用于汽车形状设计的系统和方法技术方案

本公开提供了“用于汽车形状设计的系统和方法”。用于通过结合计算流体动力学(CFD)和生成式对抗网络(GAN)进行汽车形状设计的系统和方法。可执行CFD模拟以确定空气动力学性质并识别一组候选车辆轮廓形状。车辆轮廓形状可被提供为生成式对抗网络(GAN)的输入，所述生成式对抗网络被训练以学习对车辆属性的美学偏好。所述GAN可用于基于所述车辆轮廓形状来确定一组车辆属性。所述GAN可用于生成具有所述车辆形状轮廓的逼真图像，并填充给定轮廓的附加美学样式，诸如不同的颜色、照明、视觉外观、车轮设计、纵横比等。纵横比等。纵横比等。

【技术实现步骤摘要】
用于汽车形状设计的系统和方法


[0001]本公开涉及用于工业形状设计的系统和方法。

技术介绍

[0002]汽车形状设计是具有挑战性的问题，因为它涉及几个不同研究领域的汇合。例如，汽车形状设计可能涉及工程和美学考虑因素。这需要多领域方法来进行下一代汽车的设计和开发。例如，在空气动力学形状优化中使用计算流体动力学(CFD)以降低汽车的空气动力阻力系数，使得车辆的形状是流线型的。这允许改善能量使用
‑
无论是柴油/汽油车辆的燃料消耗还是电动车辆的电池使用
‑
因为减小了空气动力阻力。同样，汽车的美学样式也很关键，因为它对客户具有更好的销售价值。例如，运动型汽车的形状对年轻的客户具有吸引力，而轿车对另一群体的客户具有更好的吸引力；或皮卡车对又一个客户群体具有吸引力。具有最佳性能相关空气动力学形状的车辆可能无法满足客户的美学期望。同样，在外观上吸引客户的车辆可能不具有具有低阻力系数的空气动力学形状。因此，有必要将空气动力学和美学结合到设计过程中，以便可利用两种方法中的最佳方法来设计汽车。
[0003]传统上，汽车由不同的工程师组设计，不同的方面由不同的设计师组解决。例如，CFD工程师优化汽车的外部形状以满足较低的阻力要求。同时，一旦形状最终确定，车身轮廓设计工程师就解决汽车的美学/样式外观。汽车设计的两个不同方面的这种分离是不期望的，因为具有最佳空气动力学形状的汽车不需要对客户具有最佳吸引力，反之亦然。因此，需要改进汽车或工业形状设计的领域。

