Propojení dvou světů (CAD + LLM)

Deterministická pipeline: fyzické měření → SketchUp 2016 → COLLADA (.dae) → sémantický JSON → LLM analýza bez halucinací.

---

Problém - jak zkombinovat moderní LLM s 3D modely “na koleně”

LLM halucinuje při prostorové analýze CAD modelů — a to i když dostane „správný" formát.

Workflow vývoje prošel 4 fázemi:

1. Export 2D + narativní text (obrázek z SketchUpu, jakýkoliv 2D image) → LLM radilo správně, ale na špatném místě. Bez přesných souřadnic jsou rady obecné a nepoužitelné.

2. Export .dae přímo do LLM → LLM rétoricky spokojeno, chválí formát. Analýza přesto halucinuje rozměry a polohy. Stop stav.

3. AI je zde k ničemu, je to lepší celé propočítat ručně - zamítnuto, automatizace je priorita, když to nejde přímo, půjde se na to od lesa

4. Pivot: místo lepšího promptu — deterministický preprocessing skript.

„LLM radí dobře, ale na špatném místě." — přesný popis problému před tímto řešením.

---

Řešení

Vlastní konvertor (skript vyvinutý ve spolupráci/cross validací LLM nástrojů, zejména Claude a CLI Open Code) parsuje COLLADA XML, rekurzivně resolvuje 4×4 transformační matice, převádí palce → mm a generuje strukturovaný JSON.
Talkže LLM dostane čísla v mm s bounding boxy, ne geometrii k interpretaci a halucinacím

Fyzické měření (kovový metr + papír)
    ↓
SketchUp 2016 — každý objekt jako pojmenovaný Component
    ↓
Export .dae (COLLADA)
    ↓
convert_dae_to_json_v3.py   ←── deterministický konvertor (lxml + numpy)
    ↓
mistnost_2_v4.json           ←── 30 nodes, bounding boxy v mm
    ↓
LLM analýza + iterace s uživatelem
    ↓
Nález: chybný osový systém X/Y/Z → korekce v SketchUp → re-export → v4
    ↓
Groq validace: žádné nekonzistence

---

Reálný kontext — proč to vzniklo

Projekt vznikl jako součást Outpost 2026 — off-grid modulárního bydlení vlastní výstavby v Praze (dřevěná konstrukce, solární systém 8S2P LiFePO4 630 Ah). Cílem je přesnější prototypování prostoru v součinnosti s LLM nástroji.

Aktuální scope: Zone 2 — vývojový/obytný uzel, ~450 × 200 cm. Aspirační cíl: celý objekt Outpost (~45 m²).

---

Vývoj konvertoru — jak vznikl v3

Skript vznikl v jednom dni přes tři LLM nástroje (google Gemini je odsunuto do auxiliární, "tvůrčí role")

Krok	Nástroj	Role
Průzkum možností + první handoff JSON	Deepseek	rychlý přehled formátu, proof of concept
v1, v2	Claude Sonnet	funkční, ale vertex-level bounding box nedostatečný
v3	Open Code	v2 jako základ + stejný prompt → 1 iterace = finální verze

Pivot k Open Code byl klíčový: existující kód jako kontext výrazně zkrátil iterační cyklus.

---

Osová korekce — reálný bug, ne feature

Při LLM analýze mistnost_2_v3.json byly identifikovány nekonzistence. Hypotéza uživatele: osový systém X/Y/Z byl chybně nastaven od začátku modelování.

Postup:

1. Uživatel vyslovil hypotézu na základě anomálií ve výstupu
2. Groq navrhl metodiku korekce os v SketchUp
3. Korekce provedena → nový export .dae → konverze přes v3 → mistnost_2_v4.json
4. Groq validace: žádné nekonzistence nalezeny

Toto je hlavní iterační cyklus pipeline v praxi: JSON odhalí chybu modelu, model se opraví, JSON se znovu vygeneruje.

---

Reálná data z mistnost_2_v4.json

Místnost: ~4 500 × 2 000 mm (Outpost Zone 2)

Objekt	Pozice XYZ (mm)	Rozměr (mm)
bed_v1	2495, 0, 0	2000 × 970 × 180
table_main	0, 84, 0	675 × 745 × 665
stove_main	3930, 1480, 0	480 × 380 × 680
worktop_m2	1520, 1760, 745	2260 × 200 × 50
lfp_main_worktop	1620, 1760, 490	2087 × 240 × 35
gokw_lfp	1987, 1760, 0	525 × 240 × 220
HWP_3.2_kW_invertor	1720, 1860, 1075	270 × 100 × 350
lfp_cell (×16)	x: 1700–2777, y: 1828, z: 525	70 × 172 × 205 každý
window_south	4495, 0, 0	– × 1235 × 1780
window_bed	–, 2, 600	1295 × – × 1260
windows_table	285, 2, 545	1325 × – × 1300
Door	50, 2000, 0	1440 × 50 × 1430

---

Co je v repozitáři

sketchup-llm-dae-pipeline/
├── README.md
├── LICENSE                           ← MIT
├── METODIKA_SketchUp_LLM.md          ← replikovatelný postup
├── scripts/
│   └── convert_dae_to_json_v3.py     ← konvertor (lxml + numpy)
└── examples/
    ├── mistnost_2_v4.dae             ← reálný vstup (SketchUp 2016)
    ├── mistnost_2_v4.json            ← reálný výstup (30 nodes, mm)
    └── REPORT_mistnost_2_v3.md       ← reálná LLM analýza výstupu

---

Quickstart

Download konverzní skript

pip install lxml numpy

bash -> python convert_dae_to_json_v3.py examples/mistnost_2_v4.dae output.json

* * *

## Klíčová technická rozhodnutí

| Rozhodnutí | Alternativa (zamítnuta) | Důvod |
| --- | --- | --- |
| Vlastní COLLADA XML parser (`lxml`) | Přímý `.dae` do LLM | LLM halucinuje i na „správném" formátu bez preprocessing |
| Rekurzivní 4×4 matice (`numpy`) | Flat seznam pozic | Správné world-space souřadnice pro zanořené Components |
| Vertex-level bounding box | Pouze transformační matice | Skutečné rozměry objektu, ne jen pivot point |
| Převod palce → mm při parsování | Ponechat native jednotky | SketchUp interně v palcích; LLM pracuje s mm |
| Noise filter (`instance_*`, `skp_camera`) | Parsovat vše | Eliminuje exportní artefakty SketchUpu |
| SketchUp 2016 (lokální) | Cloud CAD | Outpost je off-grid; žádná závislost na připojení |

* * *

## Co tento projekt demonstruje

-   **Selhání jako datový bod** — dvě slepé uličky (2D export, raw DAE) jsou součástí dokumentace, ne skryté
-   **Multi-LLM workflow** — Deepseek pro průzkum, Sonnet pro iteraci, Open Code pro průlom, Groq pro validaci
-   **Architektonické rozhodnutí (lidský mozek)** — kdy přestat psát lepší prompt a postavit preprocessing vrstvu
-   **Iterační korekce** — osový bug byl nalezen analýzou JSON výstupu, ne code review

* * *

## Metodika

Viz [`METODIKA_SketchUp_LLM.md`](METODIKA_SketchUp_LLM.md) — kompletní postup od fyzického měření po validaci výstupu.

* * *

## Licence

MIT — viz [LICENSE](LICENSE)

* * *

*Autor: Ondřej — [outpost2026](https://github.com/outpost2026) · Praha, 2026*