JP2014006813A - 性能予測装置、性能予測方法、及びプログラム - Google Patents
性能予測装置、性能予測方法、及びプログラム Download PDFInfo
- Publication number
- JP2014006813A JP2014006813A JP2012143381A JP2012143381A JP2014006813A JP 2014006813 A JP2014006813 A JP 2014006813A JP 2012143381 A JP2012143381 A JP 2012143381A JP 2012143381 A JP2012143381 A JP 2012143381A JP 2014006813 A JP2014006813 A JP 2014006813A
- Authority
- JP
- Japan
- Prior art keywords
- unit
- data
- approximate model
- feature
- design
- 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.)
- Granted
Links
Images
Abstract
【課題】対象物の形状が複雑でデザイン情報が大規模である場合にも精度よく機能性能を予測する。
【解決手段】近似モデル記憶部１３は、特徴量から空力性能値を算出するための近似モデルをカテゴリ毎に記憶している。特徴量抽出部６０は、デザイナー端末９によりデザインされた車両の形状データから特徴量を抽出する。近似モデル適用部７０は、デザインされた車両が各カテゴリに属する確率を特徴量抽出部６０により抽出された特徴量に基づいて算出し、算出した確率に基づいて使用する近似モデルを選択する。近似モデル適用部７０は、選択した近似モデルを近似モデル記憶部１３から読み出し、読み出した近似モデルを使用して、特徴量抽出部６０により抽出された特徴量から空力性能値を算出する。
【選択図】図２
【解決手段】近似モデル記憶部１３は、特徴量から空力性能値を算出するための近似モデルをカテゴリ毎に記憶している。特徴量抽出部６０は、デザイナー端末９によりデザインされた車両の形状データから特徴量を抽出する。近似モデル適用部７０は、デザインされた車両が各カテゴリに属する確率を特徴量抽出部６０により抽出された特徴量に基づいて算出し、算出した確率に基づいて使用する近似モデルを選択する。近似モデル適用部７０は、選択した近似モデルを近似モデル記憶部１３から読み出し、読み出した近似モデルを使用して、特徴量抽出部６０により抽出された特徴量から空力性能値を算出する。
【選択図】図２
Description
本発明は、物体形状から機能性能を予測する性能予測装置、性能予測方法、及びプログラムに関する。
物品の形状を表すデザイン情報に基づいて、その物品が有する各種の機能性能を予測するコンピュータ支援方法がある。例えば、特許文献１では、ＣＡＤ（computer aided design）システムなどによりデザインが変更された対象物の機能性能を、近似モデルを使用して計算することが記載されている。
上述したように、近似モデルを用いて対象物のデザイン情報から機能性能を予測する従来技術がある。しかし、対象物が車両であり、機能性能として空力性能を計算する場合など、対象物の形状が複雑であり、デザイン情報が大規模となるときに、一つの近似モデルのみを用いて形状が異なる対象物の機能性能の予測計算を行うと予測精度が下がってしまう場合がある。特許文献１においても、対象物のデザイン情報が大規模であるときの機能性能の予測を精度よく行うことについては検討されていない。
本発明は、このような事情を考慮してなされたもので、対象物の形状が複雑でデザイン情報が大規模である場合にも精度よく機能性能を予測する性能予測装置、性能予測方法、及びプログラムを提供する。
本発明は、上記の課題を解決すべくなされたもので、特徴量から機能性能を算出するための近似モデルをカテゴリ毎に記憶する近似モデル記憶部（例えば、実施形態による近似モデル記憶部１３）と、物体形状を示す形状データから特徴量を抽出する特徴量抽出部（例えば、実施形態による特徴量抽出部６０）と、前記特徴量抽出部により抽出された前記特徴量に基づいて、前記近似モデル記憶部に記憶されている前記近似モデルの中から使用する前記近似モデルを選択する選択部（例えば、実施形態による選択部７３）と、前記選択部により選択された前記近似モデルを使用して前記特徴量抽出部により抽出された前記特徴量から機能性能を算出する性能算出部（例えば、実施形態による性能算出部７４）と、を備えることを特徴とする性能予測装置（例えば、実施形態による性能予測装置１）である。
また、本発明は、上述した性能予測装置であって、前記カテゴリ毎に、学習用の物体形状の特徴量及び機能性能値の組みを複数用いて前記近似モデルを生成する近似モデル生成部（例えば、実施形態による近似モデル生成部４０）をさらに備える、ことを特徴とする。
また、本発明は、上述した性能予測装置であって、前記近似モデル記憶部は、前記機能性能への関連の強さを表す物体形状の各部の色の情報を前記カテゴリ毎に記憶し、前記選択部により選択された前記近似モデルと同一の前記カテゴリに基づいて前記近似モデル記憶部に記憶されている前記各部の色の情報を読み出し、読み出した前記情報で示される各部の色で前記形状データが表す前記物体形状を表示させる出力部（例えば、実施形態による出力部７５）をさらに備える、ことを特徴とする。
また、本発明は、特徴量から機能性能を算出するための近似モデルをカテゴリ毎に記憶する近似モデル記憶部を備えた性能予測装置が実行する性能予測方法であって、特徴量抽出部が、物体形状を示す形状データから特徴量を抽出する特徴量抽出過程と、選択部が、前記特徴量抽出過程において抽出された前記特徴量に基づいて、前記近似モデル記憶部に記憶されている前記近似モデルの中から使用する前記近似モデルを選択する選択過程と、性能算出部が、前記選択過程において選択された前記近似モデルを使用して前記特徴量抽出過程において抽出された前記特徴量から機能性能を算出する性能算出過程と、を有することを特徴とする性能予測方法である。
また、本発明は、性能予測装置として用いられるコンピュータを、特徴量から機能性能を算出するための近似モデルをカテゴリ毎に記憶する近似モデル記憶部、物体形状を示す形状データから特徴量を抽出する特徴量抽出部、前記特徴量抽出部により抽出された前記特徴量に基づいて、前記近似モデル記憶部に記憶されている前記近似モデルの中から使用する前記近似モデルを選択する選択部、前記選択部により選択された前記近似モデルを使用して前記特徴量抽出部により抽出された前記特徴量から機能性能を算出する性能算出部、として機能させるプログラムである。
本発明によれば、対象物のデザインが大規模かつ複雑である場合にも精度よく機能性能を予測することができる。
以下、図面を参照して本発明の一実施の形態を説明する。
［概要］
図１は、本発明の一実施形態による性能予測システムの処理概要を示す図である。性能予測システムは、クライアント−サーバシステムにより構成することができ、サーバとしての性能予測装置１と、クライアントとしてのデザイナー端末９とを備えて構成される。
図１は、本発明の一実施形態による性能予測システムの処理概要を示す図である。性能予測システムは、クライアント−サーバシステムにより構成することができ、サーバとしての性能予測装置１と、クライアントとしてのデザイナー端末９とを備えて構成される。
本実施形態では、機能性能を予測する対象物が車両であり、予測する機能性能が空力性能である場合について説明する。車両形状と空力性能とは、密接な関係がある。本実施形態の性能予測装置１は、車両形状（物体形状）より得られる特徴量から空力性能値（機能性能値）を算出するための近似モデルを、車両のカテゴリ毎に予め作成しておく。性能予測装置１は、デザイナー端末９によりデザイナーがデザインした車両（以下、「デザイン車両」と記載する。）の形状データを受信すると、受信した形状データから車両形状の特徴を表す特徴量を抽出する。性能予測装置１は、抽出したデザイン車両の特徴量からいずれのカテゴリの近似モデルを使用するかを選択し、選択した近似モデルを使用してデザイン車両の特徴量から空力性能値として抗力係数（Coefficient of drag、以下、「Ｃｄ値」と記載する。）を算出する。デザイナー端末９は、性能予測装置１からＣｄ値を受信し、表示する。
［全体構成］
図２は、本実施形態の性能予測システムの構成を示すブロック図であり、本実施形態と関係する機能ブロックのみを抽出して示してある。
性能予測装置１は、１台または複数台のコンピュータ装置により実現され、記憶部１０、ベースデザインデータ生成部２１、モーフィング部２２、学習データ生成部３０、近似モデル生成部４０、特徴点決定部５０、特徴量抽出部６０、及び近似モデル適用部７０、及びベースデザイン記録部８０を備えて構成される。
図２は、本実施形態の性能予測システムの構成を示すブロック図であり、本実施形態と関係する機能ブロックのみを抽出して示してある。
性能予測装置１は、１台または複数台のコンピュータ装置により実現され、記憶部１０、ベースデザインデータ生成部２１、モーフィング部２２、学習データ生成部３０、近似モデル生成部４０、特徴点決定部５０、特徴量抽出部６０、及び近似モデル適用部７０、及びベースデザイン記録部８０を備えて構成される。
記憶部１０は、デザインデータ記憶部１１、学習データ記憶部１２、及び近似モデル記憶部１３を備えて構成される。
デザインデータ記憶部１１は、ベースデザインデータ、学習用デザインＳＴＬ（Standard Triangulated Language）データ、及びテスト用ＳＴＬデータを記憶する。ベースデザインデータは、ベース車両のベースデザインＳＴＬデータ、及びベースデザイン特徴点データを含む。ベース車両とは、近似モデルを生成するための車両である学習用車両をモーフィングにより生成する元となる車両である。ベースデザインＳＴＬデータは、３次元形状を表現する汎用的なフォーマットであるＳＴＬデータによりベース車両の車両形状を示す。ベースデザイン特徴点データは、ベース車両の車両形状における特徴点を示す。特徴点は、特徴量を抽出するために使用される。例えば、特徴量には、車体の所定箇所の位置座標や、表面の角度、曲率などがある。学習用デザインＳＴＬデータは、学習用車両の車両形状を示すＳＴＬデータである。テスト用ＳＴＬデータは、生成途中の近似モデルの精度を評価するために用いられるテスト用デザインの車両形状を表すＳＴＬデータである。