技术实现思路

[0004]工业形状设计可涵盖汽车、飞机等的各种零件的设计。虽然下面更详细地描述的各种实施例将参考汽车形状设计，但是应理解，此类技术可适用于其他类型的设计，包括但不限于飞机形状设计、无人机形状设计和其他此类工业背景。
[0005]传统上，汽车由不同的工程师组设计，其中不同的方面由不同的设计师组解决。例如，计算流体动力学(CFD)工程师优化汽车的外部形状以满足较低的阻力要求。同时，一旦形状最终确定，车身轮廓设计工程师就会解决汽车的美学/样式外观。汽车设计的两个不同方面的这种分离是不理想的，因为具有最佳空气动力学形状的汽车不需要对客户具有最佳吸引力，反之亦然。本文下面描述的技术可用于通过结合空气动力学考虑因素和美学考虑因素两者来解决此类不同的设计方面。
[0006]在本公开的范围内设想的第一实施例中，先验地使用计算流体动力学(CFD)来获得具有低空气动力阻力系数的汽车的一组候选形状。然后将它们作为输入提供给预训练的条件式生成式对抗网络(GAN)，以输出具有高客户吸引力和美学样式的汽车的逼真的图像以获得优化的形状。另外，考虑到CFD优化的形状，GAN还可能涉及使用不同的输入隐藏噪声向量来产生样式的不同逼真的图像。这些附加的输入参数可用于向用户提供逼真的图像，其中可定制车轮设计、汽车形状纵横比等。
[0007]在本公开的范围内设想的第二实施例中，上述过程被有效地反转
‑
使用预训练的生成式对抗网络(GAN)来输出具有美学样式、车轮设计、汽车形状、纵横比等的车辆形状，所述车辆形状被推断为对客户具有高美学吸引力。将输出的轮廓形状馈送到计算流体动力学(CFD)求解器中以估计空气动力阻力系数。可针对候选形状计算阻力系数，并且仅那些阻力系数低于特定阈值的形状前进到设计和开发过程的下一步骤。
[0008]因此，通过结合使用计算流体动力学(CFD)和生成式对抗网络(GAN)技术，可实施允许探索大设计空间以选择满足多个竞争目标(诸如空气动力学考虑因素和美学考虑因素)的最佳设计的发现环境。
附图说明
[0009]关于附图阐述了具体实施方式。使用相同的附图标记可指示相似或相同的项。各种实施例可利用除了在附图中示出的元件和/或部件之外的元件和/或部件，并且一些元件和/或部件可能不存在于各种实施例中。附图中的元件和/或部件不一定按比例绘制。贯穿本公开，根据上下文，单数术语和复数术语可能可互换地使用。
[0010]图1示出了根据至少一个实施例的可实践计算流体动力学(CFD)技术的图示。
[0011]图2示出了根据至少一个实施例的可实践生成式对抗网络(GAN)技术的图示。
[0012]图3示出了根据本公开的至少一个实施例的生成式对抗网络(GAN)架构的图示。
[0013]图4描绘了根据至少一个实施例的可被构造以识别最佳形状的帕累托前沿的图示。
[0014]图5描绘了根据本公开的至少一个实施例的设计过程的说明性流程图。
[0015]图6示出了根据本公开的一个或多个示例性实施例的用于多领域的车辆设计的过程的说明性示例。
[0016]图7示出了根据本公开的一个或多个示例性实施例的用于多领域的车辆设计的过程的说明性示例。
[0017]图8说明可在其上执行本文论述的技术(例如，方法)中的任何一者或多者的机器或系统的示例的框图。
具体实施方式
[0018]在至少一个实施例中，设计了结合计算流体动力学(CFD)和计算机视觉的用于设计下一代汽车、飞机等的多领域系统和方法。根据至少一个实施例，总体方法包括两步过程。
[0019]图1示出了根据至少一个实施例的可实践计算流体动力学(CFD)技术的图示100。在至少一个实施例中，在汽车形状设计过程的第一步骤中，考虑不同的外部侧视汽车形状。不同的形状可以是现有汽车形状的修改，并且使用CFD从模拟种获得空气动力阻力系数。这些不同的形状可被称为“候选形状”，并且可指汽车的特定部分、作为整体的汽车等。进行雷诺平均奈维尔
‑
斯托克斯(RANS)CFD模拟102以获得再不同流速下给定候选形状104周围的空气动力流场，并且从中评估每个这样的形状的空气动力阻力系数。例如，可考虑车辆上的鲨鱼鳍的不同形状和尺寸以优化空气动力阻力。作为另一个示例，车辆上的外部传感器(例如，激光雷达、摄像头等)可封装在空气动力学流线型的外壳中，使得空气动力阻力最小化，
并且可使用CFD来获得此类外壳的最佳空气动力学形状。此外，可提取性能参数。这些可包括根据车辆负载和速度、道路坡度、环境条件等的能量使用，以向给定形状提供性能标签。
[0020]图2示出了根据至少一个实施例的可实践生成式对抗网络(GAN)技术的图示200。在至少一个实施例中，在第一步骤处(例如，使用CFD)获得汽车的轮廓形状，并且在汽车形状设计过程的第二步骤处，将轮廓形状作为输入202提供给预训练的生成式对抗网络(GAN)。预训练的GAN 204可接收一组输入参数，所述输入参数至少包括形状轮廓，诸如已经在第一步骤期间被确定为具有某些有利的空气动力学性质的汽车形状的轮廓。GAN的输出206可以是由GAN产生的一组输出参数，所述输出参数对应于给定形状的不同美学样式，诸如不同的颜色、照明、视觉外观、车轮设计、纵横比等，所有这些都根据输入的外部形状构造而成。例如，本文描述的GAN可使用基于样式GAN的模型来实施，如T.Karras、S.Laine和T.Aila本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种系统，其包括：一个或多个处理器；以及存储器，所述存储器存储可执行指令，作为由所述一个或多个处理器执行的结果，所述可执行指令使所述一个或多个处理器：执行计算流体动力学(CFD)模拟以确定一组车辆轮廓形状，其中所述CFD模拟用于确定所述一组车辆轮廓形状的一个或多个空气动力学性质；提供所述一组车辆轮廓形状中的第一车辆轮廓形状作为生成式对抗网络(GAN)的输入，所述生成式对抗网络被训练以学习对车辆属性的美学偏好；通过所述GAN并基于所述车辆轮廓形状来确定一组车辆属性；以及由所述GAN并至少部分地基于所述输入来生成车辆的图像，其中在所述图像中描绘的所述车辆具有对应于所述车辆轮廓形状的轮廓并且具有所述一组车辆属性。2.如权利要求1所述的系统，其中所述一组车辆属性至少包括：颜色、形状和车轮设计。3.如权利要求1所述的系统，其中基于由所述CFD模拟确定的空气动力阻力系数来选择所述一组车辆轮廓形状。4.如权利要求1所述的系统，其中所述GAN还被配置为：在第一隐藏空间中接收隐藏代码作为所述输入；基于非线性映射网络在第二隐藏空间中确定中间向量；以及将所述中间向量作为输入提供给基于所述美学偏好合成图像的合成网络的一个或多个仿射变换。5.如权利要求4所述的系统，其中：所述非线性映射网络包括5
‑
10个全连接层；以及所述合成网络包括15
‑
20层。6.如权利要求5所述的系统，其中所述合成网络的每一层包括高斯噪声输入。7.如权利要求1所述的系统，其中所述系统还被配置为：针对所述一组车辆轮廓形状中的每个相应的车辆轮廓形状，确定相应的性能得分和相应的样式得分；以及基于所述一组车辆轮廓形状的所述性能得分和所述样式得分来确定帕...

【专利技术属性】
技术研发人员：考希克，
申请(专利权)人：福特全球技术公司，
类型：发明
国别省市：