смысловое обозначение. Например, команда «изменить радиус на участке 4» обращается к конкретному элементу трассы, а не к строке диалога или положению курсора.

Для проверки реконструктивной полноты предложен «тест реконструкции». Полный тест предусматривает независимое построение модели и чертежей в чистой программной среде на основе пояснительной записки, спецификаций, данных изысканий, исходных настроек и зафиксированного нормативного набора. Для него фиксируются версии FreeCAD, геометрического ядра Open CASCADE Technology, Python, используемых библиотек, шрифтов и операционной среды. Контрольные величины должны совпасть в установленных допусках, а результат не должен зависеть от ручных действий, не отраженных в исходных материалах и сценариях. Оценивалась внутренняя повторяемость исполнения: сценарии повторно запускались после уточнений в одной рабочей конфигурации, а полученная геометрия и доступность параметров сопоставлялись с предыдущим результатом. Этот этап позволяет выявить зависимость от скрытого состояния внутри рабочего контура, но не подтверждает реконструктивную полноту в независимой среде. Независимое повторение с воспроизведением зафиксированной конфигурации составляет следующий этап исследования; перенос на другую платформу или геометрическое ядро рассматривается отдельно как проверка переносимости.

Трудоемкость оценивалась по числу циклов формирования, проверки и исправления модели. Дополнительно по журналу обращений определялся объем входных, выходных и дополнительно учитываемых токенов. Прямые вычислительные затраты рассчитывались по выражению C = Np/1000, где N – суммарное число тарифицируемых токенов, p – ставка за 1000 единиц тарификации. Для иллюстративного пересчета использован опубликованный тариф Yandex Cloud AI Studio на генерацию текста моделью YandexGPT, действовавший с 1 января 2026 г., – 0,2033 руб. за 1000 единиц тарификации. Участие инженера характеризовалось числом циклов уточнения.

РЕЗУЛЬТАТЫ

Экспериментальная модель дорожного знака

По текстовому заданию «создать в FreeCAD дорожный знак индивидуального проектирования со стрелками и названиями» языковая модель сформировала Python-сценарий. После выполнения сценария в FreeCAD была получена упрощенная редактируемая модель знака (Рис. 2). Модель содержала щит, две надписи и стрелки, а отдельные геометрические параметры могли изменяться средствами САПР.

 

Рис. 2. Экспериментальная редактируемая модель знака индивидуального проектирования со схематическим обозначением параметров, подлежащих формализации

Fig. 2. Experimental editable model of an individually designed road sign with schematic indication of parameters to be formalized

 

Полученный объект воспроизводил общий внешний вид знака, но не содержал формализованных данных о типоразмере щита (ширина B и высота H), высоте букв, литерных площадках, интервалах, кайме, допусках, установочном контексте и составе спецификации. Указание «по ГОСТ» в исходном задании не привело к автоматическому расчету этих параметров; обозначения на Рис. 2 показывают состав переменных, которые должны передаваться специализированному параметрическому генератору. В эксперименте моделировалась лицевая поверхность знака; опорная конструкция, крепления и физико-механические характеристики не рассматривались. Поэтому результат оценивался как экспериментальная параметрическая модель, а не как нормативно завершенный чертеж или конструкция знака.

Контрольный пример фрагмента дороги

Второй сценарий сформировал трехмерный фрагмент участка дороги II категории (Рис. 3). В отличие от знака, представляющего локальный объект, второй сценарий направлен на оценку управления многокомпонентной моделью. Модель включала элементы поперечного профиля, конструктивные слои дорожной одежды и интерфейс для изменения расчетных параметров. Сценарий продемонстрировал принципиальную достижимость программного построения и изменения многокомпонентного геометрического объекта.

 

Рис. 3. Контрольный пример многокомпонентной модели фрагмента дороги II категории в FreeCAD

Fig. 3. Control example of a multicomponent FreeCAD model of a category II road fragment

 

Разработка сценария потребовала семи циклов уточнения. Исправления относились к последовательности построения объектов, передаче изменений между взаимосвязанными элементами и согласованию значений интерфейса с состоянием модели. Каждый цикл выполнялся при участии исследователя: после анализа результата уточнялись задание или сценарий, затем построение повторялось, а геометрия и доступность параметров проверялись в FreeCAD. Итоговая модель сохранялась в редактируемом формате и допускала изменение предусмотренных параметров.

