DE102021109588A1 - Method, device, computer program and computer-readable storage medium for determining a design geometry of a vehicle component of a vehicle - Google Patents

Method, device, computer program and computer-readable storage medium for determining a design geometry of a vehicle component of a vehicle Download PDF

Info

Publication number
DE102021109588A1
DE102021109588A1 DE102021109588.3A DE102021109588A DE102021109588A1 DE 102021109588 A1 DE102021109588 A1 DE 102021109588A1 DE 102021109588 A DE102021109588 A DE 102021109588A DE 102021109588 A1 DE102021109588 A1 DE 102021109588A1
Authority
DE
Germany
Prior art keywords
design
vehicle
vehicle component
boundary condition
representative
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102021109588.3A
Other languages
German (de)
Inventor
Daniel Heim
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bayerische Motoren Werke AG
Original Assignee
Bayerische Motoren Werke AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Bayerische Motoren Werke AG filed Critical Bayerische Motoren Werke AG
Priority to DE102021109588.3A priority Critical patent/DE102021109588A1/en
Publication of DE102021109588A1 publication Critical patent/DE102021109588A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model

Abstract

Bei einem Verfahren zum Ermitteln einer Design-Geometrie (210) einer Fahrzeugkomponente eines Fahrzeuges wird eine künstliche Intelligenzeinheit (100) bereitgestellt. Die künstliche Intelligenzeinheit (100) ist dazu ausgebildet, abhängig von einem Eingangstupel, das repräsentativ ist für ein Bild (120), das die Fahrzeugkomponente aufweist, ein Ausgangstupel zu erzeugen, das repräsentativ ist für einen Designkennwert (150), wobei der Designkennwert repräsentativ ist für eine prädizierte ästhetische Bewertung der Fahrzeugkomponente. Eine Optimierungseinheit (200) zum Ermitteln der Design-Geometrie (210) der Fahrzeugkomponente des Fahrzeuges wird bereitgestellt. Die Optimierungseinheit (200) ist dazu ausgebildet, abhängig von einer vorgegebenen Zielfunktion (220) und mehreren vorgegebenen Randbedingungen (230, 240) die Design-Geometrie (210) der Fahrzeugkomponente zu ermitteln. Die Zielfunktion (220) wird vorgegeben. Mittels der Optimierungseinheit (200), der Zielfunktion (220), einer ersten vorgegebenen Randbedingung (230) und der künstlichen Intelligenzeinheit (100) wird die Design-Geometrie (210) iterativ ermittelt.

Figure DE102021109588A1_0000
In a method for determining a design geometry (210) of a vehicle component of a vehicle, an artificial intelligence unit (100) is provided. The artificial intelligence unit (100) is designed to generate an output tuple, which is representative of a design parameter (150), depending on an input tuple that is representative of an image (120) that has the vehicle component, the design parameter being representative for a predicted aesthetic evaluation of the vehicle component. An optimization unit (200) for determining the design geometry (210) of the vehicle component of the vehicle is provided. The optimization unit (200) is designed to determine the design geometry (210) of the vehicle component as a function of a predefined target function (220) and a number of predefined boundary conditions (230, 240). The objective function (220) is specified. The design geometry (210) is determined iteratively by means of the optimization unit (200), the target function (220), a first predetermined boundary condition (230) and the artificial intelligence unit (100).
Figure DE102021109588A1_0000

Description

Die Erfindung betrifft ein Verfahren zum Ermitteln einer Design-Geometrie einer Fahrzeugkomponente eines Fahrzeuges. Die Erfindung betrifft des Weiteren eine Vorrichtung zum Ermitteln einer Design-Geometrie einer Fahrzeugkomponente eines Fahrzeuges. Die Erfindung betrifft des Weiteren ein Computerprogramm und ein computerlesbares Speichermedium zum Ermitteln einer Design-Geometrie einer Fahrzeugkomponente eines Fahrzeuges.The invention relates to a method for determining a design geometry of a vehicle component of a vehicle. The invention also relates to a device for determining a design geometry of a vehicle component of a vehicle. The invention further relates to a computer program and a computer-readable storage medium for determining a design geometry of a vehicle component of a vehicle.

Ästhetische Aspekte werden vorwiegend von Menschen bewertet und besitzen eine anwendungsbezogene Gültigkeit. Im Rahmen einer Entwicklung eines Fahrzeuges wird eine Design-Geometrie eines Fahrzeuges oder einzelner Fahrzeugkomponenten des Fahrzeuges ermittelt.Aesthetic aspects are mainly evaluated by people and have an application-related validity. A design geometry of a vehicle or individual vehicle components of the vehicle is determined as part of the development of a vehicle.

Eine Aufgabe, die der Erfindung zugrunde liegt, ist es, ein Verfahren zu schaffen, das zu einer effizienten und automatisierten Ermittlung einer Design-Geometrie einer Fahrzeugkomponente eines Fahrzeuges beiträgt. Darüber hinaus sollen eine korrespondierende Vorrichtung, ein korrespondierendes Computerprogramm sowie computerlesbares Speichermedium geschaffen werden.An object on which the invention is based is to create a method that contributes to an efficient and automated determination of a design geometry of a vehicle component of a vehicle. In addition, a corresponding device, a corresponding computer program and a computer-readable storage medium are to be created.

Die Aufgabe wird gelöst durch die Merkmale der unabhängigen Patentansprüche. Vorteilhafte Ausgestaltungen sind in den Unteransprüchen gekennzeichnet.The object is solved by the features of the independent patent claims. Advantageous configurations are characterized in the dependent claims.

Gemäß einem ersten Aspekt zeichnet sich die Erfindung aus durch ein Verfahren zum Ermitteln einer Design-Geometrie einer Fahrzeugkomponente eines Fahrzeuges.According to a first aspect, the invention is distinguished by a method for determining a design geometry of a vehicle component of a vehicle.

Gemäß dem ersten Aspekt wird eine künstliche Intelligenzeinheit bereitgestellt. Die künstliche Intelligenzeinheit ist dazu ausgebildet, abhängig von einem Eingangstupel ein Ausgangstupel zu erzeugen. Das Eingangstupel ist repräsentativ für ein Bild, das die Fahrzeugkomponente aufweist. Das Ausgangstupel ist repräsentativ für einen Designkennwert. Der Designkennwert ist repräsentativ für eine prädizierte ästhetische Bewertung der Fahrzeugkomponente. Des Weiteren wird eine Optimierungseinheit zum Ermitteln der Design-Geometrie der Fahrzeugkomponente des Fahrzeuges bereitgestellt. Die Optimierungseinheit ist dazu ausgebildet, abhängig von einer vorgegebenen Zielfunktion und mehreren vorgegebenen Randbedingungen die Design-Geometrie der Fahrzeugkomponente zu ermitteln. Des Weiteren wird die Zielfunktion vorgegeben. Mittels der Optimierungseinheit, der Zielfunktion, einer ersten vorgegebenen Randbedingung und der künstlichen Intelligenzeinheit wird die Design-Geometrie derart iterativ ermittelt, dass