デザインデータ記憶部１１は、ベースデザインデータ、学習用デザインＳＴＬ（Standard Triangulated Language）データ、及びテスト用ＳＴＬデータを記憶する。ベースデザインデータは、ベース車両のベースデザインＳＴＬデータ、及びベースデザイン特徴点データを含む。ベース車両とは、近似モデルを生成するための車両である学習用車両をモーフィングにより生成する元となる車両である。ベースデザインＳＴＬデータは、３次元形状を表現する汎用的なフォーマットであるＳＴＬデータによりベース車両の車両形状を示す。ベースデザイン特徴点データは、ベース車両の車両形状における特徴点を示す。特徴点は、特徴量を抽出するために使用される。例えば、特徴量には、車体の所定箇所の位置座標や、表面の角度、曲率などがある。学習用デザインＳＴＬデータは、学習用車両の車両形状を示すＳＴＬデータである。テスト用ＳＴＬデータは、生成途中の近似モデルの精度を評価するために用いられるテスト用デザインの車両形状を表すＳＴＬデータである。
学習データ記憶部１２は、学習データ、テストデータ、及びエクステリア特徴データを記憶する。学習データは、各ベース車両及び各学習用車両それぞれの特徴量、空力性能値、及びカテゴリを示す。テストデータは、テスト用デザインの特徴量、空力性能値、及びカテゴリを示す。エクステリア特徴データは、各ベース車両及び各学習用車両それぞれのエクステリアの特徴を表す。近似モデル記憶部１３は、各カテゴリの近似モデルを記憶する。近似モデルは、特徴量を入力パラメータとして入力することにより空力性能値を算出するための予測近似式である。
ベースデザインデータ生成部２１は、ベース車両の車両形状を表すＣＡＤ（computer aided design）データからベースデザインＳＴＬデータを生成し、デザインデータ記憶部１１に書き込む。モーフィング部２２は、従来のモーフィング技術により、ベースデザインＳＴＬデータにより示されるベース車両の車両形状を決められた条件により変形させて学習用車両の車両形状を生成し、生成した車両形状を示す学習用デザインＳＴＬデータをデザインデータ記憶部１１に書き込む。
学習データ生成部３０は、ベースデザインＳＴＬデータ、及び、学習用デザインＳＴＬデータを学習データ生成用のＳＴＬデータとしてベースデザインデータ生成部２１より読み出す。学習データ生成部３０は、学習データ生成用のＳＴＬデータを用い、ＣＦＤ（Computational Fluid Dynamics）により空力性能値を計算するとともに、特徴量を算出する。学習データ生成部３０は、学習データ生成用のＳＴＬデータそれぞれから生成したエクステリア特徴データに基づいてベース車両及び学習用車両をカテゴリ分けすると、各ベース車両及び各学習用車両の特徴量、空力性能値、及びカテゴリを対応付けた学習データを学習データ記憶部１２に書き込む。近似モデル生成部４０は、学習データ記憶部１２に記憶されている学習データからカテゴリ別に近似モデルを作成し、近似モデル記憶部１３に書き込む。
特徴点決定部５０は、ベース車両の車両形状と、デザイナー端末９により生成されたデザイン車両の車両形状とのマッチングを行い、マッチング結果に基づいてベース車両の特徴点に対応するデザイン車両の特徴点を決定する。特徴量抽出部６０は、特徴点決定部５０が決定したデザイン車両の特徴点と、当該デザイン車両の諸元データとに基づいて特徴量を抽出する。近似モデル適用部７０は、特徴量抽出部６０が抽出したデザイン車両の特徴量に基づいて使用する近似モデルを選択する。近似モデル適用部７０は、選択した近似モデルを近似モデル記憶部１３から読み出すと、読み出した近似モデルを用いてデザイン車両の特徴量から空力性能値を算出し、デザイナー端末９に出力する。ベースデザイン記録部８０は、デザイン車両のＳＴＬデータ及び特徴点データを、新たなベース車両のデータとしてデザインデータ記憶部１１に追加して記録する。
デザイナー端末９は、例えばパーソナルコンピュータなどのコンピュータ装置であり、入力部９１、デザイン生成部９２、及び表示部９３を備えて構成される。
入力部９１は、キーボードやマウスなどであり、デザイナーによる入力を受ける。表示部９３は、ディスプレイであり、画像を表示する。デザイン生成部９２は、既存の車両デザイン用のＣＡＤ（computer aided design）アプリケーションにより実現することができ、入力部９１により入力された情報に基づいてデザイン車両の車両形状を示すデザインデータを生成する。さらに、デザイン生成部９２は、性能予測装置１から近似モデル適用部７０により算出されたデザイン車両の空力性能値を受信して表示部９３に表示させる。
入力部９１は、キーボードやマウスなどであり、デザイナーによる入力を受ける。表示部９３は、ディスプレイであり、画像を表示する。デザイン生成部９２は、既存の車両デザイン用のＣＡＤ（computer aided design）アプリケーションにより実現することができ、入力部９１により入力された情報に基づいてデザイン車両の車両形状を示すデザインデータを生成する。さらに、デザイン生成部９２は、性能予測装置１から近似モデル適用部７０により算出されたデザイン車両の空力性能値を受信して表示部９３に表示させる。
なお、同図においては、デザイナー端末９を１台のみ示しているが、複数台を備え得る。また、性能予測装置１が入力部９１、デザイン生成部９２、及び表示部９３を備える構成としてもよい。
［全体フロー］
図３は、性能予測装置１の近似モデル生成処理における動作を示すフローチャートである。
まず、ベースデザインデータ生成部２１は、ベース車両のＣＡＤデータを読み込み（ステップＳ１０５）、読み込んだＣＡＤデータをベースデザインＳＴＬデータに変換する（ステップＳ１１０）。ベースデザインデータ生成部２１は、各ベース車両について生成したベースデザインＳＴＬデータをデザインデータ記憶部１１に書き込んで記憶させる。ユーザは、デザインデータ記憶部１１に各ベース車両のベースデザイン特徴点データを設定する。
図３は、性能予測装置１の近似モデル生成処理における動作を示すフローチャートである。
まず、ベースデザインデータ生成部２１は、ベース車両のＣＡＤデータを読み込み（ステップＳ１０５）、読み込んだＣＡＤデータをベースデザインＳＴＬデータに変換する（ステップＳ１１０）。ベースデザインデータ生成部２１は、各ベース車両について生成したベースデザインＳＴＬデータをデザインデータ記憶部１１に書き込んで記憶させる。ユーザは、デザインデータ記憶部１１に各ベース車両のベースデザイン特徴点データを設定する。
空力性能値を推定する近似モデルの生成には、既知の特徴量と空力性能値の組み（学習データ）が必要である。この近似モデルの生成には、過去に作成されたＳＴＬデータから得られた学習データを用いればよいが、良好な精度の近似モデルを生成するにはデータ量が不足している場合がある。そこで、モーフィングにより、過去に作成されたＳＴＬデータ（ベースデザインＳＴＬデータ）に近似する新たなＳＴＬデータ（学習用デザインＳＴＬデータ）を生成することで、学習データのデータ量の不足を補う。
そこでまず、モーフィング部２２は、ベース車両のベースデザインＳＴＬデータをデザインデータ記憶部１１から読み出す。モーフィング部２２は、実験計画法に基づいて決められた条件に従って、ベース車両の車両形状を変形して学習用車両の車両形状を生成するモーフィング処理を行う（ステップＳ１１５）。例えば、車両の前後方向の水平軸をＸ軸、左右方向の水平軸をＹ軸、鉛直方向をＺ軸とするＸＹＺ座標系を想定する。モーフィング部２２は、ベースデザインＳＴＬデータが示す車両形状上に張られた格子点のうち、変形させたい部位の近傍にある格子点を制御点としてＸ方向、Ｙ方向、Ｚ方向に動かすことにより車両形状を変形させる。モーフィング部２２は、モーフィング処理により生成された各学習用車両の車両形状を表す学習用デザインＳＴＬデータを生成し、デザインデータ記憶部１１に書き込む。さらに同様にして、モーフィング部２２は、実験計画法に基づいて決められた条件に従って、ベース車両の車両形状を変形してテスト用デザインの車両形状を生成するモーフィング処理を行い、テスト用デザインＳＴＬデータを生成して、デザインデータ記憶部１１に書き込む。
学習データ生成部３０は、ベースデザインデータ生成部２１により生成された学習用デザインＳＴＬデータ、及び、モーフィング部２２により生成された学習用デザインＳＴＬデータを学習データ生成用ＳＴＬデータとしてデザインデータ記憶部１１から読み出す。学習データ生成部３０は、各学習データ生成用ＳＴＬデータで示される車両形状に対して空間格子を生成し、ＣＦＤにより格子毎に圧力と速度分布を求め、これらから空力性能値を得る（ステップＳ１２０）。さらに学習データ生成部３０は、各学習データ生成用ＳＴＬデータから車両の特徴量を算出する（ステップＳ１２５）。さらに、学習データ生成部３０は、学習データ生成用ＳＴＬデータを用いた場合と同様の処理を行い、デザインデータ記憶部１１から読み出したテスト用デザインＳＴＬデータに基づいて空力性能値を得るとともに、車両の特徴量を算出する。
続いて、学習データ生成部３０は、各ベース車両、各学習用車両、及び各テスト用デザインをカテゴリ分けする。車両のエクステリアは、例えば、車高、車幅、車長、Ａピラー角、ホイールベースなどの値を要素として多次元表現される。そこで、学習データ生成部３０は、各学習データ生成用ＳＴＬデータ、各テスト用デザインＳＴＬデータから、車両のエクステリアの特徴を表すエクステリア特徴値を取得し、取得したエクステリア特徴値を各要素とする多次元データであるエクステリア特徴データを生成する。学習データ生成部３０は、生成したエクステリア特徴データを用いて自己組織化マップ法により各ベース車両、各学習用車両、及び各テスト用デザインをカテゴリ分けする。これにより、各ベース車両、各学習用車両、及び各テスト用デザインは、例えば、ボックスカー、ワゴン、コンパクトカー、スポーツカー、セダン、ＳＵＶ（スポーツ・ユーティリティ・ビークル）などのカテゴリに分けられる。なお、ユーザがカテゴリを入力してもよい。学習データ生成部３０は、各ベース車両、各学習用車両、及び各テスト用デザインをカテゴリ分けすると、学習データ記憶部１２に、各ベース車両及び各学習用車両の特徴量、空力性能値、及びカテゴリを対応付けた学習データを書き込むとともに、各テスト用デザインの特徴量、空力性能値、及びカテゴリを対応付けたテストデータを書き込む。さらに、学習データ生成部３０は、各ベース車両及び各学習用車両のエクステリア特徴データを書き込む。
近似モデル生成部４０は、学習データ記憶部１２に記憶されている学習データから同じカテゴリの学習用車両及びベース車両の特徴量及び空力性能値の組みを読み出し、読み出した特徴量及び空力性能値の組みから近似モデルを作成する（ステップＳ１３０）。この近似モデルの作成処理において、近似モデル生成部４０は、生成途中の近似モデルを学習データ記憶部１２に記憶されているテストデータを用いて評価し、精度が高い近似モデルが生成されるまで学習データを増やす。近似モデル生成部４０は、作成した近似モデルを、当該近似モデルの作成に利用した特徴量及び空力性能の組みに対応したカテゴリと対応付けて近似モデル記憶部１３に書き込む。ここで生成される近似モデルは、対応するカテゴリによって、空力性能に影響を与えると判断された特徴量のみをパラメータとして用いた空力性能の予測近似式である。近似モデルには、空力性能に影響を与えると判断した特徴量のみを用いるため、全ての特徴量を用いたときよりも空力性能の算出に要する時間が短縮される。また、各近似モデルは、カテゴリによって各特徴量の係数が異なるほか、使用される特徴量の数も異なる。なお、この近似モデル生成処理の詳細については後述する。