По журналу обращений один цикл включал приблизительно 14 тыс. входных, 6 тыс. выходных и до 4 тыс. дополнительно учитываемых токенов, т.е. около 24 тыс. токенов. Семь циклов соответствовали примерно 168 тыс. токенов. При принятой ставке 0,2033 руб. за 1000 единиц тарификации расчетный эквивалент прямых расходов составил ориентировочно 34 руб. Эта величина не включает время инженера, вычислительную инфраструктуру и возможные переделки. Поэтому приведенный расчет характеризует только стоимость обращений к модели. Основной неопределенной составляющей полной стоимости остается квалифицированный труд инженера при анализе ошибок, проверке геометрических связей и уточнении задания.

ОБСУЖДЕНИЕ

Среда FreeCAD позволила исследовать связь между текстовым заданием и геометрическими операциями благодаря документированному доступу к объектам модели. Прямое преобразование текста в исполняемый сценарий пригодно для прототипирования и локальных операций, однако семь циклов уточнения показали, что первый сформированный генеративной моделью сценарий не обеспечивает достижения проектных параметров, удовлетворяющих инженерным и нормативным требованиям. Дополнительное ограничение связано с зависимостью сценариев от версий FreeCAD и геометрического ядра Open CASCADE Technology. При перестроении модели внутренние обозначения граней и ребер могут изменяться; в параметрических САПР это относится к проблеме устойчивого именования топологических элементов [16]. Структурированное представление отношений между элементами снижает зависимость от внутренних индексов геометрических примитивов [10], однако воспроизводимость по-прежнему требует фиксации программной конфигурации, хранения высокоуровневых параметров и устойчивых смысловых обозначений объектов. В исследовании ToolCAD доля успешно выполненных задач уменьшалась по мере роста числа составных частей [8]. Для линейно-протяженных транспортных объектов требуется заранее ограничивать перечень допустимых геометрических операций и фиксировать зависимости между элементами.

Прикладной смысл подхода раскрывает запрос «изменить радиус на участке 4 до нормативного для скорости 110 км/ч». До изменения геометрии система определяет категорию дороги, расчетную скорость, применимые нормы, поперечный уклон и планировочные ограничения, затем выполняет расчет и представляет предлагаемый радиус с обоснованием. После утверждения пересчитываются переходные кривые, вираж, видимость, поперечные профили, объемы земляных работ, водоотвод, полоса отвода и связанные листы. Та же самая последовательность распространяется на перенос водопропускной трубы с сохранением требуемого уклона, согласование знака со схемой организации движения и объяснение изменения объема выемки между версиями.

В предложенной схеме функции распределены между языковой моделью, САПР и инженером. Языковая модель уточняет запрос и подготавливает структурированные параметры; САПР выполняет предусмотренные операции; автоматизированные проверки выявляют геометрические, расчетные и нормативные несоответствия; инженер принимает или отклоняет изменение. Такой порядок соответствует использованию LLM как управляющего интерфейса к предметным моделям и знаниям при сохранении ответственности за итоговое решение за инженером [17]. Каждое изменение фиксируется как самостоятельная операция с указанием исходных данных, результата проверки и принятого решения, что позволяет восстановить последовательность работ и вернуться к предыдущему состоянию проекта.

Для линейно-протяженного объекта структурированное задание должно связывать ось трассы, пикетаж, данные изысканий, план, продольный профиль и поперечные сечения в едином координатном контексте. Подходы к интегрированной обработке пространственных данных и автоматизации многомерных дорожных информационных моделей подтверждают необходимость такого сквозного представления [18, 19].

Протокол изменения должен сохранять не только параметры и геометрию, но и проектное обоснование: исходное требование, выбранный вариант, примененное правило, отклоненные альтернативы и причину утверждения. Связь этих сведений с жизненным циклом информационной модели и журналом действий позволяет при последующей корректировке восстанавливать состояние модели и логику принятого решения [20, 21].

Надежность перестроения модели зависит от качества геометрических примитивов и способа фиксации изменений. Методы построения пространственных кривых показывают необходимость явного контроля гладкости и точности аппроксимации [22]. Объектное версионирование информационных моделей позволяет передавать различия между версиями на уровне элементов и их отношений [23].