  • - die Optimierungseinheit bei der Ermittlung Bilddaten erzeugt, die repräsentativ sind für ein Bild, das die Fahrzeugkomponente aufweist,
  • - mittels der Bilddaten das Eingangstupel ermittelt wird,
  • - mittels der künstlichen Intelligenzeinheit und dem ermittelten Eingangstupel, das Ausgangstupel erzeugt wird,
  • - die erste Randbedingung abhängig von dem Ausgangstupel ermittelt wird, und
  • - mittels der Optimierungseinheit abhängig von der Zielfunktion und der ersten Randbedingung die Design-Geometrie ermittelt wird.
According to the first aspect, an artificial intelligence unit is provided. The artificial intelligence unit is designed to generate an output tuple as a function of an input tuple. The input tuple is representative of an image comprising the vehicle component. The output tuple is representative of a design metric. The design score is representative of a predicted aesthetic rating of the vehicle component. Furthermore, an optimization unit for determining the design geometry of the vehicle component of the vehicle is provided. The optimization unit is designed to determine the design geometry of the vehicle component as a function of a predefined target function and a number of predefined boundary conditions. Furthermore, the objective function is specified. The design geometry is determined iteratively by means of the optimization unit, the target function, a first predefined boundary condition and the artificial intelligence unit in such a way that
  • - during the determination, the optimization unit generates image data which are representative of an image which has the vehicle component,
  • - the input tuple is determined using the image data,
  • - the output tuple is generated by means of the artificial intelligence unit and the determined input tuple,
  • - the first boundary condition is determined as a function of the output tuple, and
  • - the design geometry is determined by means of the optimization unit depending on the target function and the first boundary condition.

Die Design-Geometrie ist repräsentativ für Konstruktionsdaten der Fahrzeugkomponente, beispielsweise in Form von CAD-Daten (sogenanntes „Computer Aided Design, CAD“).The design geometry is representative of design data for the vehicle component, for example in the form of CAD data (so-called “Computer Aided Design, CAD”).

Die prädizierte ästhetische Bewertung ist insbesondere eine derartige Bewertung der Fahrzeugkomponente durch eine vorgegebene Personengruppe. Die vorgegebene Personengruppe kann eine beliebige Personengruppe umfassen. Beispielsweise ist die vorgegebene Personengruppe repräsentativ für ein oder mehrere Personen

  • - eines vorgegebenen Alters, und/oder
  • - einer vorgegebenen Altersklasse, und/oder
  • - mit einem vorgegebenen Einkommen, und/oder
  • - einer vorgegebenen geographischen Region oder dergleichen.
The predicted aesthetic evaluation is in particular such an evaluation of the vehicle component by a predetermined group of people. The predetermined group of people can include any group of people. For example, the predetermined group of people is representative of one or more people
  • - of a given age, and/or
  • - a given age group, and/or
  • - with a predetermined income, and/or
  • - a given geographic region or the like.

Durch das Verfahren gemäß dem ersten Aspekt ist es möglich, die Design-Geometrie der Fahrzeugkomponente des Fahrzeuges effizient und automatisiert abhängig von dem Designkennwert zu ermitteln. Dieses ist insbesondere vorteilhaft gegenüber einem Verfahren, bei dem die Design-Geometrie abhängig von einer vorgegebenen Nutzereingabe, die repräsentativ ist für eine manuelle ästhetische Bewertung, durch einen Fahrzeugdesigningenieur, ermittelt wird. Beispielsweise erfordert ein derartiges Verfahren eine höhere Anzahl iterativer Entwicklungsschritte, wodurch ein Kosten- und/oder ein Zeitaufwand und/oder ein Rechenaufwand deutlich erhöht werden.The method according to the first aspect makes it possible to determine the design geometry of the vehicle component of the vehicle efficiently and automatically as a function of the design parameter. This is particularly advantageous over a method in which the design geometry is determined by a vehicle design engineer as a function of a predetermined user input, which is representative of a manual aesthetic evaluation. For example, such a method requires a higher number of iterative development steps, as a result of which costs and/or time and/or computing effort are significantly increased.

Gemäß dem ersten Aspekt wird eine designautomatisierte Erzeugung und Entwicklung der Design-Geometrie ermöglicht.According to the first aspect, a design-automated generation and development of the design geometry is made possible.

Das Fahrzeug kann ein beliebiges Fahrzeug sein. Beispielsweise ist das Fahrzeug ein ein- oder mehrspuriges Kraftfahrzeug (z.B. PKW, LKW, Transporter, Motorrad). Alternativ kann das Fahrzeug ein Luftfahrzeug oder ein Wasserfahrzeug sein, wobei das Verfahren auf Luftfahrzeuge bzw. Wasserfahrzeuge sinngemäß angewendet wird.The vehicle can be any vehicle. For example, the vehicle is a one or multi-track motor vehicle (e.g. car, truck, van, motorcycle). Alternatively, the vehicle can be an aircraft or a watercraft, with the method being applied analogously to aircraft or watercraft.

Die Fahrzeugkomponente kann eine beliebige Fahrzeugkomponente des Fahrzeuges sein. Beispielsweise ist die Fahrzeugkomponente repräsentativ für eine Interieur-Fahrzeugkomponente und/oder für eine Exterieur-Fahrzeugkomponente und/oder ein gesamtes Fahrzeug und/oder eine Kombination ein oder mehrerer Fahrzeugkomponenten oder dergleichen.The vehicle component can be any vehicle component of the vehicle. For example, the vehicle component is representative of an interior vehicle component and/or an exterior vehicle component and/or an entire vehicle and/or a combination of one or more vehicle components or the like.

Das Eingangstupel umfasst insbesondere erste Eingangstupelelemente, die jeweils repräsentativ sind für jeweilige Pixel des Bildes, das die Fahrzeugkomponente aufweist.In particular, the input tuple includes first input tuple elements each representative of respective pixels of the image comprising the vehicle component.

Beispielsweise wird die Design-Geometrie abhängig von einem oder mehreren mathematischen Optimierungsverfahren, das bzw. die zur Optimierung der Fahrzeugkomponente gemäß der Zielfunktion und abhängig von den vorgegebenen Randbedingungen geeignet sind, durch die Optimierungseinheit (iterativ) ermittelt.For example, the design geometry is (iteratively) determined by the optimization unit depending on one or more mathematical optimization methods that are suitable for optimizing the vehicle component according to the target function and depending on the specified boundary conditions.

Die derartige Ermittlung der Design-Geometrie kann auch als sogenannte Optimierung bezeichnet werden. Beispielsweise ist die Zielfunktion eine mechanische Zielfunktion und/oder eine aerodynamische Zielfunktion oder dergleichen, die optimiert oder minimiert oder maximiert wird bei der Ermittlung der Design-Geometrie. Beispielsweise ist die Zielfunktion repräsentativ dafür, dass die Design-Geometrie derart ermittelt werden soll, dass ein Strömungswiderstandskoeffizient (sogenannter „cw-Wert“) der Fahrzeugkomponente und/oder des Fahrzeuges minimiert wird.Determining the design geometry in this way can also be referred to as so-called optimization. For example, the target function is a mechanical target function and/or an aerodynamic target function or the like, which is optimized or minimized or maximized when determining the design geometry. For example, the target function is representative of the fact that the design geometry is to be determined in such a way that a flow resistance coefficient (so-called “cd value”) of the vehicle component and/or the vehicle is minimized.