図４は、性能予測装置１の性能予測処理における動作を示すフローチャートである。
デザイナー端末９のデザイン生成部９２は、デザイナーが入力した指示に基づいてデザイン車両の車両形状を生成する。デザイナーが入力部９１により性能予測機能の起動と、デザイン車両の諸元データを入力すると、デザイン生成部９２は、デザイン車両の車両形状を表す形状データとして、デザイン生成部９２により生成された車両形状を表すデザインデータと、入力部９１により入力された諸元データとを性能予測装置１に出力する。
デザイナー端末９のデザイン生成部９２は、デザイナーが入力した指示に基づいてデザイン車両の車両形状を生成する。デザイナーが入力部９１により性能予測機能の起動と、デザイン車両の諸元データを入力すると、デザイン生成部９２は、デザイン車両の車両形状を表す形状データとして、デザイン生成部９２により生成された車両形状を表すデザインデータと、入力部９１により入力された諸元データとを性能予測装置１に出力する。
性能予測装置１の特徴点決定部５０は、デザイナー端末９から受信したデザインデータをＳＴＬデータに変換する（ステップＳ２１０）。特徴点決定部５０は、デザインデータ記憶部１１に記憶されているベースデザインＳＴＬデータを読み出す。特徴点決定部５０は、ステップＳ２１０により生成したデザイン車両のＳＴＬデータが示す車両の断面の輪郭形状と、当該デザイン車両にもっとも類似したベース車両のベースデザインＳＴＬデータが示す車両の断面の輪郭形状とのマッチングを行う。このマッチングには、例えば、ＤＰ（Dynamic Programming）マッチングが用いられる。特徴点決定部５０は、車両の複数個所の断面の輪郭形状についてマッチングを行い、マッチング結果に基づいてベース車両の特徴点に対応するデザイン車両の特徴点を決定する（ステップＳ２１５）。例えば、ここでは数千点の特徴点が決定される。なお、この特徴点決定処理の詳細については、後述する。
続いて、特徴量抽出部６０は、ステップＳ２１５において特徴点決定部５０により決定されたデザイン車両の特徴点の３次元座標と、ステップＳ２０５において受信した当該デザイン車両の諸元データとから特徴量を抽出する（ステップＳ２２０）。例えば、バンパーの曲率の特徴量はバンパー上の複数の特徴点の座標から算出され、窓の角度の特徴量は窓上の複数の特徴点の座標から算出される。また、所定の特徴点の座標も特徴量となる。また、車高、車幅、車長さなどの特徴量はデザイン車両の諸元データから得られる。ここでは、例えば数百〜千個の特徴量が得られる。
近似モデル適用部７０は、各カテゴリの近似モデルそれぞれについて、ステップＳ２２０において特徴量抽出部６０が抽出したデザイン車両の特徴量への適用が適切であることを定量的に表す評価値を算出する。ここでは、近似モデル適用部７０は、デザイン車両の特徴量に基づいて、当該デザイン車両が各カテゴリに属する確率を評価値として算出する。近似モデル適用部７０は、算出した確率に基づいていずれのカテゴリの近似モデルを使用するかを選択する（ステップＳ２２５）。近似モデル適用部７０は、選択した近似モデルを近似モデル記憶部１３から読み出し、読み出した近似モデルを用いてデザイン車両の特徴量から空力性能値を算出する（ステップＳ２３０）。近似モデル適用部７０は、算出した空力性能値であるＣｄ値をデザイナー端末９に出力する。
さらに、近似モデル適用部７０は、デザイン車両の車体（ボディー）の各部分を、その部分のＣｄ値の感度に応じた色によって表示させる感度表示画面データを生成し、デザイナー端末９に出力する。Ｃｄ値の感度は、学習データ記憶部１２に記憶されているデータを処理することによって算出する。そこで、例えば、予め近似モデルに基づいて決定した各部の色をカテゴリ毎に近似モデル記憶部１３に記憶しておき、デザイン車両のカテゴリに対応して各部の色の情報を読み出す。近似モデル適用部７０は、読み出した各部の色でデザイン車両の車体を表示する感度表示画面データを生成する。デザイナー端末９のデザイン生成部９２は、受信したＣｄ値と感度表示画面データを表示部９３に表示させる（ステップＳ２３５）。
新たなカテゴリの近似モデルを生成するため、ベースデザイン記録部８０は、デザイナー端末９により新たに生成されたデザイン車両のＳＴＬデータ及び特徴点データを、新たなベースデザインデータとしてデザインデータ記憶部１１に記録する。他方、記憶部１０の容量は有限であることから、充分な精度の近似モデルに係るデータは、デザインデータ記憶部１１に記録しないことが好ましい。そこで、ベースデザイン記録部８０は、以下のように、デザイナー端末９により新たに生成されたデザイン車両のデータが、学習データ記憶部１２に追加記録するに足るデータであるか否かを判定する。
まず、ベースデザイン記録部８０は、学習データ記憶部１２が記憶する全ての学習データのエクステリア特徴データを読み出し、読み出したエクステリア特徴データを線形空間に配置したときの重心を算出する。ベースデザイン記録部８０は、学習データのエクステリア特徴データそれぞれについて重心との距離を算出すると、算出した距離を基準としたエクステリア特徴データの存在割合を算出する。この存在割合は、エクステリア特徴データが配置される線形空間であるデザインスペースにおける学習データの粗密を表す。ベースデザイン記録部８０は、デザイン車両のＳＴＬデータからエクステリア特徴データを生成し、重心との距離を算出する。ベースデザイン記録部８０は、デザイン車両について算出した重心との距離における学習データのエクステリア特徴データの存在割合から、デザインスペースにおける学習データの粗密を判定する。ベースデザイン記録部８０は、密度が低いと判断した場合、デザイン車両のＳＴＬデータ及び特徴点データを、新たなベースデザインデータとしてデザインデータ記憶部１１に記録する。その後、性能予測装置１は、図３に示す近似モデル生成処理を行う。
続いて、近似モデル生成部４０、特徴点決定部５０、及び近似モデル適用部７０の詳細な構成と動作について説明する。
［近似モデル生成部４０の詳細な構成と動作］
図５は、近似モデル生成部４０の詳細な構成を示すブロック図である。この図５において、近似モデル生成部４０は、第１特徴量抽出部４１、第２特徴量抽出部４２、近似モデル作成部４３、性能評価部４４、近似モデル更新部４５、サンプリング部４６を備えている。
図５は、近似モデル生成部４０の詳細な構成を示すブロック図である。この図５において、近似モデル生成部４０は、第１特徴量抽出部４１、第２特徴量抽出部４２、近似モデル作成部４３、性能評価部４４、近似モデル更新部４５、サンプリング部４６を備えている。
第１特徴量抽出部４１は、カテゴリ毎に、学習データ記憶部１２に記憶されている学習データから各ベース車両及び各学習用車両のデザインの特徴量及びＣｄ値を読み出し、予め設定された特徴量テーブルテンプレートに書き込んで図６に示す第１特徴量テーブルを生成する。
この図６は、車両種別におけるデザインＤ０からデザインＤｎは各ベース車両または各学習用車両を示し、それぞれの車両のデザイン毎に抽出された特徴量（ｘ１〜ｘｍ）からなる第１特徴量及びＣｄ値が示されている。
この図６は、車両種別におけるデザインＤ０からデザインＤｎは各ベース車両または各学習用車両を示し、それぞれの車両のデザイン毎に抽出された特徴量（ｘ１〜ｘｍ）からなる第１特徴量及びＣｄ値が示されている。
図５に戻り、第２特徴量抽出部４２は、カテゴリ毎に、ＡＲＤ（Ａｕｔｏｍａｔｉｃ Ｒｅｌｅｖａｎｃｅ Ｄｅｔｅｒｍｉｎａｔｉｏｎ）をモデル学習に用いた手法、例えばＶＢＳＲ（Ｖａｒｉａｔｉｏｎａｌ Ｂａｙｅｓｉａｎ Ｓｐａｒｓｅ Ｐｒｅｇｒｅｓｓｉｏｎ）の手法を用いたモデル学習を行い、第１特徴量からＣｄ値の推定に寄与しない特徴量を除去することにより（詳細に後述）、第１特徴量から第２特徴量を抽出する。
また、第２特徴量抽出部４２は、予め設定された特徴量テーブルテンプレートに対して、ベース車両及び学習用車両について抽出された特徴量及びＣｄ値を書き込み、図７に示す第２特徴量テーブルをカテゴリ毎に生成する。
この図７は、図６と同様に、車両種別におけるデータＤ０からデザインＤｎは各ベース車両または各学習用車両を示し、それぞれのデザイン毎に抽出された特徴量（ｘ１〜ｘｓ）及びＣｄ値が示されている。ここで、ｍ＞ｓである。
この図７は、図６と同様に、車両種別におけるデータＤ０からデザインＤｎは各ベース車両または各学習用車両を示し、それぞれのデザイン毎に抽出された特徴量（ｘ１〜ｘｓ）及びＣｄ値が示されている。ここで、ｍ＞ｓである。
図５に戻り、近似モデル作成部４３は、第２特徴量テーブルの第２特徴量とＣｄ値とから、複数の関数（基底関数）とこの関数の重み付けの係数とから近似される近似モデルを作成する。ここで、近似モデル作成部４３は、クリギング（Ｋｒｉｇｉｎｇ）法あるいはＳＶＲ（Ｓｕｐｏｒｔ Ｖｅｃｔｏｒ Ｒｅｇｒｅｓｓｉｏｎ）法などにより、特徴量を通過するように基底関数それぞれの係数（クリギング法の場合にはクリギング係数）を求めるモデル学習の処理を行う（後述）。
性能評価部４４は、近似モデル作成部４３が作成した近似モデルの予測精度の評価を、以下に示す指標Ａ、指標Ｂ及び指標Ｃの３つの項目の指標のいずれかにより行う。
指標Ａは、近似モデルから得られた予測値と、ＣＦＤで算出した算出値との相関係数である。指標Ｂは、近似モデルから得られた予測値と、ＣＦＤで算出した算出値との平均二乗誤差である。指標Ｃは、モデル学習に用いたなかからデザインのペアを抽出し、このペアのデザインの性能をどれほどの正答率で当てられるかを表す正答率である。
指標Ａは、近似モデルから得られた予測値と、ＣＦＤで算出した算出値との相関係数である。指標Ｂは、近似モデルから得られた予測値と、ＣＦＤで算出した算出値との平均二乗誤差である。指標Ｃは、モデル学習に用いたなかからデザインのペアを抽出し、このペアのデザインの性能をどれほどの正答率で当てられるかを表す正答率である。
近似モデル更新部４５は、上述した指標Ａ、指標B及び指標Ｃのいずれかを用いて近似モデルの近似精度を求める。そして、近似モデル更新部４５は、使用した指標が予め設定した閾値を越えていた場合、所定の精度を得るための近似モデルが生成されたとして、近似モデルの生成の処理を終了する。ここで用いる閾値は、近似モデルで推定する必要とする近似精度に対応して予め設定しておく。このとき、近似モデル更新部４５は、指標を計算する際、近似モデルを生成した際とは別に、実験計画法で学習データ記憶部１２から新たにサンプリングしたテスト用のデザインを抽出して用いる。