Эксперимент с моделированием дорожного знака подтверждает, что естественно-языковые указания служат инструментом ввода начальных параметров, но не заменяют нормативного расчета. После уточнения номера знака, места установки, направления, объектов, фона и высоты букв САПР рассчитывает компоновку надписей, стрелок, каймы и интервалов, затем выпускает модель, двумерный чертеж с размерами и спецификацию. В выполненном прототипе рассматривалась только графическая компоновка поверхности дорожного знака; переход к рабочей конструкции требует отдельной параметризации щита, опоры и креплений.

Нормативная проверка конструкции знака не ограничивается графической компоновкой. Пункт 5.2.6 национального стандарта Российской Федерации ГОСТ Р 52290-2024 устанавливает требования к отсутствию недопустимых деформаций при расчетной ветровой нагрузке 0,4 кН/м², вертикальной и горизонтальной точечных нагрузках 0,15 кН и динамической нагрузке 1,5 кН/м² при снегоуборке. Эти условия должны проверяться специализированными расчетными и испытательными процедурами по параметрам конструкции и материалов вне генеративного вывода языковой модели. Для перехода от графической компоновки дорожного знака к рабочей конструкции параметры щита, опоры, креплений и нагрузок необходимо передавать в специализированный расчетный модуль. Полевые испытания и конечно-элементное моделирование опор дорожных знаков подтверждают, что проверка должна охватывать распределение ветровых нагрузок, напряжения в элементах и работу соединений [24].

Исследования автоматизированной проверки информационных моделей подтверждают, что нормативные требования необходимо переводить в формализованные машинно-исполняемые правила и проверять отдельным вычислительным модулем [14]. Языковая модель распознает тип задачи и формирует исходные параметры, тогда как числовой контроль выполняется средствами САПР и инженерных расчетов. Визуальный анализ выявляет пропущенную стрелку, нечитабельную компоновку или расхождение текста и изображения, но не подтверждает числовое значение радиуса, отметки, допуска или несущую способность конструкции.

Для воспроизводимой автоматизации дорожная САПР должна предоставлять документированный программный доступ к объектам проекта, поддерживать перестройку модели, устойчивые смысловые идентификаторы, получение геометрических свойств, сохранение версий и возврат к предыдущему состоянию. Обращение к объектам через программный интерфейс связано с идентификаторами и свойствами модели, в отличие от управления по положению курсора в графическом интерфейсе. Практическое внедрение целесообразно начинать с ограниченных повторяемых задач: выпуска знаков индивидуального проектирования, проверки поперечных профилей, синхронизации ведомостей и чертежей, сопоставления изменений между версиями. Результативность опытного применения характеризуют доля проектов, восстановленных в чистой среде, число выявленных несоответствий, время инженера до принятого результата, количество повторных исправлений и стоимость полного цикла. Для снижения зависимости результата от конкретной САПР-платформы пакет сохранения целесообразно дополнять проверяемым экспортом по схеме Industry Foundation Classes (IFC) 4.3. Стандартизированная информационная модель предназначена для обмена с другими САПР, геоинформационными и кадастровыми системами, но не заменяет нативную параметрическую модель, исходную спецификацию и протокол проверок. Применение IFC требует отдельного контроля качества экспортированной модели и проверки сохранности семантики при межсистемном обмене [25, 26].

Алгоритм дальнейшего развития метода

По результатам исследования сформирована последовательность дальнейшего развития метода (Рис. 4): 1) фиксация исходных данных, единиц измерения, нормативных ограничений и адресуемых объектов; 2) семантический разбор задания и формирование структурированного параметрического описания; 3) получение исполняемого сценария только из разрешенных операций; 4) выполнение в изолированной среде геометрического ядра; 5) проведение геометрических, расчетных, нормативных и визуальных проверок; 6) формирование отчета о различиях между версиями с указанием проектного обоснования изменения; 7) экспертное утверждение; 8) сохранение нативной модели, исходной спецификации, протокола проверок, решений и хешей входных данных. После отдельной проверки сохранности геометрии, линейной привязки, атрибутов и зависимостей пакет дополняется экспортом в IFC 4.3 для межсистемного обмена. Этапы 2–5 образуют итерационный цикл, управляемый агентами; при многократных сбоях управление передается инженеру для уточнения задания. Стандартизированный экспорт дополняет пакет реконструкции, но не заменяет нативную параметрическую модель, проектное обоснование и протокол проверок.