Beispielsweise ist der Designkennwert repräsentativ für einen Vektor, wobei das Ausgangstupel erste Ausgangstupelelemente umfasst. Die Ausgangstupelelemente sind jeweils repräsentativ für jeweilige Komponenten des Vektors und können beispielsweise vom Datentyp „integer“ oder „float“ oder dergleichen sein. Beispielsweise ist der Designkennwert repräsentativ für eine Zahl mit einem Wert zwischen 0 und 1, wobei eine bessere ästhetische Bewertung durch die Personengruppe durch einen höheren Designkennwert ausgezeichnet ist.For example, the design metric is representative of a vector where the output tuple includes first output tuple elements. The output tuple elements are each representative of the respective components of the vector and can, for example, be of the “integer” or “float” data type or the like. For example, the design score is representative of a number with a value between 0 and 1, with a better aesthetic evaluation by the group of people being characterized by a higher design score.

Menschen, beispielsweise die vorgegebene Personengruppe, finden besondere Formen und Proportionen ästhetisch schön. Diese Empfindung kann mittels dem Designkennwert automatisiert in einer Kennzahl verfügbar gemacht werden, sowie diese zur Ermittlung der Design-Geometrie genutzt werden.People, for example the given group of people, find special shapes and proportions aesthetically beautiful. This perception can be automatically made available in a key figure using the design parameter, and this can be used to determine the design geometry.

Beispielsweise besitzt der Designkennwert eine spezifische anwendungsbezogene Gültigkeit, z.B. nur für Automotive und/oder nur bezüglich der vorgegebenen Personengruppe.For example, the design parameter has a specific application-related validity, e.g. only for automotive and/or only with regard to the specified group of people.

Beispielsweise sind die Bilddaten repräsentativ für ein gerendertes Bild der Fahrzeugkomponente und/oder des Fahrzeuges.For example, the image data is representative of a rendered image of the vehicle component and/or the vehicle.

Beispielsweise wird die erste Randbedingung abhängig von dem Ausgangstupel derart ermittelt, um zu einem erhöhten Designkennwert beizutragen. Beispielsweise soll der Designkennwert maximiert werden und/oder einen vorgegebenen Minimalwert nicht unterschreiten oder dergleichen.For example, the first constraint is determined as a function of the output tuple in such a way as to contribute to an increased design characteristic. For example, the design characteristic should be maximized and/or should not fall below a specified minimum value or the like.

Gemäß einer optionalen Ausgestaltung des ersten Aspekts wird eine zweite vorgegebene Randbedingung der Optimierungseinheit bereitgestellt. Die zweite Randbedingung umfasst eine physikalische Randbedingung. Zusätzlich oder alternativ umfasst die zweite Randbedingung eine mechanische Randbedingung. Zusätzlich oder alternativ umfasst die zweite Randbedingung eine aerodynamische Randbedingung. Bei dem Ermitteln der Design-Geometrie wird die zweite vorgegebene Randbedingung zusätzlich verwendet.According to an optional refinement of the first aspect, a second predefined boundary condition is provided for the optimization unit. The second constraint includes a physical constraint. Additionally or alternatively, the second boundary condition includes a mechanical boundary condition. Additionally or alternatively, the second constraint includes an aerodynamic constraint. The second predefined boundary condition is also used when determining the design geometry.

Beispielsweise wird mittels der Optimierungseinheit, der Zielfunktion, der ersten vorgegebenen Randbedingung, der zweiten vorgegebenen Randbedingung und der künstlichen Intelligenzeinheit die Design-Geometrie iterativ ermittelt.For example, the design geometry is determined iteratively using the optimization unit, the target function, the first predefined boundary condition, the second predefined boundary condition and the artificial intelligence unit.

Hierdurch ist es möglich, die Design-Geometrie der Fahrzeugkomponente des Fahrzeuges effizient und automatisiert abhängig von dem Designkennwert und den vorgegebenen Randbedingungen zu ermitteln.This makes it possible to determine the design geometry of the vehicle component of the vehicle efficiently and automatically as a function of the design parameter and the specified boundary conditions.

Gemäß einer weiteren optionalen Ausgestaltung des ersten Aspekts umfasst die künstliche Intelligenzeinheit ein erstes neuronales Netz. Das erste neuronale Netz ist abhängig von Vortrainingsdaten vortrainiert.According to a further optional refinement of the first aspect, the artificial intelligence unit includes a first neural network. The first neural network is pre-trained depending on pre-training data.

Beispielsweise umfasst das Vortraining ein Training und/oder eine Validierung und/oder ein Testen des ersten neuronalen Netzes, wobei die Vortrainingsdaten entsprechend aufgeteilt werden können.For example, the pre-training includes training and/or validation and/or testing of the first neural network, it being possible for the pre-training data to be divided accordingly.

Hierdurch ist es möglich, den Designkennwert effizient und automatisiert abhängig von dem Bild zu erzeugen.This makes it possible to generate the design characteristic efficiently and automatically as a function of the image.

Das erste neuronale Netz kann ein beliebiges neuronales Netz sein.The first neural network can be any neural network.

Beispielsweise umfasst das erste neuronale Netz eine Eingangsschicht, eine Ausgangsschicht, sowie ein oder mehrere zwischen der Eingangsschicht und der Ausgangsschicht angeordnete verdeckte Schichten. Beispielsweise wird eine Anzahl von Knoten der Eingangsschicht abhängig von einer Anzahl der Eingangstupelelemente vorgegeben. Beispielsweise wird eine Anzahl von Knoten der Ausgangsschicht abhängig von einer Anzahl der Ausgangstupelelemente vorgegeben.For example, the first neural network includes an input layer, an output layer, and one or more buried layers disposed between the input layer and the output layer. For example, a number of nodes of the input layer is specified as a function of a number of input tuple elements. For example, a number of nodes of the output layer is specified as a function of a number of output tuple elements.

Gemäß einer weiteren optionalen Ausgestaltung des ersten Aspekts wird das erste neuronale Netz nach Ablauf eines vorgegebenen Zeitraums adaptiv weitertrainiert.According to a further optional refinement of the first aspect, the first neural network is trained further adaptively after a predetermined period of time has elapsed.

Hierdurch ist es möglich, die Erzeugung des Designkennwertes abhängig von einer zeitlichen Änderung der ästhetischen Bewertung der Fahrzeugkomponente entsprechend anzupassen. Beispielsweise ist die durch die Personengruppe vorgegebene ästhetische Bewertung nicht statisch, sondern zeitlich veränderbar, da sich eine Präferenz bezüglich des Designs der Fahrzeitkomponente stetig weiterentwickelt.This makes it possible to correspondingly adapt the generation of the design parameter as a function of a change over time in the aesthetic evaluation of the vehicle component. For example, the aesthetic rating given by the group of people is not static, but can change over time, since a preference regarding the design of the travel time component is constantly evolving.

Der erste vorgegebene Zeitraum kann ein beliebiger Zeitraum sein, beispielsweise ein Monat, mehrere Monate, ein Jahr oder mehrere Jahre oder dergleichen.The first predetermined time period can be any time period, such as a month, several months, a year or several years, or the like.