一方、近似モデル更新部４５は、上述した指標Ａ、Ｂ及びＣのいずれかが予め設定した閾値を越えていない場合、所定の精度を得るための近似モデルが生成されていないとして、近似モデルの生成の処理を継続する。
一方、近似モデル更新部４５は、上述した指標Ａ、Ｂ及びＣのいずれかが予め設定した閾値を越えていない場合、所定の精度を得るための近似モデルが生成されていないとして、近似モデルの生成の処理を継続する。
サンプリング部４６は、実験計画法（ラテン超方格法あるいはＬＰτ法など）によって学習用モーフィングデータを複数生成する。学習用モーフィングデータは、ベースデザインＳＴＬデータにおける格子点の座標の変化量がデザインスペース内で均一に分布するように、学習用の車両形状を表す学習用デザインＳＴＬデータを生成するためのモーフィング条件を示す。このデザインスペースは、ベース車両のベースデザインＳＴＬデータの格子点の座標の変更許容範囲内において、格子点毎の変更される距離を示す軸からなる複数次元の空間である。サンプリング部４６は、この近似モデルを生成するための学習用モーフィングデータをモーフィング部２２に対して出力する。
また、サンプリング部４６は、学習用モーフィングデータと同様にテスト用モーフィングデータを生成し、モーフィング部２２に対して出力する。テスト用モーフィングデータは、生成された近似モデルの近似精度を求める際に使用するテスト用デザインＳＴＬデータを生成するためのモーフィング条件を示す。テスト用デザインＳＴＬデータは、学習用デザインＳＴＬデータとは異なるテスト用デザインの車両形状を表す。
モーフィング部２２は、上記学習用モーフィングデータ及びテスト用モーフィングデータの各々に基づき、ベースデザインＳＴＬデータのモーフィングを行い、学習用デザインＳＴＬデータ、テスト用デザインＳＴＬデータ生成する。
また、サンプリング部４６は、学習用モーフィングデータと同様にテスト用モーフィングデータを生成し、モーフィング部２２に対して出力する。テスト用モーフィングデータは、生成された近似モデルの近似精度を求める際に使用するテスト用デザインＳＴＬデータを生成するためのモーフィング条件を示す。テスト用デザインＳＴＬデータは、学習用デザインＳＴＬデータとは異なるテスト用デザインの車両形状を表す。
モーフィング部２２は、上記学習用モーフィングデータ及びテスト用モーフィングデータの各々に基づき、ベースデザインＳＴＬデータのモーフィングを行い、学習用デザインＳＴＬデータ、テスト用デザインＳＴＬデータ生成する。
以下、第２特徴量抽出部４２が行う、第１特徴量におけるＣｄ値の算出に寄与しない特徴量のリダクション処理について説明する。以下の説明において、ＡＤＲの手法の一例としてＶＢＳＲ法によるモデル学習を用いた場合を説明する。
第２特徴量抽出部４２は、以下に示す（１）式によるＶＢＳＲの予測近似式を用いてモデル学習、すなわち特徴量のリダクション処理を行う。
第２特徴量抽出部４２は、以下に示す（１）式によるＶＢＳＲの予測近似式を用いてモデル学習、すなわち特徴量のリダクション処理を行う。
この（１）式において、ｙｍｅａｎは性能値であるＣｄ値の平均値であり、ｘｉは特徴量であり、μはバイアスであり、θｉは特徴量ｘｉの重み付け係数であり、Ｄはモデル式での予測時に有効な特徴量ｘの種類の数である。この（１）式の予測近似式は、特徴量と重み付け係数との単純な線形結合で表されており、１次元では直線となり、２次元では平面となる。
また、（１）式の関係を有する重み付け係数を求めるため、第２特徴量抽出部４２は、以下の計算を行う。
まず、ベイズ推定における（２）式に示す事後分布を、変分ベイズ法における因子分解により（３）式として示す。すなわち、Ｃｄ値（ｙ）に対して、隠れ変数α及び重み付け係数θをすべて確率変数として、その確率分布を求める。
Ｐ（θ，α｜ｙ）は、平均Ｃｄ値である場合におけるθ及びαの組を示す事後確率である。また、Ｐ（ｙ｜θ）はθである場合に平均Ｃｄ値となる事前確率であり、Ｐ（θ｜α）はαである場合にθとなる事前確率であり、Ｐ（α）はαである事前確率である。
まず、ベイズ推定における（２）式に示す事後分布を、変分ベイズ法における因子分解により（３）式として示す。すなわち、Ｃｄ値（ｙ）に対して、隠れ変数α及び重み付け係数θをすべて確率変数として、その確率分布を求める。
Ｐ（θ，α｜ｙ）は、平均Ｃｄ値である場合におけるθ及びαの組を示す事後確率である。また、Ｐ（ｙ｜θ）はθである場合に平均Ｃｄ値となる事前確率であり、Ｐ（θ｜α）はαである場合にθとなる事前確率であり、Ｐ（α）はαである事前確率である。
また、（３）式に対して第２特徴量抽出部４２は、ラプラス近似による以下の（４）式及び（５）式の各々を用いて、それぞれ、Ｅ（Ｑ（θ））、Ｅ（Ｑ（α））が最大値となるＱ（θ）及びＱ（α）を求める。
（４）式において、Ｈはヘッセ行列である。また、（５）式において、＜θｉ ２＞Ｑ（θ）は、Ｑ（θ）におけるθｉ ２の期待値を示している。
次に、第２特徴量抽出部４２は、αｉ＝１（ｉ＝１、２、…、Ｄ）、θｉ＝０（ｉ＝１、２、…、Ｄ）として初期化し、勾配∂Ｅ／∂θを求め、この勾配から∂Ｅ２／∂θ∂θｔにより、ヘッセ行列を算出する。このヘッセ行列において、θｔは、θの転置行列である。
そして、第２特徴量抽出部４２は、ニュートン法を用いて（４）式におけるθを順次更新する。また、第２特徴量抽出部４２は、更新されたθを用いて（５）式によりαを算出して更新する。
そして、第２特徴量抽出部４２は、ニュートン法を用いて（４）式におけるθを順次更新する。また、第２特徴量抽出部４２は、更新されたθを用いて（５）式によりαを算出して更新する。
次に、第２特徴量抽出部４２は、更新した際に、予め設定されたリダクション閾値未満のθｉを削除し、新たに∂Ｅ／∂θを求め、∂Ｅ２／∂θ∂θｔにより、ヘッセ行列を算出し、（４）式及び（５）式を用いてθ及びαの更新処理を行う。ここで、リダクション閾値は、シミュレーション結果などに実験的に求めた、Ｃｄ値の推定に寄与しないとする係数θの値として予め設定しておく。
そして、第２特徴量抽出部４２は、上記リダクション閾値未満のθｉが無くなるまで上述した勾配を求め、θ及びαを更新する処理を繰り返す。
第２特徴量抽出部４２は、リダクション閾値未満のθｉが無くなると、第１特徴量におけるＣｄ値を削除し、残った特徴量を新たに第２特徴量として、図７に示す第２特徴量テーブルを生成する。
第２特徴量抽出部４２は、リダクション閾値未満のθｉが無くなると、第１特徴量におけるＣｄ値を削除し、残った特徴量を新たに第２特徴量として、図７に示す第２特徴量テーブルを生成する。
次に、近似モデル作成部４３が行う、第２特徴量を用いたモデル学習による近似モデル作成処理について説明する。以下の説明において、一例としてクリギング法によるモデル学習を用いた場合を説明する。
近似モデル作成部４３は、以下の（６）式に示す近似モデルとしてのクリギング予測式を最終的に求める。この（６）式は、特徴量ｘｉからなる関数ｆｉ（ｘｉ）と、その重み係数Ｃｉとからなる予測値ｙａを推定する近似モデルである。
近似モデル作成部４３は、以下の（６）式に示す近似モデルとしてのクリギング予測式を最終的に求める。この（６）式は、特徴量ｘｉからなる関数ｆｉ（ｘｉ）と、その重み係数Ｃｉとからなる予測値ｙａを推定する近似モデルである。
この（６）式において、重み係数Ｃｉ、関数ｆｉ（ｘｉ）は、以下の（７）式及び（８）式により表される。この添字ｉは近似モデルを作成する際に用いたデザインのデータを示す番号である。
上記（７）式において、Ｒ（ｘｉ，ｘｊ）−１は特徴量の空間相関行列の逆行列であり、空間相関行列Ｒ（ｘｉ，ｘｊ）は、以下の（９）式及び（１０）式で表される。また、Ｒ（ｘ，ｘｉ）は予測における特徴量と第２特徴量における特徴量との空間的な位置関係を示した行列であり、Ｒ（ｘｉ，ｘｊ）は第２特徴量における特徴量間の位置関係を示した行列である。また、（９）式における係数βは、以下の（１０）式で表される。
上記（９）式においてＤは近似モデルを構成する特徴量の数であり、（１０）式において添字ｄは特徴量の番号を示している。θはクリギング係数であり、空間相関の影響範囲を決める数値である。ｐは空間相関の関係の滑らかさを決める数値である。
また、（９）式における相関行列Ｒにおける縦行列ｒｉは、以下の（１１）式により表される。この（１１）式において、添字ｔは転置行列を示している。
また、（９）式における相関行列Ｒにおける縦行列ｒｉは、以下の（１１）式により表される。この（１１）式において、添字ｔは転置行列を示している。
（６）式において、バイアスＣ０は、以下の（１２）式により表される。この（１２）式においてＩは単位ベクトルである。
また、クリギング係数θは、各々の特徴量ｘｄ毎に求められ、以下の（１３）式により、尤度Ｌｎを最大化するように決定する。
この（１３）式において、近似分散値σ２は、（１４）式により求められる。この（１４）式において、Ｎは上述した近似モデルの生成に用いたデザインの数（ベース車両及び学習用車両）である。
近似モデル作成部４３は、上述したｌｎ（Ｌｎ）が最大となるクリギング係数θを特徴量毎に求める。クリギング係数θ及び係数ｐの最適化手法としては、（１３）式を用いて、勾配法、焼き鈍し法、遺伝的アルゴリズムが用いられている。本実施形態においては、局所的最適解に収束する場合を防止するため、遺伝的アルゴリズムにより、大域的な探索を行い、その後にｌｎ（Ｌｎ）が最大として収束させるため、焼き鈍し法を用いている。
次に、性能評価部４４が行う近似式の予測精度評価の処理について説明する。性能評価部４４は、以下の（１５）式、（１６）式及び（１７）式の各々のいずれかを用い、近似モデルの近似精度の評価を行うための指標を算出する。（１５）式、（１６）式及び（１７）式の各々は、それぞれ指標Ａ（相関係数ｒｐ）、指標Ｂ（平均二乗誤差ＲＭＳＥ）及び指標Ｃ（正答率τ）を算出する。
上記（１５）式及び（１６）式において、ｙｎはそれぞれのデザインをＣＦＤで算出したＣｄ値であり、ｙ’はｙｎの平均値である。また、ｙｅｎはそれぞれのデザインを近似モデルで推定したＣｄ値である。また、ｙ’はｙｅｎの平均値である。また、Ｎは近似モデルの生成に用いたデザインの数である。
上記（１７）式において、Ｎｄｐは傾向予測に成功したペアの数を示し、Ｎｃｐは傾向予測に失敗したペアの数であり、ｎは近似モデルの生成に用いたデザインの数である。傾向予測に成功したとは、デザインのペアにおいて、ＣＦＤで算出したＣｄ値と近似モデルで算出したＣｄ値との各々の大小関係が一致した場合を示す。一方、傾向予測に失敗したとは、デザインのペアにおいて、ＣＦＤで算出したＣｄ値と近似モデルで算出したＣｄ値との各々の大小関係が一致しない場合を示す。
次に、図５及び図８を用いて、近似モデル生成部４０の動作を説明する。図８は、近似モデル生成部４０による近似モデル生成の処理における動作を示すフローチャートである。