 

Рис. 4. Алгоритм дальнейшего развития метода естественно-языкового управления параметрическим проектированием

Fig. 4. Algorithm for further development of the method of natural-language control of parametric design

 

ЗАКЛЮЧЕНИЕ

Научно-практический результат работы состоит в обосновании контура естественно-языкового управления, в котором интерпретация задания отделена от геометрического построения и независимых проверок. Языковая модель формирует структурированное задание; ядро САПР выполняет расчеты и построения; автоматизированные процедуры проверяют модель и документацию; инженер утверждает изменение. В эксперименте проверено прямое звено «языковая модель – Python-сценарий – FreeCAD». Полученные результаты подтверждают внутреннюю повторяемость исполнения в одной рабочей конфигурации и показывают возможность выявлять неполные исходные требования.

Эксперимент с дорожным знаком показал возможность создавать редактируемую геометрию по текстовому заданию и выявил недостаточность формулировки «по ГОСТ» без формализованных параметров, конструктивных требований и проверок. Контрольный фрагмент дороги II категории продемонстрировал принципиальную достижимость программного управления многокомпонентной моделью. Семь циклов ручного уточнения и ориентировочный объем 168 тыс. токенов показали, что прямое формирование сценария сохраняет существенную инженерную и вычислительную трудоемкость.

Современные исследования обосновывают применение естественно-языкового управления для локальных операций, последовательного редактирования и автоматизированной проверки отдельных свойств. Они не подтверждают возможность передачи языковой модели самостоятельной ответственности за комплексный дорожный проект: с ростом числа взаимосвязанных элементов увеличивается частота неуспешного выполнения задач, а визуальная правдоподобность не гарантирует расчетной и нормативной корректности. Эффект следует оценивать по времени и трудоемкости получения принятого, проверенного и воспроизводимого изменения.

Предложенный алгоритм связывает фиксацию исходных данных, ограничение разрешенных операций, геометрические и нормативные проверки, экспертное утверждение, сохранение проектного обоснования и истории изменений. Критерий реконструктивной полноты требует, чтобы пояснительная записка, исходные данные и технические спецификации обеспечивали однозначное воссоздание проектного решения без недокументированных экспертных допущений. Полная проверка критерия предполагает независимую реконструкцию в чистой среде при воспроизведении зафиксированной программной конфигурации. Перенос модели на другую платформу или геометрическое ядро является отдельной проверкой переносимости и не подменяет тест реконструкции. Проверяемый экспорт в IFC 4.3 рассматривается как средство межсистемного обмена после подтверждения сохранности геометрии, семантики и связей.

Эволюционный отбор в дорожном проектировании пройдут лишь те САПР, которые уйдут от монополии графических кнопок к прямому скриптовому диалогу: когда естественная мысль инженера транслируется языковой моделью в строгий код, а геометрическое ядро превращает этот код в безупречную геометрию инфраструктуры.

ФИНАНСИРОВАНИЕ

Статья подготовлена в рамках государственного задания Минобрнауки России (тема № FSFM-2025-0004 Применение публичных нейросетей для автоматизированного генерирования элементов уличной и дорожно-транспортной инфраструктуры).

Автор заявляет, что настоящая статья не содержит исследований с участием людей или животных в качестве объектов исследования.

The author declares no conflict of interest. This article does not contain any studies involving human participants or animals.

×

About the authors

Andrey A. Kotov

Moscow Automobile and Road Construction State Technical University (MADI)

Author for correspondence.
Email: gt@madi.ru
ORCID iD: 0000-0002-6855-0688
SPIN-code: 4337-7527
Scopus Author ID: 57089913500