Gemäß einer weiteren optionalen Ausgestaltung des ersten Aspekts umfassen die Vortrainingsdaten Bilder einer Vielzahl von Fahrzeugen und entsprechende den Bildern zugeordnete vorgegebene Designkennwerte.According to a further optional refinement of the first aspect, the pre-training data includes images of a multiplicity of vehicles and corresponding predefined design parameters assigned to the images.

Hierdurch ist es möglich, das erste neuronale Netz effektiv vor zu trainieren. Durch das Verwenden der Vielzahl von Bildern, ist es möglich, einen Beitrag zur Generalisierung durch das erste neuronale Netz beizutragen.This makes it possible to effectively pre-train the first neural network. By using the plurality of images, it is possible to contribute to the generalization by the first neural network.

Beispielsweise umfassen die Bilder der Vielzahl von Fahrzeugen eine Vielzahl unterschiedlicher Perspektiven und/oder Ansichten der Fahrzeugkomponente und/oder des Fahrzeuges.For example, the images of the plurality of vehicles include a plurality of different perspectives and/or views of the vehicle component and/or the vehicle.

Beispielsweise erfolgt die Zuordnung der vorgegebenen Designkennwerte durch einen Fahrzeugdesigningenieur.For example, the predetermined design parameters are assigned by a vehicle design engineer.

Gemäß einer weiteren optionalen Ausgestaltung des ersten Aspekts umfasst die Optimierungseinheit ein zweites neuronales Netz. Zusätzlich oder alternativ wird die Design-Geometrie abhängig von einem gradientenbasierten Optimierungsverfahren ermittelt.According to a further optional refinement of the first aspect, the optimization unit includes a second neural network. Additionally or alternatively, the design geometry is determined depending on a gradient-based optimization method.

Hierdurch ist es möglich, die Design-Geometrie effizient und automatisiert abhängig von der Optimierungseinheit zu ermitteln.This makes it possible to determine the design geometry efficiently and automatically depending on the optimization unit.

Das zweite neuronale Netz kann ein beliebiges neuronales Netz sein. Beispielsweise ist das zweite neuronale Netz entsprechend vortrainiert.The second neural network can be any neural network. For example, the second neural network is pre-trained accordingly.

Gemäß einer weiteren optionalen Ausgestaltung des ersten Aspekts ist das Eingangstupel repräsentativ für einen oder mehrere demographische Faktoren.According to a further optional refinement of the first aspect, the input tuple is representative of one or more demographic factors.

Die demographischen Faktoren beziehen sich insbesondere auf die vorgegebene Personengruppe. Beispielsweise sind die demographischen Faktoren repräsentativ für

  • - das vorgegebene Alter, und/oder
  • - die vorgegebene Altersklasse, und/oder
  • - das vorgegebene Einkommen, und/oder
  • - die vorgegebenen geographischen Region oder dergleichen.
The demographic factors relate in particular to the given group of people. For example, the demographic factors are representative of
  • - the given age, and/or
  • - the given age group, and/or
  • - the predetermined income, and/or
  • - the given geographic region or the like.

Hierdurch ist es möglich, die künstliche Intelligenzeinheit derart vorzutrainieren, dass die, durch den Designkennwert repräsentierte, ästhetische Bewertung abhängig von den demographischen Faktoren prädiziert wird. Dadurch kann in weiterer Folge die Design-Geometrie entsprechend erzeugt werden.This makes it possible to pre-train the artificial intelligence unit in such a way that the aesthetic evaluation represented by the design parameter is predicted as a function of the demographic factors. As a result, the design geometry can subsequently be generated accordingly.

Beispielsweise wird die Anzahl der Knoten der Eingangsschicht abhängig von der Anzahl der Eingangstupelelemente und einer Anzahl der demographischen Faktoren vorgegeben.For example, the number of nodes of the input layer is predetermined depending on the number of input tuple elements and a number of demographic factors.

Gemäß einem zweiten Aspekt zeichnet sich die Erfindung aus durch eine Vorrichtung zum Ermitteln einer Design-Geometrie einer Fahrzeugkomponente eines Fahrzeuges. Die Vorrichtung ist dazu ausgebildet, das Verfahren zum Ermitteln einer Design-Geometrie einer Fahrzeugkomponente eines Fahrzeuges gemäß dem ersten Aspekt durchzuführen.According to a second aspect, the invention is distinguished by a device for determining a design geometry of a vehicle component of a vehicle. The device is designed to carry out the method for determining a design geometry of a vehicle component of a vehicle according to the first aspect.

Gemäß einem dritten Aspekt zeichnet sich die Erfindung aus durch ein Computerprogramm, wobei das Computerprogramm Anweisungen umfasst, die, wenn das Computerprogramm von einem Computer ausgeführt wird, den Computer dazu veranlassen das Verfahren zum Ermitteln einer Design-Geometrie einer Fahrzeugkomponente eines Fahrzeuges gemäß dem ersten Aspekt durchzuführen.According to a third aspect, the invention is characterized by a computer program, the computer program comprising instructions which, when the computer program is executed by a computer, cause the computer to perform the method for determining a design geometry of a vehicle component of a vehicle according to the first aspect to perform.

Gemäß einem vierten Aspekt zeichnet sich die Erfindung aus durch ein computerlesbares Speichermedium, auf dem das Computerprogramm gemäß dem dritten Aspekt gespeichert ist.According to a fourth aspect, the invention is distinguished by a computer-readable storage medium on which the computer program according to the third aspect is stored.

Optionale Ausgestaltungen des ersten Aspekts können auch entsprechend bei den weiteren Aspekten vorhanden sein und entsprechende Wirkungen aufweisen.Optional configurations of the first aspect can also be used accordingly in the other aspects are present and have corresponding effects.

Ausführungsbeispiele der Erfindung sind im Folgenden anhand der schematischen Zeichnungen näher erläutert.Exemplary embodiments of the invention are explained in more detail below with reference to the schematic drawings.

Es zeigen:

  • 1 eine schematische Zeichnung einer künstlichen Intelligenzeinheit,
  • 2 eine schematische Zeichnung von Vortrainingsdaten,
  • 3 eine schematische Zeichnung eines verteilten Systems, und
  • 4 ein Ablaufdiagramm eines Programms zum Ermitteln einer Design-Geometrie einer Fahrzeugkomponente eines Fahrzeuges.
Show it:
  • 1 a schematic drawing of an artificial intelligence unit,
  • 2 a schematic drawing of pre-training data,
  • 3 a schematic drawing of a distributed system, and
  • 4 a flow chart of a program for determining a design geometry of a vehicle component of a vehicle.

Elemente gleicher Konstruktion oder Funktion sind figurenübergreifend mit den gleichen Bezugszeichen gekennzeichnet.Elements of the same construction or function are identified with the same reference symbols across the figures.