まず、サンプリング部４６は、モーフィング部２２に対して、実験計画法に基づいて生成した学習用デザインＳＴＬデータ、テスト用デザインＳＴＬデータを生成するための学習用モーフィングデータ及びテスト用モーフィングデータをモーフィング部２２に対して出力する。
まず、サンプリング部４６は、モーフィング部２２に対して、実験計画法に基づいて生成した学習用デザインＳＴＬデータ、テスト用デザインＳＴＬデータを生成するための学習用モーフィングデータ及びテスト用モーフィングデータをモーフィング部２２に対して出力する。
ベースデザインデータ生成部２１は、図３のステップＳ１０５の処理を行い、ベース車両のＣＡＤデータを読み込む（ステップＳ４０１）。ベースデザインデータ生成部２１は、図３のステップＳ１１０の処理を行い、読み込んだＣＡＤデータをベースデザインＳＴＬデータに変換する。ベースデザインデータ生成部２１は、デザインデータ記憶部１１に対して、生成したベースデザインＳＴＬデータを上記ベース車両に対応して書き込んで記憶させる（ステップＳ４０２）。
学習データ生成部３０は、図３のステップＳ１２０、Ｓ１２５に示すように、ベースデザインＳＴＬデータ、モーフィングにより生成した学習用デザインＳＴＬデータ及びテスト用デザインＳＴＬデータそれぞれを用いたＣＦＤによりＣｄ値を算出するとともに、特徴量の抽出、及びカテゴライズを行い、学習データ及びテストデータを生成して学習データ記憶部１２に書き込む（ステップＳ４０３）。
近似モデル生成部４０は、図３のステップＳ１３０の処理として、学習データ記憶部１２の学習データに設定されているカテゴリ毎に、以下のステップＳ４０５〜Ｓ４１６の処理を行う（ステップＳ４０４）。
第１特徴量抽出部４１は、学習データ記憶部１２から現在処理対象としているカテゴリが設定されている学習用データを読み込む（ステップＳ４０５）。第１特徴量抽出部４１は、読み込んだ学習用データから特徴量及びＣｄ値の組みを抽出して（ステップＳ４０６）、第１特徴量テーブルを作成し（ステップＳ４０７）、学習データ記憶部１２に書き込んで記憶させる。
第１特徴量抽出部４１は、学習データ記憶部１２から現在処理対象としているカテゴリが設定されている学習用データを読み込む（ステップＳ４０５）。第１特徴量抽出部４１は、読み込んだ学習用データから特徴量及びＣｄ値の組みを抽出して（ステップＳ４０６）、第１特徴量テーブルを作成し（ステップＳ４０７）、学習データ記憶部１２に書き込んで記憶させる。
次に、第２特徴量抽出部４２は、ＶＢＳＲ法などのＡＲＤをモデル学習に用いた手法により、学習データ記憶部１２の第１特徴量テーブルから読み込んだ第１特徴量からＣｄ値の推定に寄与しない特徴量を除去する（ステップＳ４０８）。そして、第２特徴量抽出部４２は、第１特徴量において除去されずに残った特徴量を、第２特徴量として抽出し（ステップＳ４０９）、第２特徴量テーブルを生成し（ステップＳ４１０）、学習データ記憶部１２に書き込んで記憶させる。
次に、近似モデル作成部４３は、学習データ記憶部１２の第２特徴量テーブルから第２特徴量を読み込む。そして、近似モデル作成部４３は、読み込んだ第２特徴量に含まれる特徴量及び（１３）式を用いたクリギング法によるモデル学習を行い（ステップＳ４１１）、クリギング予測式である近似モデルを生成する（ステップＳ４１２）。
次に、性能評価部４４は、学習データ記憶部１２からテストデータを読み出し、このテストデータの特徴量から、近似モデル作成部４３によって作成された近似モデルによりテストデータの車両形状のＣｄ値を求める。また、性能評価部４４は、学習データ記憶部１２から、それぞれＣＦＤにより求めたテストデータの車両形状のＣｄ値を読み出す。そして、性能評価部４４は、例えば、上記（１５）式を用い、近似モデルにより求めたＣｄ値、ＣＦＤにより求めたＣｄ値のそれぞれにより、指標Ａの相関係数ｒｐを求め、近似モデルの性能評価を行う（ステップＳ４１３）。
次に、近似モデル更新部４５は、指標Ａが、指標Ａに対して設定した閾値を満足しているか否かの判定を行う（ステップＳ４１４）。すなわち、近似モデル更新部４５が、指標Ａが、指標Ａに対して設定した閾値を満足していると判定した場合、近似モデルが十分な精度でＣｄ値の予測ができるとし（ステップＳ４１４：ＮＯ）、生成した近似モデルとカテゴリを対応付けて近似モデル記憶部１３に書き込む。そして、近似モデル生成部４０は次のカテゴリについてステップＳ４０４〜Ｓ４１５の処理を行う。なお、全てのカテゴリについて処理を終了した場合、近似モデル生成部４０は近似モデルの生成の処理を終了する。
一方、近似モデル更新部４５が、指標Ａが指標Ａに対して設定した閾値を満足していないと判定した場合、近似モデルが十分か精度でＣｄ値の予測することができないとし（ステップＳ４１４：ＹＥＳ）、近似モデルの生成の処理を継続するため、処理をステップＳ４１５へ進める。
一方、近似モデル更新部４５が、指標Ａが指標Ａに対して設定した閾値を満足していないと判定した場合、近似モデルが十分か精度でＣｄ値の予測することができないとし（ステップＳ４１４：ＹＥＳ）、近似モデルの生成の処理を継続するため、処理をステップＳ４１５へ進める。
次に、第１特徴量抽出部４１は、学習データ記憶部１２に記憶されている学習データのうち、処理対象のカテゴリが設定されている学習データを特定する。第１特徴量抽出部４１は、特定した学習データのうち、現在サンプリングされている以外の学習データを生成するため、サンプリング部４６に対して、新たな学習データを生成するためのモーフィングデータの生成を指示する。これにより、サンプリング部４６は、実験計画法により新たな学習用モーフィングデータを生成する。このとき、サンプリング部４６は、デザインスペースにおいて、すでに作成されている学習データと重ならない（新たに生成した学習データと現在サンプリングされている学習データとのデザインスペースにおける距離が予め設定した距離を超える）モーフィングデータを抽出し、抽出したモーフィングデータを学習用モーフィングデータとしてモーフィング部２２に対して出力する。そして、モーフィング部２２は、供給される学習用モーフィングデータによりすでに説明したようにモーフィング処理を行う。そして、学習データ生成部３０は、モーフィングにより生成した学習用デザインＳＴＬデータを用いたＣＦＤによりＣｄ値を算出するとともに、特徴量の抽出、及びカテゴライズを行い、学習データを生成して学習データ記憶部１２に書き込む（ステップＳ４１５）。そして、第１特徴量抽出部４１は、読み込んだ学習用データの各々から特徴量及びＣｄ値の抽出を行い（ステップＳ４１６）、第１特徴量テーブルに対して抽出した特徴量及びＣｄ値を追加し（ステップＳ４０７）、学習データ記憶部１２に書き込んで記憶させる。
上述したように、本実施形態によれば、予めＣｄ値の予測に寄与しない特徴量をＡＲＤを用いたモデル学習により削除し、Ｃｄ値の推定に寄与する特徴量のみで、クリギング法を行い最終的な近似モデルを作成するため、クリギング法のみによる近似モデルの生成を行う従来例に比較して、より短い時間で近似モデルを生成することができる。
また、クリギング法のみで近似モデルを生成する場合、Ｃｄ値の推定に寄与しないノイズとなる特徴量も近似モデルに反映されてしまう。
一方、本実施形態によれば、このノイズとなる特徴量をリダクション処理により除去した後に、Ｃｄ値の推定に寄与するとして第２特徴量を抽出し、クリギング法によってこの第２特徴量を用いて近似モデルを学習して生成するため、従来例に比較してより精度の高い近似モデルを生成することが可能である。
また、クリギング法のみで近似モデルを生成する場合、Ｃｄ値の推定に寄与しないノイズとなる特徴量も近似モデルに反映されてしまう。
一方、本実施形態によれば、このノイズとなる特徴量をリダクション処理により除去した後に、Ｃｄ値の推定に寄与するとして第２特徴量を抽出し、クリギング法によってこの第２特徴量を用いて近似モデルを学習して生成するため、従来例に比較してより精度の高い近似モデルを生成することが可能である。
［特徴点決定部５０の詳細な構成と動作］
図９は、特徴点決定部５０の詳細な構成を示すブロック図である。
特徴点決定部５０は、上述したとおり、ベース車両の車両形状と、デザイナー端末９により生成された、特徴点の抽出対象となるデザイン車両の車両形状とのマッチングを行い、マッチング結果に基づいてベース車両の特徴点に対応するデザイン車両の特徴点を決定する。特徴点決定部５０は、輪郭線抽出部５１、輪郭形状データ算出部５２、モデル記憶部５３、類似モデル特定部５４、特徴点特定部５５、モデル記録部５６を備える。
図９は、特徴点決定部５０の詳細な構成を示すブロック図である。
特徴点決定部５０は、上述したとおり、ベース車両の車両形状と、デザイナー端末９により生成された、特徴点の抽出対象となるデザイン車両の車両形状とのマッチングを行い、マッチング結果に基づいてベース車両の特徴点に対応するデザイン車両の特徴点を決定する。特徴点決定部５０は、輪郭線抽出部５１、輪郭形状データ算出部５２、モデル記憶部５３、類似モデル特定部５４、特徴点特定部５５、モデル記録部５６を備える。
輪郭線抽出部５１は、デザインデータ記憶部１１またはデザイン生成部９２からＳＴＬデータを取得し、当該ＳＴＬデータからベース車両またはデザイン車両の一断面における最外郭の輪郭線を抽出する。
輪郭形状データ算出部５２は、輪郭線抽出部５１が抽出した輪郭線から、当該輪郭線で囲まれた領域の重心と当該点とを結ぶ線分の情報を示す輪郭形状データを、当該輪郭線上の複数の点について算出する。輪郭形状データとは、具体的には、輪郭線で囲まれた領域の重心と当該点とを結ぶ線分の長さをｄ、当該線分と輪郭線のなす角の角度をθとおいた場合に、以下に示す（１８）式で表される複素データである。
但し、ｅは自然対数の底である。
モデル記憶部５３は、複数のベース車両について、ベース車両の一断面における最外郭の輪郭線、当該輪郭線上の複数の点の輪郭形状データ、及び当該輪郭線上の特徴点の位置を関連付けて記憶する。
類似モデル特定部５４は、モデル記憶部５３から、輪郭線抽出部５１が抽出したデザイン車両の輪郭線との類似度が最も高い輪郭線に関連付けられた輪郭形状データ及び特徴点の位置を読み出す。
特徴点特定部５５は、輪郭形状データ算出部５２が算出したデザイン車両の輪郭形状データと、類似モデル特定部５４が読み出したベース車両の輪郭形状データとを用いて、ＤＰ（動的計画法）マッチングを行う。そして、特徴点特定部５５は、類似モデル特定部５４が読み出した特徴点に対応するデザイン車両の特徴点の位置を特定する。
モデル記録部５６は、輪郭線抽出部５１が算出したベース車両の輪郭線、輪郭形状データ算出部５２が当該輪郭線を用いて算出した輪郭形状データ、及びベース車両の特徴点を関連付けてモデル記憶部５３に記録する。
図１０は、ＤＰマッチングの例を示す図である。