Associate Professor

Russian Federation, Moscow

References

  1. Khan MS, Sinha S, Sheikh TU, Stricker D, Ali SA, Afzal MZ. Text2CAD: generating sequential CAD designs from beginner-to-expert level text prompts. In: Advances in Neural Information Processing Systems. 2024;37:7552-7579. doi: 10.52202/079017-0242
  2. Wang R, Yuan Y, Sun S, Bian J. Text-to-CAD generation through infusing visual feedback in large language models. PMLR. 2025;267:65326–65345
  3. Alrashedy K, Tambwekar P, Zaidi ZH, Langwasser M, Xu W, Gombolay M. Generating CAD code with vision-language models for 3D designs. In: The Thirteenth International Conference on Learning Representations (ICLR 2025) [Internet]. 2025. Accessed: 22.07.2026. Available from: https://proceedings.iclr.cc/paper_files/paper/2025/file/81a934cd364e18ea6fdeaf57a93c17d4-Paper-Conference.pdf
  4. Li J, Ma W, Li X, Lou Y, Zhou G, Zhou X. CAD-Llama: leveraging large language models for computer-aided design parametric 3D model generation. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR 2025) [Internet]. 2025:18563–18573. Accessed: 24.07.2026. Available from: https://openaccess.thecvf.com/content/CVPR2025/papers/Li_CAD-Llama_Leveraging_Large_Language_Models_for_Computer-Aided_Design_Parametric_3D_CVPR_2025_paper.pdf
  5. Casey E, Zhang T, Ishida S, Thompson JR, Khasahmadi A, Lambourne JG, et al. Aligning constraint generation with design intent in parametric CAD. In: Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV 2025) [Internet]. 2025:8613–8622. Accessed: 24.07.2026. Available from: https://openaccess.thecvf.com/content/ICCV2025/papers/Casey_Aligning_Constraint_Generation_with_Design_Intent_in_Parametric_CAD_ICCV_2025_paper.pdf
  6. Boguslavskiy LA, Provatorova GV. The use of artificial intelligence within the design of automobile roads. Smart Composite in Construction. 2025;6(4):67-79. (In Russ.). doi: 10.52957/2782-1919-2025-6-4-67-79 EDN: XQVQZI
  7. Mallis D, Karadeniz AS, Cavada S, Rukhovich D, Foteinopoulou N, Cherenkova K, et al. CAD-Assistant: tool-augmented VLLMs as generic CAD task solvers. In: Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV 2025) [Internet]. 2025. Accessed: 24.07.2026. p. 7284–7294. Available from: https://openaccess.thecvf.com/content/ICCV2025/papers/Mallis_CAD-Assistant_Tool-Augmented_VLLMs_as_Generic_CAD_Task_Solvers_ICCV_2025_paper.pdf
  8. Gong Y, Wu X, Liu W, Tu K. TOOLCAD: exploring tool-using large language models in text-to-CAD generation with reinforcement learning. In: Findings of the Association for Computational Linguistics: ACL 2026. San Diego (CA): Association for Computational Linguistics; 2026:23161-23188. doi: 10.18653/v1/2026.findings-acl.1160
  9. Mallis D, Wang M, Karadeniz AS, Ricci E, Kacem A, Aouada D. Text-to-CAD evaluation with CADTests [preprint]. 2026. arXiv:2605.07807. doi: 10.48550/arXiv.2605.07807
  10. Yuan M, Lin D, Xie H, Wu T, Ma R. CAD-Refiner: a unified framework for CAD generation and iterative editing. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR 2026) [Internet]. 2026:3244–3253. Accessed: 24.07.2026. Available from: https://openaccess.thecvf.com/content/CVPR2026/papers/Yuan_CAD-Refiner_A_Unified_Framework_for_CAD_Generation_and_Iterative_Editing_CVPR_2026_paper.pdf
  11. Momeni Rad F, Sydora C, El-Basyouny K. Leveraging generative design and point cloud data to improve conformance to passing lane layout. Sensors. 2024;24(2):318. doi: 10.3390/s24020318 EDN: MNWTMD
  12. Li K, Yang T, Sun Z. Research on road BIM parametric modeling technology based on Civil 3D: taking the design of the combined cross-section as an example. In: Zhang G, Lin Z, Chen C, Liu J, Ou S, Yan Q, editors. CICTP 2025: Transportation, Artificial Intelligence, and Energy. Reston (VA): American Society of Civil Engineers; 2025:913-923. doi: 10.1061/9780784486269.087
  13. Cao Y, Liu X, Huang R, Zhu M, Wang Z, Xu P. Research on road parametric modeling and dynamic lightweighting methods driven by BIM-GIS integration. PLOS ONE. 2026;21(1):e0340062. doi: 10.1371/journal.pone.0340062 EDN: OANAFZ
