赋能缘木求鱼，MIT推出最大开源车辆设计数据集

AI大潮之中，卡车行业何时有专用数据集？

AI首先需要学习的材料，而汽车行业是个充满数据保护壁垒的行业。该数据集可用来训练人工智能模型，解决了无源之水的问题。         

2024年12月5日卡车技术前线消息，据麻省理工学院新闻。麻省理工学院(MIT)的工程师开发了目前最大的汽车设计开源数据集，包括其空气动力学，可以加快环保汽车和电动汽车的设计。                  

九辆车组成的网格。每辆车都是彩虹色的，显示了它们的“表面场”。保险杠是红色的，而车顶是蓝色和绿色的。

汽车设计是一个迭代和专有的过程。汽车制造商可能在汽车的设计阶段花费数年时间，在构建最有前景的物理测试设计之前，在模拟中调整3D形式。这些测试的细节和规格，包括给定汽车设计的空气动力学，通常不会公开。因此，性能方面的重大进步，如燃油效率或电动汽车续航里程，可能会很慢，而且会在不同公司之间形成孤立。    

麻省理工学院的工程师表示，使用生成性AI人工智能工具，可以在几秒钟内浏览大量数据并找到连接以生成新颖的设计，从而成倍地加快寻找更好的汽车设计的速度。虽然存在这样的人工智能工具，但它们需要学习的数据还不可用，至少是以任何可访问的集中形式。

但现在，工程师们首次向公众提供了这样一个数据集。该数据集名为DrivAerNet++，包含8000多种汽车设计，这些设计是工程师根据当今世界上最常见的汽车类型生成的。每个设计都以3D形式表示，并包括有关汽车空气动力学的信息——基于该小组对每个设计进行的流体动力学模拟，空气在给定设计周围的流动方式。

图片来源：Mohamed Elrefaie

在一个包含8000多种汽车设计的新数据集中，麻省理工学院的工程师模拟了给定汽车形状的空气动力学，他们以各种方式表示，包括“表面场”（左）和“流线”（右）。

数据集的8000个3D汽车设计中的每一个都有几种表示形式，如参数化、点云、3D网格、体积场、曲面场、流线和零件注释。因此，该数据集可供不同的人工智能模型使用，这些模型经过调整，可以以特定的方式处理数据。

DrivAerNet++是迄今为止开发的最大的汽车空气动力学开源数据集。工程师们设想它将被用作一个广泛的现实汽车设计库，其中包含详细的空气动力学数据，可用于快速训练任何人工智能模型。然后，这些模型可以同样快速地产生新颖的设计，从而有可能在当今汽车行业所需时间的一小部分内，生产出更省油的汽车和续航里程更长的电动汽车。    

Dataset Annotations

麻省理工学院机械工程研究生Mohamed Elrefaie表示：“该数据集为下一代人工智能在工程中的应用奠定了基础，促进了高效的设计流程，降低了研发成本，并推动了汽车未来的可持续发展。”。Elrefaie和他的同事将在12月的NeurIPS会议上发表一篇论文，详细介绍新的数据集以及可以应用于它的人工智能方法。

Ahmed领导着麻省理工学院的设计计算和数字工程实验室（DeCoDE），他的团队探索了如何使用人工智能和机器学习工具来增强复杂工程系统和产品的设计，包括汽车技术。

在研究新车设计过程时，研究人员发现，虽然有人工智能模型可以通过许多汽车设计来生成最佳设计，但实际可用的汽车数据是有限的。一些研究人员之前已经组装了模拟汽车设计的小型数据集，而汽车制造商很少发布他们探索、测试和最终制造的实际设计的规格。

该团队试图填补数据空白，特别是在汽车的空气动力学方面，这在设定电动汽车的续航里程和内燃机的燃油效率方面起着关键作用。他们意识到，挑战在于完成一个包含数千种汽车设计的数据集，每种设计在功能和形式上都是精确的，而无需进行物理测试和测量其性能。

为了建立一个汽车设计数据集，对其空气动力学进行物理精确的表示，研究人员从奥迪和宝马在2014年提供的几个基线3D模型开始。基线模型被认为弥合了简单设计和更复杂的专有设计之间的差距，并被其他团体用作探索新车设计的起点。

研究团队对每个基线汽车模型应用了变形操作。该操作系统地对给定汽车设计中的26个参数中的每一个进行了轻微更改，例如其长度、车身底部特征、挡风玻璃坡度和车轮踏面，然后将其标记为不同的汽车设计，然后添加到不断增长的数据集中。同时，该团队运行了一个优化算法，以确保每个新设计确实是不同的，而不是已经生成的设计的副本。然后，他们将每个3D设计转换为不同的形式，这样给定的设计就可以表示为网格、点云或尺寸和规格列表。    

DrivAerNet++数据集生成的设计参数。选择了几个对空气动力学有重大影响的几何参数，并在特定范围内进行了调整。选择这些参数范围是为了避免难以制造或不美观的值。

DrivAerNet++涵盖了所有传统汽车设计。该数据集包括各种车身底部和车轮设计，以表示内燃机（ICE）和电动汽车（EV）。这种广泛的覆盖范围允许对几何变化对空气动力学性能的影响进行全面研究。DrivAerNet++通过包含一组不同的汽车形状，促进了对不同车型空气动力学效应的探索，支持学术研究和工业应用。

研究人员还进行了复杂的计算流体动力学模拟，以计算空气如何在每个生成的汽车设计周围流动。最终，这项工作产生了8000多种不同的、物理上精确的3D汽车形状，涵盖了当今道路上最常见的乘用车类型。    

为了生成这个全面的数据集，研究人员使用MIT SuperCloud花费了300多万个CPU小时，并生成了39TB的数据。（相比之下，据估计，美国国会图书馆的整个印刷馆藏将达到约10TB的数据。）

工程师们表示，研究人员现在可以使用该数据集来训练特定的人工智能模型。例如，人工智能模型可以在数据集的一部分上进行训练，以学习具有某些理想空气动力学的汽车配置。在几秒钟内，该模型可以根据从数据集的数千个物理上精确的设计中学到的知识，生成具有优化空气动力学的新车设计。

研究人员表示，该数据集也可用于反向目标。例如，在数据集上训练了一个人工智能模型后，设计师可以给模型提供一个特定的汽车设计，并让它快速估计设计的空气动力学，然后可以用来计算汽车的潜在燃油效率或电动里程——所有这些都不需要对实体汽车进行昂贵的建造和测试。

这项工作部分得到了德国学术交流服务中心和麻省理工学院机械工程系的支持。