ここで、ＤＰマッチングについて説明する。ＤＰマッチングとは、２つのデータ列の要素毎の対応関係を、部分データ列の対応関係の探索結果を統合することで解く方法である。
具体例として、データＡ（０）〜データＡ（ｍ）のｍ個のデータからなるデータ列Ａと、データＢ（０）〜データＢ（ｎ）のｎ個のデータからなるデータ列Ｂの対応関係（図１０（Ａ））を得る場合を用いて説明する。まず、以下の３つのデータ列の組の対応関係及び累積距離を算出する。すなわち、（１）データ列Ａの末尾のデータＡ（ｍ）を削除した部分データ列Ａ´とデータ列Ｂの組（図１０（Ｂ））、（２）データ列Ｂの末尾のデータＢ（ｎ）を削除した部分データ列Ｂ´とデータ列Ａの組（図１０（Ｃ））、（３）部分データ列Ａ´と部分データ列Ｂ´の組（図１０（Ｄ））を、それぞれ算出する。そして、（１）〜（３）のうち累積距離が最も小さい組の対応関係（図１０（Ｂ））を用いて、データ列Ａとデータ列Ｂの対応関係を得る。このとき、データ列Ａとデータ列Ｂの間の累積距離は、（１）〜（３）のうち最も小さい累積距離に、データ列Ａの末尾のデータとデータ列Ｂの末尾のデータの間の局所距離を加算した値となる。
ここで、ＤＰマッチングについて説明する。ＤＰマッチングとは、２つのデータ列の要素毎の対応関係を、部分データ列の対応関係の探索結果を統合することで解く方法である。
具体例として、データＡ（０）〜データＡ（ｍ）のｍ個のデータからなるデータ列Ａと、データＢ（０）〜データＢ（ｎ）のｎ個のデータからなるデータ列Ｂの対応関係（図１０（Ａ））を得る場合を用いて説明する。まず、以下の３つのデータ列の組の対応関係及び累積距離を算出する。すなわち、（１）データ列Ａの末尾のデータＡ（ｍ）を削除した部分データ列Ａ´とデータ列Ｂの組（図１０（Ｂ））、（２）データ列Ｂの末尾のデータＢ（ｎ）を削除した部分データ列Ｂ´とデータ列Ａの組（図１０（Ｃ））、（３）部分データ列Ａ´と部分データ列Ｂ´の組（図１０（Ｄ））を、それぞれ算出する。そして、（１）〜（３）のうち累積距離が最も小さい組の対応関係（図１０（Ｂ））を用いて、データ列Ａとデータ列Ｂの対応関係を得る。このとき、データ列Ａとデータ列Ｂの間の累積距離は、（１）〜（３）のうち最も小さい累積距離に、データ列Ａの末尾のデータとデータ列Ｂの末尾のデータの間の局所距離を加算した値となる。
なお、（１）〜（３）の対応関係及び累積距離を得るときにも、データ列Ａとデータ列Ｂの対応関係及び累積距離を算出する方法と同様に、２つのデータ列のうち少なくとも一方の末尾のデータを削除した部分データ列を用いて算出した累積距離及び誤差値を用いる。
例えば、データ列Ａ´と、データＢのｎ個のデータからなるデータ列Ｂの対応関係及び累積距離を得る場合、以下の３つのデータ列の組の対応関係及び累積距離を用いて算出する。すなわち、（１）データ列Ａ´の末尾のデータＡ（ｍ−１）を削除した部分データ列Ａ´´とデータ列Ｂの組（図１０（Ｅ））、（２）部分データ列Ａ´とデータ列Ｂ´の組（図１０（Ｄ））、（３）部分データ列Ａ´´と部分データ列Ｂ´の組（図１０（Ｆ））を、それぞれ用いる。
例えば、データ列Ａ´と、データＢのｎ個のデータからなるデータ列Ｂの対応関係及び累積距離を得る場合、以下の３つのデータ列の組の対応関係及び累積距離を用いて算出する。すなわち、（１）データ列Ａ´の末尾のデータＡ（ｍ−１）を削除した部分データ列Ａ´´とデータ列Ｂの組（図１０（Ｅ））、（２）部分データ列Ａ´とデータ列Ｂ´の組（図１０（Ｄ））、（３）部分データ列Ａ´´と部分データ列Ｂ´の組（図１０（Ｆ））を、それぞれ用いる。
なお、ＤＰマッチングによる累積距離の算出方法を漸化式で示すと、（１９）式となる。
但し、ｇ（ｉ，ｊ）は、データ列Ａのｉ番目までのデータからなる部分データ列と、データ列Ｂのｊ番目までのデータからなる部分データ列との間の累積距離を示す。また、ｄ（ｉ，ｊ）は、データ列Ａのｉ番目のデータとデータ列Ｂのｊ番目のデータとの間の局所距離を示す。
次に、輪郭形状データ算出部５２が算出する輪郭形状データについて説明する。
図１１は、輪郭形状データの説明図である。
ある輪郭線と他の輪郭線との対応関係を得ようとする場合、図１１（Ａ）に示すように、輪郭線上の点をｘ座標及びｙ座標の値を用いることは、対応関係の算出結果が車両の位置や大きさの影響を受けてしまうため、好ましくない。そこで、本実施形態では、図１１（Ｂ）に示すように、輪郭線で囲まれた領域の重心と輪郭線上の点とを結ぶ線分の長さｄ及び、当該点と当該点に隣接する２つの点とを結ぶそれぞれの線分がなす角の角度θを用いている。そして、線分の長さｄを実数、角度θを虚数とする複素データである輪郭形状データを、輪郭線上の複数の点について算出することで、図１１（Ｃ）に示すようなデータ列を得ることができる。
そして、特徴点特定部５５は、ベース車両のデータ列とデザイン車両のデータ列との対応関係をＤＰマッチングにより計算する。
図１１は、輪郭形状データの説明図である。
ある輪郭線と他の輪郭線との対応関係を得ようとする場合、図１１（Ａ）に示すように、輪郭線上の点をｘ座標及びｙ座標の値を用いることは、対応関係の算出結果が車両の位置や大きさの影響を受けてしまうため、好ましくない。そこで、本実施形態では、図１１（Ｂ）に示すように、輪郭線で囲まれた領域の重心と輪郭線上の点とを結ぶ線分の長さｄ及び、当該点と当該点に隣接する２つの点とを結ぶそれぞれの線分がなす角の角度θを用いている。そして、線分の長さｄを実数、角度θを虚数とする複素データである輪郭形状データを、輪郭線上の複数の点について算出することで、図１１（Ｃ）に示すようなデータ列を得ることができる。
そして、特徴点特定部５５は、ベース車両のデータ列とデザイン車両のデータ列との対応関係をＤＰマッチングにより計算する。
ここで、特徴点決定部５０の詳細な動作について説明する。
まず、特徴点決定部５０のモデル記憶部５３に、ベース車両の輪郭線、輪郭形状データ、及び特徴点を記録する動作について説明する。
まず、特徴点決定部５０のモデル記憶部５３に、ベース車両の輪郭線、輪郭形状データ、及び特徴点を記録する動作について説明する。
図１２は、特徴点決定部５０がベース車両の輪郭線、輪郭形状データ、及び特徴点を記録する動作を示すフローチャートである。
まず、輪郭線抽出部５１は、デザインデータ記憶部１１からあるベース車両のベースデザインＳＴＬデータを読み出す（ステップＳ５０１）。次に、輪郭線抽出部５１は、ベースデザインＳＴＬデータから、Ｘ−Ｙ平面に平行な断面におけるベース車両の最外郭の輪郭線を、複数の断面について抽出する（ステップＳ５０２）。そして、特徴点決定部５０は、輪郭線抽出部５１が抽出した輪郭線を１つ選択し、全ての輪郭線について、以下に示すステップＳ５０４〜Ｓ５０８の処理を実行する（ステップＳ５０３）。
まず、輪郭線抽出部５１は、デザインデータ記憶部１１からあるベース車両のベースデザインＳＴＬデータを読み出す（ステップＳ５０１）。次に、輪郭線抽出部５１は、ベースデザインＳＴＬデータから、Ｘ−Ｙ平面に平行な断面におけるベース車両の最外郭の輪郭線を、複数の断面について抽出する（ステップＳ５０２）。そして、特徴点決定部５０は、輪郭線抽出部５１が抽出した輪郭線を１つ選択し、全ての輪郭線について、以下に示すステップＳ５０４〜Ｓ５０８の処理を実行する（ステップＳ５０３）。
輪郭形状データ算出部５２は、ステップＳ５０３で選択した輪郭線で囲まれた領域の重心の座標を計算する（ステップＳ５０４）。次に、輪郭形状データ算出部５２は、ステップＳ５０３で選択した輪郭線上の点列のそれぞれについて、重心と輪郭線上の点とを結ぶ線分の長さｄ及び、当該点と当該点に隣接する２つの点とを結ぶそれぞれの線分がなす角の角度θを算出することで、輪郭形状データを得る（ステップＳ５０５）。
次に、モデル記録部５６は、デザインデータ記憶部１１からベースデザイン特徴点データを読み出し（ステップＳ５０６）、当該ベースデザイン特徴点データが示す特徴点に対応する点のデータ列における列番号を特定する（ステップＳ５０７）。
そして、モデル記録部５６は、輪郭線抽出部５１が抽出した輪郭線、輪郭形状データ算出部５２が算出した輪郭形状データ、及び特定した特徴点の列番号を、関連付けてモデル記憶部５３に記録する（ステップＳ５０８）。
そして、モデル記録部５６は、輪郭線抽出部５１が抽出した輪郭線、輪郭形状データ算出部５２が算出した輪郭形状データ、及び特定した特徴点の列番号を、関連付けてモデル記憶部５３に記録する（ステップＳ５０８）。
ここで、ステップＳ５０４〜Ｓ５０８の処理を実行していない他の輪郭線がある場合、ステップＳ５０３に戻る。他方、全ての輪郭線について処理を実行した場合、ステップＳ５０１で読み出したベース車両についての情報の記録を終了する。
上述したステップＳ５０１〜Ｓ５０８の処理を、デザインデータ記憶部１１が記憶する他のベース車両についても実行する。
上述したステップＳ５０１〜Ｓ５０８の処理を、デザインデータ記憶部１１が記憶する他のベース車両についても実行する。
次に、特徴点決定部５０がデザイン車両から特徴点を抽出する動作について説明する。
図１３は、特徴点決定部５０がデザイン車両から特徴点を抽出する動作を示すフローチャートである。
図１３は、特徴点決定部５０がデザイン車両から特徴点を抽出する動作を示すフローチャートである。
まず、輪郭線抽出部５１は、デザイナー端末９のデザイン生成部９２からデザイン車両のＳＴＬデータを取得する（ステップＳ５５１）。次に、輪郭線抽出部５１は、取得したＳＴＬデータから、Ｘ−Ｙ平面に平行な断面におけるデザイン車両の最外郭の輪郭線を、複数の断面について抽出する（ステップＳ５５２）。そして、特徴点決定部５０は、輪郭線抽出部５１が抽出した輪郭線を１つ選択し、全ての輪郭線について、以下に示すステップＳ５５４〜Ｓ５５９の処理を実行する（ステップＳ５５３）。
輪郭形状データ算出部５２は、ステップＳ５５３で選択した輪郭線で囲まれた領域の重心の座標を計算する（ステップＳ５５４）。次に、輪郭形状データ算出部５２は、ステップＳ５５３で選択した輪郭線上の点列のそれぞれについて輪郭形状データを計算する（ステップＳ５５５）。
次に、特徴点特定部５５は、モデル記憶部５３が記憶するそれぞれの輪郭形状データを基準として、輪郭形状データ算出部５２が算出した輪郭形状データについてＤＰマッチングを行うことにより、対応関係を特定する（ステップＳ５５６）。次に、類似モデル特定部５４は、ステップＳ５５６のＤＰマッチングの結果のうち、輪郭形状データ算出部５２が算出した輪郭形状データと最も類似度が高いものを抽出する（ステップＳ５５７）。
次に、特徴点特定部５５は、類似モデル特定部５４が抽出した対応関係に基づいて、類似モデル特定部５４が読み出した特徴点の列番号に対応する列番号を特定する（ステップＳ５５８）。そして、特徴点特定部５５は、特定した列番号を用いて、特徴点の三次元座標を特定し（ステップＳ５５９）、特徴量抽出部６０へ出力する。具体的には、特徴点特定部５５は、輪郭線抽出部５１が抽出した断面のｚ座標を当該特徴点のｚ座標とし、特定した列番号に対応する点のｘ座標及びｙ座標を、当該特徴点のｘ座標及びｙ座標とする。