Die 1 zeigt eine schematische Zeichnung einer künstlichen Intelligenzeinheit 100. Die künstliche Intelligenzeinheit 100 ist dazu ausgebildet, abhängig von einem Eingangstupel 110 ein Ausgangstupel 130 zu erzeugen. Das Eingangstupel ist repräsentativ für ein Bild 120, das eine Fahrzeugkomponente aufweist. Das Ausgangstupel 130 ist repräsentativ für einen Designkennwert 150. Der Designkennwert 150 ist repräsentativ für eine prädizierte ästhetische Bewertung der Fahrzeugkomponente.the 1 shows a schematic drawing of an artificial intelligence unit 100. The artificial intelligence unit 100 is designed to generate an output tuple 130 depending on an input tuple 110. FIG. The input tuple is representative of an image 120 that includes a vehicle component. The output tuple 130 is representative of a design metric 150. The design metric 150 is representative of a predicted aesthetic rating of the vehicle component.

Die künstliche Intelligenzeinheit 100 umfasst ein erstes neuronales Netz mit einer Eingangsschicht 110, einer Ausgangsschicht 130, sowie ein oder mehrere zwischen der Eingangsschicht 110 und der Ausgangsschicht 130 angeordnete verdeckte Schichten 140. Zwischen den Schichten weist das erste neuronale Netz entsprechende gewichtete Verbindungen 113 auf. Die Eingangsschicht 110 kann auch als Eingangstupel 110 bezeichnet werden. Die Ausgangsschicht 130 kann auch als Ausgangstupel 130 bezeichnet werden.The artificial intelligence unit 100 comprises a first neural network with an input layer 110, an output layer 130 and one or more hidden layers 140 arranged between the input layer 110 and the output layer 130. The first neural network has corresponding weighted connections 113 between the layers. The input layer 110 can also be referred to as an input tuple 110 . The output layer 130 can also be referred to as an output tuple 130 .

Das Eingangstupel 110 weist mehrere Eingangstupelelemente auf, beispielsweise ein erstes Eingangstupelelement 111, das repräsentativ ist für ein erstes Pixel des Bildes 120, ein zweites Eingangstupelelement 112, das repräsentativ ist für ein zweites Pixel des Bildes 120, usw.The input tuple 110 has a plurality of input tuple elements, e.g.

Das Ausgangstupel 130 weist ein Ausgangstupelelement 131 auf, das repräsentativ ist für den Designkennwert 150 mit einem Wert 0,72. Beispielsweise ist das erste neuronale Netz derart vortrainiert, dass der ermittelte Designkennwert 150 Werte von 0 bis 1 annehmen kann.The output tuple 130 has an output tuple element 131 representative of the design score 150 with a value of 0.72. For example, the first neural network is pre-trained in such a way that the determined design parameter 150 can assume values from 0 to 1.

Die 2 zeigt eine schematische Zeichnung von Vortrainingsdaten 160. Die Vortrainingsdaten 160 umfassen Bilder 121, 122, 123, 124 einer Vielzahl von Fahrzeugen und entsprechende den Bildern 121-124 zugeordnete vorgegebene Designkennwerte 151, 152, 153, 154.the 2 shows a schematic drawing of pre-training data 160. The pre-training data 160 comprises images 121, 122, 123, 124 of a plurality of vehicles and corresponding predetermined design parameters 151, 152, 153, 154 associated with the images 121-124.

Die 3 zeigt eine schematische Zeichnung eines verteilten Systems. Das verteilte System weist die künstliche Intelligenzeinheit 100 (siehe 1) auf und eine Optimierungseinheit 200 zum Ermitteln der Design-Geometrie der Fahrzeugkomponente des Fahrzeuges. Die Optimierungseinheit 200 ist dazu ausgebildet, abhängig von einer vorgegebenen Zielfunktion 220 und mehreren vorgegebenen Randbedingungen 230, 240 die Design-Geometrie 210 der Fahrzeugkomponente zu ermitteln.the 3 shows a schematic drawing of a distributed system. The distributed system has the artificial intelligence unit 100 (see 1 ) and an optimization unit 200 for determining the design geometry of the vehicle component of the vehicle. The optimization unit 200 is designed to determine the design geometry 210 of the vehicle component as a function of a predefined target function 220 and a number of predefined boundary conditions 230, 240.

Beispielsweise wird eine erste Randbedingung 230 abhängig von dem Designkennwert 150 vorgegeben.For example, a first boundary condition 230 is specified depending on the design parameter 150 .

Die Optimierungseinheit 200 weist einen ersten Eingang 221 zur Bereitstellung der Zielfunktion 220 auf. Des Weiteren weist die Optimierungseinheit 200 einen zweiten Eingang 231 und einen dritten Eingang 241 zur Bereitstellung der ersten vorgegebenen Randbedingung 230 und einer zweiten vorgegebenen Randbedingung 241 auf.The optimization unit 200 has a first input 221 for providing the objective function 220 . Furthermore, the optimization unit 200 has a second input 231 and a third input 241 for providing the first predefined boundary condition 230 and a second predefined boundary condition 241 .

Die Optimierungseinheit 200 ist dazu ausgebildet, Bilddaten zu erzeugen, die repräsentativ sind für ein Bild, das die Fahrzeugkomponente aufweist, und diese Bilddaten über einen Ausgang 212 der künstlichen Intelligenzeinheit bereitzustellen.Optimization unit 200 is designed to generate image data that is representative of an image that the vehicle component has, and to provide this image data via an output 212 of the artificial intelligence unit.

Die Optimierungseinheit 200 weist einen weiteren Ausgang 211 auf zur Bereitstellung der ermittelten Design-Geometrie 210, beispielsweise in Form von CAD-Daten.The optimization unit 200 has a further output 211 for providing the determined design geometry 210, for example in the form of CAD data.

Die 4 zeigt ein Ablaufdiagramm eines Programms zum Ermitteln einer Design-Geometrie 210 einer Fahrzeugkomponente eines Fahrzeuges.the 4 shows a flow chart of a program for determining a design geometry 210 of a vehicle component of a vehicle.

Das Programm kann insbesondere von einer Vorrichtung ausgeführt werden. Die Vorrichtung weist hierfür insbesondere eine Recheneinheit, einen Programm- und Datenspeicher, sowie beispielsweise eine oder mehrere Kommunikationsschnittstellen auf. Der Programm- und Datenspeicher und/oder die Recheneinheit und/oder die Kommunikationsschnittstellen können in einer Baueinheit und/oder verteilt auf mehrere Baueinheiten ausgebildet sein.In particular, the program can be executed by a device. For this purpose, the device has in particular a computing unit, a program and data memory and, for example, one or more communication interfaces. The program and data memory and/or the arithmetic unit and/or the communication interfaces can be embodied in one structural unit and/or distributed over a number of structural units.

Beispielsweise kann die Vorrichtung als Vorrichtung zum Ermitteln einer Design-Geometrie 210 einer Fahrzeugkomponente eines Fahrzeuges bezeichnet werden.For example, the device can be referred to as a device for determining a design geometry 210 of a vehicle component of a vehicle.

Auf dem Programm- und Datenspeicher der Vorrichtung ist hierfür insbesondere das Programm gespeichert.For this purpose, the program in particular is stored in the program and data memory of the device.

Das Programm wird in einem Schritt S101 gestartet, in dem gegebenenfalls Variablen initialisiert werden können.The program is started in step S101, in which variables can be initialized if necessary.