  14. Du S, Hou L, Zhang G, Tan Y, Mao P. BIM and IFC data readiness for AI integration in the construction industry: a review approach. Buildings. 2024;14(10):3305. doi: 10.3390/buildings14103305 EDN: PIJLSR
  15. Ma Z, Zhu H, Xiang X, Turk Ž, Klinc R. Automatic compliance checking of BIM models against quality standards based on ontology technology. Automation in Construction. 2024;166:105656. doi: 10.1016/j.autcon.2024.105656 EDN: KWAEGX
  16. Chao H, Kong A, Cheng Z, Liu J, Huang R. Hierarchical naming method and mechanism design for topological entities. Journal of Computer-Aided Design & Computer Graphics. 2023;35(12):1863-1874. doi: 10.3724/SP.J.1089.2023.2023-00023
  17. Kotov AA, Mazlumyan GS, Safina LM. LLM agents as orchestrators of knowledge and AI models in engineering design. Bulletin of the Moscow Automobile and Road Construction State Technical University (MADI). 2026;(2(85)):3–14. (In Russ.). EDN: OHKCEY
  18. Kotov AA. Automation of processing and analysis of integrated data in surveys of engineering structures with a distributed structure using geoinformation technologies [dissertation]. Moscow; 2006. (In Russ.). EDN: NOBELB
  19. Serra P, Intignano M, Biancardo SA, Abbondati F, Dell’Acqua G. AI-enhanced data workflows for road infrastructure BIM: a Python-VPL framework enabling 4D-7D integration. In: International Conference «Environmental Engineering». 2026;13:1-6. doi: 10.3846/enviro.2026.2251
  20. Lukin AYu. Life cycle in BIM modeling of road infrastructure facilities. Obshchestvoznanie i sotsialnaya psikhologiya. 2023;(11-3(54)):46–51. (In Russ.). EDN: DWKKFL
  21. Du C, Esser S, Nousias S, Borrmann A. Text2BIM: generating building models using a large language model-based multiagent framework. Journal of Computing in Civil Engineering. 2026;40(2):04025142. doi: 10.1061/JCCEE5.CPENG-6386 EDN: SKPVUX
  22. Mufteev VG, Ziganshina FT, Gumerov VI, Nabiev RI, Efimova GM. Qualitative modification of geometrically oriented methods for constructing spatial curves in C3D FairCurveModeler. Omsk Scientific Bulletin. 2024;(3(191)):48-55. (In Russ.). doi: 10.25206/1813-8225-2024-191-48-55 EDN: TJTAFT
  23. Esser S, Vilgertshofer S, Borrmann A. Version control for asynchronous BIM collaboration: model merging through graph analysis and transformation. Automation in Construction. 2023;155:105063. doi: 10.1016/j.autcon.2023.105063 EDN: ISPRGE
  24. Salama T, Voghel D. Highway sign support analysis utilizing field testing and finite element modeling. HBRC Journal. 2025;21(1):404-421. doi: 10.1080/16874048.2025.2509464 EDN: OLTTGV
  25. Krioni IN. BIM models quality assurance in computer-aided design using IFC data standard. Information and Economic Aspects of Standardization and Technical Regulation. 2025;(4(85)):56–63. (In Russ.). EDN: UHVJJU
  26. Polianskyi K, Ivanyk Y, Shelkova I, Loktionov A, Udovenko I. The cutting-edge approaches in construction: digital solutions and automated processes. European Journal of Sustainable Development. 2026;15(1):409-431. doi: 10.14207/ejsd.2026.v15n1p409 EDN: WAHKTK

Supplementary files

Supplementary Files
Action
1. JATS XML
Download
2. Fig. 1. Target scheme for natural-language control of a parametric design model Abbreviations: RAG, retrieval-augmented generation; CAD-IR, intermediate representation of a CAD model; DSL, domain-specific language; VLM, vision-language model; GNN, graph neural network; B-Rep, boundary representation; API, application programming interface; HITL, human-in-the-loop

Download (408KB)
Indexing metadata
3. Рис. 2. Экспериментальная редактируемая модель знака индивидуального проектирования со схематическим обозначением параметров, подлежащих формализации

Download (88KB)
Indexing metadata
4. Fig. 3. Control example of a multicomponent FreeCAD model of a category II road fragment

Download (364KB)
Indexing metadata
5. Fig. 4. Algorithm for further development of the method of natural-language control of parametric design

Download (179KB)
Indexing metadata

Copyright (c) 2026 Kotov A.A.

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

link to the archive of the previous title