ここで、ステップＳ５５４〜Ｓ５５９の処理を実行していない他の輪郭線がある場合、ステップＳ５５３に戻る。
このように、全ての輪郭線についてステップＳ５５４〜Ｓ５５９の処理を実行することで、デザイン車両全体における特徴点の三次元座標を抽出することができる。
このように、全ての輪郭線についてステップＳ５５４〜Ｓ５５９の処理を実行することで、デザイン車両全体における特徴点の三次元座標を抽出することができる。
なお、上述した特徴点決定部５０の例では、車両のＸ−Ｙ平面における断面の輪郭線を用いて特徴点を抽出する場合について説明したが、これに限られず、他の平面における断面を用いても良い。
また、上述した特徴点決定部５０の例では、パターンマッチングの手法としてＤＰマッチングを用いる場合について説明したが、これに限られず、例えば分割統治法や遺伝的アルゴリズムなどの他の手法を用いてパターンマッチングを行っても良い。
また、上述した特徴点決定部５０の例では、デザインデータ記憶部１１が記憶するベース車両についての情報のみをモデル記憶部５３に記録する場合について説明したが、これに限られず、モデル記録部５６は、例えばステップＳ５５１〜Ｓ５５９の処理により得られたデザイン車両についての情報をモデル記憶部５３に記録しても良い。
また、上述した特徴点決定部５０の例では、輪郭形状データの要素として、重心と輪郭線上の点とを結ぶ線分の長さｄ及び、当該線分と輪郭線のなす角の角度θを用いる場合について説明したが、これに限られない。例えば、輪郭形状データを、重心と輪郭線上の点とを結ぶ線分の長さｄのみを要素とする実数データとしても、上述した例と同様に特徴点の決定を行うことはできる。但し、この場合、線分と輪郭線のなす角の角度θを更に用いた場合と比較して誤差の範囲が大きくなり、精度が低下することとなる。
また、輪郭形状データの要素として、長さｄ、角度θ以外の要素を用いても良い。例えば、輪郭線上の点の輝度に関する値（輝度値、ＲＧＢ値、輝度の空間周波数など）を要素に取り入れても良い。
また、上述した特徴点決定部５０は、輪郭線抽出部５１がＳＴＬデータから車両の断面の輪郭線を抽出し、当該輪郭線を用いて特徴点の決定を行う場合について説明したが、これに限られない。例えば、ＳＴＬデータからシルエット画像を生成し、当該シルエット画像の輪郭線を用いて特徴点の決定を行うこともできる。また、特徴点決定部５０以外の処理部において車両の断面の輪郭線を生成し、特徴点決定部５０において輪郭線の抽出を行わない構成としても良い。
また、特徴点決定部５０による特徴点の決定方法は、ここで説明した車両の特徴点の決定以外にも用いることができる。例えば、形状が時系列的に変化する物体を撮像した動画像から、特徴点の位置を時刻毎に特定する処理などに用いることができる。
［近似モデル適用部７０の詳細な構成と動作］
図１４は、近似モデル適用部７０におけるモデル適用処理の説明図である。
同図に示すように、近似モデル適用部７０は、学習データ記憶部１２から読み出した学習データをトレーニングデータとし、入力データが各クラスに属する確率（以下、「クラス所属確率」と記載する。）を算出するためのクラス分類モデルを作成する。クラスとはカテゴリの番号であり、クラスｃ（ｃ＝１，２，…，Ｃ）のクラス所属確率をＰｃ、クラスｃのカテゴリをＳｃとすると、クラスｃのクラス所属確率Ｐｃはデザイン車両がカテゴリＳｃに属する確率を表す。クラス分類モデルの作成には、ロジスティック回帰分析の確率導出式を利用したＳＬＲ(Sparse Logistic Regression）が用いられる。
図１４は、近似モデル適用部７０におけるモデル適用処理の説明図である。
同図に示すように、近似モデル適用部７０は、学習データ記憶部１２から読み出した学習データをトレーニングデータとし、入力データが各クラスに属する確率（以下、「クラス所属確率」と記載する。）を算出するためのクラス分類モデルを作成する。クラスとはカテゴリの番号であり、クラスｃ（ｃ＝１，２，…，Ｃ）のクラス所属確率をＰｃ、クラスｃのカテゴリをＳｃとすると、クラスｃのクラス所属確率Ｐｃはデザイン車両がカテゴリＳｃに属する確率を表す。クラス分類モデルの作成には、ロジスティック回帰分析の確率導出式を利用したＳＬＲ(Sparse Logistic Regression）が用いられる。
近似モデル適用部７０は、作成したクラス分類モデルを用い、特徴量抽出部６０により抽出されたデザイン車両の特徴量である入力データについて、クラス所属確率Ｐｃ（ｃ＝１，２，…，Ｃ）を算出する。近似モデル適用部７０は、算出されたクラス所属確率Ｐ１，Ｐ２，…，ＰＣのうち最も高いクラス所属確率のクラスのカテゴリに分類されている近似モデルを選択し、選択した近似モデルを用いて入力データから解である空力性能値を算出する。
例えば同図では、入力データＮｅｗ Ｄａｔａ１について算出したクラス所属確率Ｐ１，Ｐ２，…，ＰＣのうち、最も高いクラス所属確率はＰ１である。カテゴリＳｃに分類されている近似モデルをＭｃ、近似モデルＭｃにより算出された解をＡＮＳｃとすると、近似モデル適用部７０は、クラス所属確率が最も高いクラス１のカテゴリＳ１に分類されている近似モデルＭ１を選択する。近似モデル適用部７０は、選択した近似モデルＭ１を用いてＮｅｗ Ｄａｔａ１から算出した解ＡＮＳ１を求める。
図１５は、近似モデル適用部７０の詳細な構成を示すブロック図である。同図に示すように、近似モデル適用部７０は、データ入力部７１、分類モデル作成部７２、選択部７３、性能算出部７４、及び出力部７５を備えて構成される。
データ入力部７１は、入力データとして、特徴量抽出部６０により抽出されたデザイン車両の特徴量の入力を受ける。分類モデル作成部７２は、学習データ記憶部１２に記憶されている学習データが示すデザイン車両の特徴量とカテゴリの組みから、クラス分類モデルを作成する。選択部７３は、分類モデル作成部７２が生成したクラス分類モデルを用い、デザイン車両の特徴量から、当該デザイン車両のクラス所属確率を算出し、算出したクラス所属確率に基づいて使用する近似モデルを選択する。性能算出部７４は、選択部７３により選択された近似モデルを近似モデル記憶部１３から読み出し、読み出した近似モデルを使用して、デザイン車両の特徴量から空力性能値を算出する。出力部７５は、選択部７３により選択された近似モデルと同一のカテゴリに対応して近似モデル記憶部１３から読み出した車両の各部の色の情報に基づいて感度表示画面データを生成し、空力性能値とともにデザイナー端末９に出力する。
データ入力部７１は、入力データとして、特徴量抽出部６０により抽出されたデザイン車両の特徴量の入力を受ける。分類モデル作成部７２は、学習データ記憶部１２に記憶されている学習データが示すデザイン車両の特徴量とカテゴリの組みから、クラス分類モデルを作成する。選択部７３は、分類モデル作成部７２が生成したクラス分類モデルを用い、デザイン車両の特徴量から、当該デザイン車両のクラス所属確率を算出し、算出したクラス所属確率に基づいて使用する近似モデルを選択する。性能算出部７４は、選択部７３により選択された近似モデルを近似モデル記憶部１３から読み出し、読み出した近似モデルを使用して、デザイン車両の特徴量から空力性能値を算出する。出力部７５は、選択部７３により選択された近似モデルと同一のカテゴリに対応して近似モデル記憶部１３から読み出した車両の各部の色の情報に基づいて感度表示画面データを生成し、空力性能値とともにデザイナー端末９に出力する。
図１６は、近似モデル適用部７０のモデル適用処理における動作を示すフローチャートあり、図４のステップＳ２２５〜Ｓ２３０の詳細な処理を示す。
データ入力部７１が、特徴量抽出部６０から抽出されたデザイン車両の特徴量の入力を受けると、分類モデル作成部７２は、学習データ記憶部１２から学習データを読み込む（ステップＳ７０１）。分類モデル作成部７２は、学習データの読み込みが成功すると（ステップＳ７０２：ＹＥＳ）、ＳＬＲにより、読み込んだ学習データからクラス分類モデルを作成する（ステップＳ７０３）。
データ入力部７１が、特徴量抽出部６０から抽出されたデザイン車両の特徴量の入力を受けると、分類モデル作成部７２は、学習データ記憶部１２から学習データを読み込む（ステップＳ７０１）。分類モデル作成部７２は、学習データの読み込みが成功すると（ステップＳ７０２：ＹＥＳ）、ＳＬＲにより、読み込んだ学習データからクラス分類モデルを作成する（ステップＳ７０３）。
ロジスティック回帰分析では、Ｘを従属変数のベクトル、ｘｉを説明変数、θを重みとした場合、以下の（２０）式を最大化することによって、目的変数であるクラス所属確率Ｐを（２１）式により得る。ただし、Ｘ＝（ｘ１，ｘ２，…，ｘＤ）、θ＝（θ０，θ１，θ２，…，θＤ）、θｄは特徴量ｘｄ（ｄ＝１，２，…，Ｄ）の重み、Ｄは特徴量の種類の数である。なお、添え字（ｃ）、（ｋ）はクラスを示す。また、確率Ｐ（Ｓｃ｜Ｘ）は、Ｘが与えられたときにカテゴリＳｃが得られる事後確率である。
上記より、既知判別結果を持つＮ個のトレーニングデータがあるときの入力ｘと出力ｙの関係は、以下の（２２）式となる。
分類モデル作成部７２は、（２２）式が最大となるように決定したθを用いて、以下の（２３）式に示すクラス所属確率の導出式、すなわちクラス分類モデルを生成する。なお、ｔは転置を示し、Ｘｎは分類対象の入力データである。
選択部７３は、ステップＳ７０３において分類モデル作成部７２が生成したクラス分類モデルである（２３）式を用い、特徴量抽出部６０から入力されたデザイン車両の特徴量をＸｎとして、当該デザイン車両のクラス所属確率Ｐｎ （１）〜Ｐｎ （Ｃ）を算出する。選択部７３は、算出した確率が最も高いクラスのカテゴリに分類されている近似モデルを選択する（ステップＳ７０４）。性能算出部７４は、選択部７３により選択された近似モデルを近似モデル記憶部１３から読み出し、読み出した近似モデル使用して、デザイン車両の特徴量から空力性能値を算出する（ステップＳ７０５）。
出力部７５は、ステップＳ７０４において選択部７３により確率が最も高いと判断されたカテゴリに基づいて近似モデル記憶部１３に記憶されている車両の各部の色の情報を読み出す。出力部７５は、デザインデータが示すデザイン車両の車両形状を、読み出した各部の色で表示させる感度表示画面データ生成すると、性能算出部７４が算出した空力性能値とともにデザイナー端末９に出力し、表示させる。
なお、ステップＳ７０２において、学習データの読み込みが失敗した場合（ステップＳ７０２：ＮＯ）、性能予測装置１は、所定のエラー処理を行う（ステップＳ７０６）。
［効果］
上述した実施形態によれば、複数の近似モデルを使い分けることによって、新たにデザインされた車両の空力性能を精度よく予測することができる。
また、近似モデルの学習においては、高速なモデル学習によって、空力性能に影響を与える特徴点を選択したのち、精度のよいモデル学習によって、選択した特徴点のみ用いた近似モデルを生成するため、高速に精度のよい近似モデルを生成することができる。