In einem Schritt S103 wird die künstliche Intelligenzeinheit 100 bereitgestellt. Die künstliche Intelligenzeinheit 100 ist dazu ausgebildet, abhängig von dem Eingangstupel 110, das Ausgangstupel 130 zu erzeugen. Das Eingangstupel 110 ist repräsentativ für das Bild 120, das die Fahrzeugkomponente aufweist. Das Ausgangstupel 130 ist repräsentativ für den Designkennwert 150. Der Designkennwert 150 ist repräsentativ für eine prädizierte ästhetische Bewertung der Fahrzeugkomponente.In a step S103, the artificial intelligence unit 100 is provided. The artificial intelligence unit 100 is designed to generate the output tuple 130 depending on the input tuple 110 . The input tuple 110 is representative of the image 120 comprising the vehicle component. The output tuple 130 is representative of the design metric 150. The design metric 150 is representative of a predicted aesthetic rating of the vehicle component.

Optional umfasst in dem Schritt S103 die künstliche Intelligenzeinheit 100 das erste neuronales Netz. Das erste neuronale Netz ist abhängig von den Vortrainingsdaten 160 vortrainiert.Optionally, in step S103, the artificial intelligence unit 100 includes the first neural network. The first neural network is pre-trained depending on the pre-training data 160 .

Beispielsweise ist das erste neuronale Netz derart vortrainiert, dass der abhängig von dem Bild erzeugte Designkennwert 150 repräsentativ ist für eine Zahl mit einem Wert zwischen 0 und 1. Beispielsweise ist ein höherer Wert repräsentativ für eine bessere bzw. hohe ästhetische Bewertung durch eine Personengruppe und ein niedriger Wert repräsentativ für eine schlechtere bzw. niedrige ästhetische Bewertung durch die Personengruppe.For example, the first neural network is pre-trained in such a way that the design characteristic value 150 generated as a function of the image is representative of a number with a value between 0 and 1. For example, a higher value is representative of a better or high aesthetic rating by a group of people and a low value representative of a poorer or low aesthetic rating by the group of people.

Optional wird in dem Schritt S103 das erste neuronale Netz nach Ablauf eines vorgegebenen Zeitraums adaptiv weitertrainiert.Optionally, in step S103, the first neural network is trained further adaptively after a predetermined period of time has elapsed.

Optional umfassen in dem Schritt S103 die Vortrainingsdaten 160 Bilder 212-124 einer Vielzahl von Fahrzeugen und entsprechende den Bildern zugeordnete vorgegebene Designkennwerte 151-154.Optionally, in step S103, the pre-training data 160 includes images 212-124 of a plurality of vehicles and corresponding predetermined design characteristics 151-154 associated with the images.

Optional ist in dem Schritt S103 das Eingangstupel 110 repräsentativ für einen oder mehrere demographische Faktoren.Optionally, in step S103, the input tuple 110 is representative of one or more demographic factors.

In einem Schritt S105 wird die Optimierungseinheit 200 (siehe 3) zum Ermitteln der Design-Geometrie 210 der Fahrzeugkomponente des Fahrzeuges bereitgestellt. Die Optimierungseinheit 200 ist dazu ausgebildet, abhängig von der vorgegebenen Zielfunktion 220 und den mehreren vorgegebenen Randbedingungen 230, 240 die Design-Geometrie 210 der Fahrzeugkomponente zu ermitteln.In a step S105, the optimization unit 200 (see 3 ) for determining the design geometry 210 of the vehicle component of the vehicle. Optimization unit 200 is designed to determine design geometry 210 of the vehicle component as a function of predefined target function 220 and multiple predefined boundary conditions 230, 240.

Beispielsweise ist die Fahrzeugkomponente repräsentativ für einen Außenspiegel des Fahrzeuges.For example, the vehicle component is representative of an outside mirror of the vehicle.

Optional umfasst in dem Schritt S105 die Optimierungseinheit 200 ein zweites neuronales Netz. Zusätzlich oder alternativ wird die Design-Geometrie 210 abhängig von einem gradientenbasierten Optimierungsverfahren ermittelt.In step S105, the optimization unit 200 optionally includes a second neural network. Additionally or alternatively, the design geometry 210 is determined as a function of a gradient-based optimization method.

In einem Schritt S107 wird die Zielfunktion 220 vorgegeben.In a step S107, the target function 220 is specified.

Beispielsweise ist die Zielfunktion 220 repräsentativ dafür, dass die Design-Geometrie 210 derart ermittelt werden soll, dass der cw-Wert der Fahrzeugkomponente minimiert wird.For example, the target function 220 is representative of the fact that the design geometry 210 is to be determined in such a way that the drag coefficient of the vehicle component is minimized.

In einem optionalen Schritt S109 wird die zweite vorgegebene Randbedingung 240 der Optimierungseinheit 200 bereitgestellt. Die zweite Randbedingung 240 umfasst eine physikalische Randbedingung. Zusätzlich oder alternativ umfasst die zweite Randbedingung 240 eine mechanische Randbedingung. Zusätzlich oder alternativ umfasst die zweite Randbedingung 240 eine aerodynamische Randbedingung.In an optional step S109, the second predefined boundary condition 240 is made available to the optimization unit 200. The second constraint 240 includes a physical constraint. Additionally or alternatively, the second constraint 240 includes a mechanical constraint. Additionally or alternatively, the second constraint 240 includes an aerodynamic constraint.

Beispielsweise ist die zweite vorgegebene Randbedingung 240 repräsentativ für eine maximale Kraft in eine erste vorgegebene Richtung, die der Außenspiegel beim Betreiben des Fahrzeuges standhalten muss.For example, the second specified boundary condition 240 is representative of a maximum force in a first specified direction that the exterior mirror must withstand when operating the vehicle.

In einem Schritt S111 wird mittels der Optimierungseinheit 200, der Zielfunktion 210, der ersten vorgegebenen Randbedingung 230 und der künstlichen Intelligenzeinheit 100 die Design-Geometrie derart iterativ ermittelt, dass die Optimierungseinheit 200 bei der Ermittlung Bilddaten erzeugt, die repräsentativ sind für ein Bild 120, das die Fahrzeugkomponente aufweist.In a step S111, the design geometry is iteratively determined by means of the optimization unit 200, the target function 210, the first predetermined boundary condition 230 and the artificial intelligence unit 100 such that the optimization unit 200 generates image data during the determination which are representative of an image 120, that has the vehicle component.

Beispielsweise weist die Optimierungseinheit 200 einen (Zwischen)Ausgang 212 auf, an dem die Bilddaten zur Verfügung gestellt werden.For example, the optimization unit 200 has an (intermediate) output 212 at which the image data are made available.

In einem Schritt S113 wird mittels der Optimierungseinheit 200, der Zielfunktion 220, der ersten vorgegebenen Randbedingung 230 und der künstlichen Intelligenzeinheit 100 die Design-Geometrie 210 derart iterativ ermittelt, dass mittels der Bilddaten das Eingangstupel 110 ermittelt wird.In a step S113, the design geometry 210 is iteratively determined using the optimization unit 200, the objective function 220, the first predefined boundary condition 230 and the artificial intelligence unit 100 such that the input tuple 110 is determined using the image data.

In einem Schritt S115 wird mittels der Optimierungseinheit 200, der Zielfunktion 210, der ersten vorgegebenen Randbedingung 230 und der künstlichen Intelligenzeinheit 100 die Design-Geometrie 210 derart iterativ ermittelt, dass mittels der künstlichen Intelligenzeinheit 100 und dem ermittelten Eingangstupel 110, das Ausgangstupel 130 erzeugt wird.In a step S115, the optimization unit 200, the objective function 210, the first predetermined boundary condition 230 and the artificial Chen intelligence unit 100 determines the design geometry 210 iteratively that by means of the artificial intelligence unit 100 and the determined input tuple 110, the output tuple 130 is generated.

Beispielsweise wird der Designkennwert 150 mit einem Wert 0,72 ermittelt (siehe 1, 3).For example, the design parameter 150 is determined with a value of 0.72 (see 1 , 3 ).

In einem Schritt S117 wird mittels der Optimierungseinheit 200, der Zielfunktion 210, der ersten vorgegebenen Randbedingung 230 und der künstlichen Intelligenzeinheit 100 die Design-Geometrie 210 derart iterativ ermittelt, dass die erste vorgegebene Randbedingung 230 abhängig von dem Ausgangstupel 130 ermittelt wird.In a step S117, the design geometry 210 is determined iteratively by means of the optimization unit 200, the objective function 210, the first specified boundary condition 230 and the artificial intelligence unit 100 such that the first specified boundary condition 230 is determined as a function of the output tuple 130.

In einem Schritt S119 wird mittels der Optimierungseinheit 200, der Zielfunktion 220, der ersten vorgegebenen Randbedingung 230 und der künstlichen Intelligenzeinheit 100 die Design-Geometrie 210 derart iterativ ermittelt, dass mittels der Optimierungseinheit 200 abhängig von der Zielfunktion 210 und der ersten vorgegebenen Randbedingung 230 die Design-Geometrie 210 ermittelt wird.In a step S119, the design geometry 210 is determined iteratively using the optimization unit 200, the objective function 220, the first specified boundary condition 230 and the artificial intelligence unit 100 such that the optimization unit 200, depending on the objective function 210 and the first specified boundary condition 230, calculates the Design geometry 210 is determined.

Optional wird in dem Schritt S119 die Design-Geometrie 210 mittels der Optimierungseinheit 200 abhängig von der Zielfunktion 220, der ersten vorgegebenen Randbedingung 230 und der zweiten vorgegebenen Randbedingung 240 ermittelt.In step S119, the design geometry 210 is optionally determined by the optimization unit 200 as a function of the target function 220, the first specified boundary condition 230 and the second specified boundary condition 240.

In einem Schritt S121 wird das Programm beendet und kann gegebenenfalls wieder in dem Schritt S101 gestartet werden.The program is ended in step S121 and can optionally be started again in step S101.

Beispielsweise kann das Programm (iterativ) wiederholt werden, insbesondere durch iterative Ausführung der Schritte S111 bis S119.For example, the program can be repeated (iteratively), in particular by performing steps S111 to S119 iteratively.

Claims (10)

Verfahren zum Ermitteln einer Design-Geometrie (210) einer Fahrzeugkomponente eines Fahrzeuges, bei dem - eine künstliche Intelligenzeinheit (100) bereitgestellt wird, die dazu ausgebildet ist abhängig von einem Eingangstupel (110), das repräsentativ ist für ein Bild (120), das die Fahrzeugkomponente aufweist, ein Ausgangstupel (130) zu erzeugen, das repräsentativ ist für einen Designkennwert (150), wobei der Designkennwert repräsentativ ist für eine prädizierte ästhetische Bewertung der Fahrzeugkomponente, - eine Optimierungseinheit (200) zum Ermitteln der Design-Geometrie (210) der Fahrzeugkomponente des Fahrzeuges bereitgestellt wird, wobei die Optimierungseinheit (200) dazu ausgebildet ist, abhängig von einer vorgegebenen Zielfunktion (220) und mehreren vorgegebenen Randbedingungen (230, 240) die Design-Geometrie (210) der Fahrzeugkomponente zu ermitteln, - die Zielfunktion (220) vorgegeben wird, - mittels der Optimierungseinheit (200), der Zielfunktion (220), einer ersten vorgegebenen Randbedingung (230) und der künstlichen Intelligenzeinheit (100) die Design-Geometrie (210) iterativ ermittelt wird, derart dass - die Optimierungseinheit (200) bei der Ermittlung Bilddaten erzeugt, die repräsentativ sind für ein Bild (120), das die Fahrzeugkomponente aufweist, - mittels der Bilddaten das Eingangstupel (110) ermittelt wird, - mittels der künstlichen Intelligenzeinheit (100) und dem ermittelten Eingangstupel (110), das Ausgangstupel (130) erzeugt wird, - die erste Randbedingung (230) abhängig von dem Ausgangstupel (130) ermittelt wird, und - mittels der Optimierungseinheit (200) abhängig von der Zielfunktion (220) und der ersten Randbedingung (230) die Design-Geometrie (210) ermittelt wird.Method for determining a design geometry (210) of a vehicle component of a vehicle, in which - an artificial intelligence unit (100) is provided, which is adapted to generate an output tuple (130), which is representative of an image (120) having the vehicle component, depending on an input tuple (110) which is representative of an image (120). Design characteristic (150), wherein the design characteristic is representative of a predicted aesthetic evaluation of the vehicle component, - an optimization unit (200) for determining the design geometry (210) of the vehicle component of the vehicle is provided, the optimization unit (200) being designed to do this, depending on a predetermined target function (220) and a plurality of predetermined boundary conditions (230, 240) the to determine the design geometry (210) of the vehicle component, - the target function (220) is specified, - The design geometry (210) is determined iteratively by means of the optimization unit (200), the target function (220), a first predetermined boundary condition (230) and the artificial intelligence unit (100), such that - during the determination, the optimization unit (200) generates image data which are representative of an image (120) which has the vehicle component, - the input tuple (110) is determined using the image data, - the output tuple (130) is generated by means of the artificial intelligence unit (100) and the determined input tuple (110), - the first boundary condition (230) is determined as a function of the output tuple (130), and - The design geometry (210) is determined by means of the optimization unit (200) depending on the target function (220) and the first boundary condition (230). Verfahren nach Anspruch 1, bei dem - eine zweite vorgegebene Randbedingung (240) der Optimierungseinheit (200) bereitgestellt wird, wobei die zweite Randbedingung (240) eine physikalische Randbedingung und/oder eine mechanische Randbedingung und/oder eine aerodynamische Randbedingung umfasst, und - bei dem Ermitteln der Design-Geometrie (210) die zweite vorgegebene Randbedingung (240) zusätzlich verwendet wird.procedure after claim 1 , in which - a second predetermined boundary condition (240) is provided to the optimization unit (200), the second boundary condition (240) comprising a physical boundary condition and/or a mechanical boundary condition and/or an aerodynamic boundary condition, and - when determining the design - Geometry (210) the second predetermined boundary condition (240) is also used. Verfahren nach einem der vorhergehenden Ansprüche, wobei die künstliche Intelligenzeinheit (100) ein erstes neuronales Netz umfasst, das abhängig von Vortrainingsdaten (160) vortrainiert ist.Method according to one of the preceding claims, wherein the artificial intelligence unit (100) comprises a first neural network which is pre-trained in dependence on pre-training data (160). Verfahren nach Anspruch 3, wobei das erste neuronale Netz nach Ablauf eines vorgegebenen Zeitraums adaptiv weitertrainiert wird.procedure after claim 3 , the first neural network being trained adaptively after a predetermined period of time has elapsed. Verfahren nach einem der Ansprüche 3 bis 4, wobei die Vortrainingsdaten (160) Bilder (121, 122, 123, 124) einer Vielzahl von Fahrzeugen und entsprechende den Bildern zugeordnete vorgegebene Designkennwerte (151, 152, 153, 154) umfassen.Procedure according to one of claims 3 until 4 wherein the pre-training data (160) includes images (121, 122, 123, 124) of a plurality of vehicles and corresponding predetermined design characteristics (151, 152, 153, 154) associated with the images. Verfahren nach einem der vorhergehenden Ansprüche, wobei - die Optimierungseinheit (200) ein zweites neuronales Netz umfasst, und/oder - die Design-Geometrie (210) abhängig von einem gradientenbasierten Optimierungsverfahren ermittelt wird.Method according to any one of the preceding claims, wherein - the optimization unit (200) comprises a second neural network, and/or - the design geometry (210) is determined as a function of a gradient-based optimization method. Verfahren nach einem der vorhergehenden Ansprüche, wobei das Eingangstupel (110) repräsentativ ist für einen oder mehrere demographische Faktoren.A method according to any one of the preceding claims, wherein the input tuple (110) repre is sentative for one or more demographic factors. Vorrichtung, die dazu ausgebildet ist, das Verfahren nach einem der Ansprüche 1 bis 7 durchzuführen.Device designed to carry out the method according to one of Claims 1 until 7 to perform. Computerprogramm, wobei das Computerprogramm Anweisungen umfasst, die, wenn das Programm von einem Computer ausgeführt wird, den Computer veranlassen das Verfahren nach einem der Ansprüche 1 bis 7 durchzuführen.Computer program, the computer program comprising instructions which, when the program is executed by a computer, cause the computer to perform the method according to any one of Claims 1 until 7 to perform. Computerlesbares Speichermedium, auf dem das Computerprogramm nach Anspruch 9 gespeichert ist.Computer-readable storage medium on which the computer program claim 9 is saved.
DE102021109588.3A 2021-04-16 2021-04-16 Method, device, computer program and computer-readable storage medium for determining a design geometry of a vehicle component of a vehicle Pending DE102021109588A1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE102021109588.3A DE102021109588A1 (en) 2021-04-16 2021-04-16 Method, device, computer program and computer-readable storage medium for determining a design geometry of a vehicle component of a vehicle

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102021109588.3A DE102021109588A1 (en) 2021-04-16 2021-04-16 Method, device, computer program and computer-readable storage medium for determining a design geometry of a vehicle component of a vehicle

Publications (1)

Publication Number Publication Date
DE102021109588A1 true DE102021109588A1 (en) 2022-10-20

Family

ID=83447084

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102021109588.3A Pending DE102021109588A1 (en) 2021-04-16 2021-04-16 Method, device, computer program and computer-readable storage medium for determining a design geometry of a vehicle component of a vehicle

Country Status (1)

Country Link
DE (1) DE102021109588A1 (en)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200050710A1 (en) 2018-08-09 2020-02-13 Autodesk, Inc. Techniques for generating designs that reflect stylistic preferences
EP3722977A1 (en) 2019-04-11 2020-10-14 Siemens Aktiengesellschaft Method and apparatus for generating a design for a technical system or product

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200050710A1 (en) 2018-08-09 2020-02-13 Autodesk, Inc. Techniques for generating designs that reflect stylistic preferences
EP3722977A1 (en) 2019-04-11 2020-10-14 Siemens Aktiengesellschaft Method and apparatus for generating a design for a technical system or product

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BURNAP, Alex; HAUSER, John R.; TIMOSHENKO, Artem: Design and evaluation of product aesthetics: A human-machine hybrid approach. In: SSRN 3421771, Jan 2021, heruntergeladen am 04.01.2022, S. 1 - 47.
USAMA, Muhammad, et al.: A Data-Driven Interactive System for Aerodynamic and User-centred Generative Vehicle Design. In: 2021 International Conference on Artificial Intelligence (ICAI). IEEE, April 5-7 2021. S. 119-127.

Similar Documents

Publication Publication Date Title
DE102013114913B4 (en) Method for shift control of an automatic transmission in a vehicle
DE102018109835A1 (en) Method and device for determining a network configuration of a neural network
EP1623284B1 (en) Method for optimizing vehicles and engines used for driving such vehicles
DE102019124267A1 (en) Control device of an internal combustion engine and control method of the same, and learning model for controlling an internal combustion engine and learning method of the same
EP3983936A1 (en) Method and generator for generating disturbed input data for a neural network
DE112019003929T5 (en) ELECTRONIC CONTROL DEVICE AND UPDATING SYSTEM OF A NEURAL NETWORK
DE102021129697A1 (en) Machine learning method and machine learning system
DE102021109588A1 (en) Method, device, computer program and computer-readable storage medium for determining a design geometry of a vehicle component of a vehicle
DE112021001704T5 (en) Vehicle control device, vehicle control method and vehicle control system
DE102019208735B4 (en) Method for operating a driver assistance system for a vehicle and a driver assistance system for a vehicle
DE102020133045A1 (en) MODEL DIAGNOSTIC DEVICE AND MODEL DIAGNOSTIC SYSTEM
DE102013206291A1 (en) Method and apparatus for creating a non-parametric, data-based function model
DE102019127090A1 (en) DEVICE AND METHOD FOR CONTROLLING A TRANSMISSION OF A VEHICLE
DE102018204288A1 (en) A method for operating a vehicle in a geographic area unknown to the vehicle and / or a vehicle driver and method for creating a driving profile for a vehicle for a predetermined geographic area
DE102013206274A1 (en) Method and apparatus for adapting a non-parametric function model
DE102016225349A1 (en) Method for checking the validity of image data
WO2021089499A1 (en) Method and system for checking an automated driving function by reinforcement learning
DE102019113958A1 (en) A method of enhancing the performance of a vehicle system having a neural network for controlling a vehicle component
DE102018210495A1 (en) Method for providing radii of a curve section of a route using geometric navigation data of a digital navigation map of a vehicle, computer-readable medium, system, and vehicle comprising the system
DE102018203137A1 (en) Method, device and computer program for operating an at least partially autonomous vehicle
DE102019114049A1 (en) Method for validating a driver assistance system using further generated test input data sets
DE102021112160A1 (en) Method for allocating resources of a vehicle, method for generating a graph for a vehicle, computer program and computer-readable storage medium
DE102021132542A1 (en) METHOD OF PROVIDING BIT FLIP ERRORS RESISTANT; PERTURBATION-RESISTANT AND COMPRESSED NEURAL NETWORK; COMPUTER PROGRAM; DRIVER ASSISTANCE SYSTEM
DE102017204173A1 (en) Method and device for determining a customized data-based function model for the calculation of a model value with a modified input variable vector
DE102016214600A1 (en) Method for the computer-aided processing of driving data in motor vehicles

Legal Events

Date Code Title Description
R163 Identified publications notified