また、空力性能に影響を与える特徴量のみを使用した近似モデルを用いることにより、デザインされた車両の空力性能の予測時間を短縮することができる。
また、特徴点が既知の車両とのパターンマッチングに基づいて新たに生成された形状の車両の特徴点を決定するため、空力性能の算出に用いる特徴点を精度よく抽出することができる。よって、近似モデルの生成においても、近似モデルを適用した空力性能の予測においても、予測精度を向上させることが可能となる。
上述した実施形態によれば、複数の近似モデルを使い分けることによって、新たにデザインされた車両の空力性能を精度よく予測することができる。
また、近似モデルの学習においては、高速なモデル学習によって、空力性能に影響を与える特徴点を選択したのち、精度のよいモデル学習によって、選択した特徴点のみ用いた近似モデルを生成するため、高速に精度のよい近似モデルを生成することができる。
また、空力性能に影響を与える特徴量のみを使用した近似モデルを用いることにより、デザインされた車両の空力性能の予測時間を短縮することができる。
また、特徴点が既知の車両とのパターンマッチングに基づいて新たに生成された形状の車両の特徴点を決定するため、空力性能の算出に用いる特徴点を精度よく抽出することができる。よって、近似モデルの生成においても、近似モデルを適用した空力性能の予測においても、予測精度を向上させることが可能となる。
そして、上記のように空力性能を高速かつ高精度に予測できるため、車両設計における工数が短縮され、コスト削減、商品の低価格化、原価率の低減を図ることができる。また、試作モデルの数が減少するなど、開発時の環境負荷が減少し、試作のための設備を小さくすることもできる。加えて、車両の空力性能を向上させることができるとともに、モデルチェンジのサイクルを短縮してユーザのニーズに素早く対応することも可能となる。
また、空力性能の予測結果の算出を待つ時間が短縮されるため、デザイナーは、創作活動に集中することができ、これまでよりも多くのデザインに対する空力性能を確認することが可能になるため、デザイナーの空力センスやデザイン能力も向上する。
さらには、デザイン知見を活用することも容易となる。例えば、設計知見を蓄積したり、デザイナーの特製を把握したりできるほか、他社の車両の空力性能を蓄積することによって、マーケティングに活用することが可能となる。また、空力性能の予測値を意思決定の判断材料の一つとして用いることも可能となる。
また、空力性能の予測結果の算出を待つ時間が短縮されるため、デザイナーは、創作活動に集中することができ、これまでよりも多くのデザインに対する空力性能を確認することが可能になるため、デザイナーの空力センスやデザイン能力も向上する。
さらには、デザイン知見を活用することも容易となる。例えば、設計知見を蓄積したり、デザイナーの特製を把握したりできるほか、他社の車両の空力性能を蓄積することによって、マーケティングに活用することが可能となる。また、空力性能の予測値を意思決定の判断材料の一つとして用いることも可能となる。
なお、機能性能を予測する対象物を二輪車とすることもできる。また、予測する機能性能を、騒音や衝突安全性としてもよい。
［その他］
なお、上述の性能予測装置１、及びデザイナー端末９は、内部にコンピュータシステムを有している。そして、性能予測装置１のベースデザインデータ生成部２１、モーフィング部２２、学習データ生成部３０、近似モデル生成部４０、特徴点決定部５０、特徴量抽出部６０、近似モデル適用部７０、及びベースデザイン記録部８０、ならびにデザイナー端末９のデザイン生成部９２の動作の過程は、プログラムの形式でコンピュータ読み取り可能な記録媒体に記憶されており、このプログラムをコンピュータシステムが読み出して実行することによって、上記処理が行われる。ここでいうコンピュータシステムとは、ＣＰＵ及び各種メモリやＯＳ、周辺機器等のハードウェアを含むものである。
なお、上述の性能予測装置１、及びデザイナー端末９は、内部にコンピュータシステムを有している。そして、性能予測装置１のベースデザインデータ生成部２１、モーフィング部２２、学習データ生成部３０、近似モデル生成部４０、特徴点決定部５０、特徴量抽出部６０、近似モデル適用部７０、及びベースデザイン記録部８０、ならびにデザイナー端末９のデザイン生成部９２の動作の過程は、プログラムの形式でコンピュータ読み取り可能な記録媒体に記憶されており、このプログラムをコンピュータシステムが読み出して実行することによって、上記処理が行われる。ここでいうコンピュータシステムとは、ＣＰＵ及び各種メモリやＯＳ、周辺機器等のハードウェアを含むものである。
また、「コンピュータシステム」は、ＷＷＷシステムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含むものとする。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであっても良い。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含むものとする。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであっても良い。
１ 性能予測装置
９ デザイナー端末
１０ 記憶部
１１ デザインデータ記憶部
１２ 学習データ記憶部
１３ 近似モデル記憶部
２１ ベースデザインデータ生成部
２２ モーフィング部
３０ 学習データ生成部
４０ 近似モデル生成部
４１ 第１特徴量抽出部
４２ 第２特徴量抽出部
４３ 近似モデル作成部
４４ 性能評価部
４５ 近似モデル更新部
４６ サンプリング部
５０ 特徴点決定部
５１ 輪郭線抽出部
５２ 輪郭形状データ算出部
５３ モデル記憶部
５４ 類似モデル特定部
５５ 特徴点特定部
５６ モデル記録部
６０ 特徴量抽出部
７０ 近似モデル適用部
７１ データ入力部
７２ 分類モデル作成部
７３ 選択部
７４ 性能算出部
７５ 出力部
８０ ベースデザイン記録部
９１ 入力部
９２ デザイン生成部
９３ 表示部
９ デザイナー端末
１０ 記憶部
１１ デザインデータ記憶部
１２ 学習データ記憶部
１３ 近似モデル記憶部
２１ ベースデザインデータ生成部
２２ モーフィング部
３０ 学習データ生成部
４０ 近似モデル生成部
４１ 第１特徴量抽出部
４２ 第２特徴量抽出部
４３ 近似モデル作成部
４４ 性能評価部
４５ 近似モデル更新部
４６ サンプリング部
５０ 特徴点決定部
５１ 輪郭線抽出部
５２ 輪郭形状データ算出部
５３ モデル記憶部
５４ 類似モデル特定部
５５ 特徴点特定部
５６ モデル記録部
６０ 特徴量抽出部
７０ 近似モデル適用部
７１ データ入力部
７２ 分類モデル作成部
７３ 選択部
７４ 性能算出部
７５ 出力部
８０ ベースデザイン記録部
９１ 入力部
９２ デザイン生成部
９３ 表示部
Claims (5)
- 特徴量から機能性能を算出するための近似モデルをカテゴリ毎に記憶する近似モデル記憶部と、
物体形状を示す形状データから特徴量を抽出する特徴量抽出部と、
前記特徴量抽出部により抽出された前記特徴量に基づいて、前記近似モデル記憶部に記憶されている前記近似モデルの中から使用する前記近似モデルを選択する選択部と、
前記選択部により選択された前記近似モデルを使用して前記特徴量抽出部により抽出された前記特徴量から機能性能を算出する性能算出部と、
を備えることを特徴とする性能予測装置。 - 前記カテゴリ毎に、学習用の物体形状の特徴量及び機能性能値の組みを用いて前記近似モデルを生成する近似モデル生成部をさらに備える、
ことを特徴とする請求項１に記載の性能予測装置。 - 前記近似モデル記憶部は、前記機能性能への関連の強さを表す物体形状の各部の色の情報を前記カテゴリ毎に記憶し、
前記選択部により選択された前記近似モデルと同一の前記カテゴリに基づいて前記近似モデル記憶部に記憶されている前記各部の色の情報を読み出し、読み出した前記情報で示される各部の色で前記形状データが表す前記物体形状を表示させる出力部をさらに備える、
ことを特徴とする請求項１または請求項２に記載の性能予測装置。 - 特徴量から機能性能を算出するための近似モデルをカテゴリ毎に記憶する近似モデル記憶部を備えた性能予測装置が実行する性能予測方法であって、
特徴量抽出部が、物体形状を示す形状データから特徴量を抽出する特徴量抽出過程と、
選択部が、前記特徴量抽出過程において抽出された前記特徴量に基づいて、前記近似モデル記憶部に記憶されている前記近似モデルの中から使用する前記近似モデルを選択する選択過程と、
性能算出部が、前記選択過程において選択された前記近似モデルを使用して前記特徴量抽出過程において抽出された前記特徴量から機能性能を算出する性能算出過程と、
を有することを特徴とする性能予測方法。 - 性能予測装置として用いられるコンピュータを、
特徴量から機能性能を算出するための近似モデルをカテゴリ毎に記憶する近似モデル記憶部、
物体形状を示す形状データから特徴量を抽出する特徴量抽出部、
前記特徴量抽出部により抽出された前記特徴量に基づいて、前記近似モデル記憶部に記憶されている前記近似モデルの中から使用する前記近似モデルを選択する選択部、
前記選択部により選択された前記近似モデルを使用して前記特徴量抽出部により抽出された前記特徴量から機能性能を算出する性能算出部、
として機能させるプログラム。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2012143381A JP5969837B2 (ja) | 2012-06-26 | 2012-06-26 | 性能予測装置、性能予測方法、及びプログラム |
| US13/926,104 US9323886B2 (en) | 2012-06-26 | 2013-06-25 | Performance predicting apparatus, performance predicting method, and program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2012143381A JP5969837B2 (ja) | 2012-06-26 | 2012-06-26 | 性能予測装置、性能予測方法、及びプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2014006813A true JP2014006813A (ja) | 2014-01-16 |
| JP5969837B2 JP5969837B2 (ja) | 2016-08-17 |
Family
ID=50104448
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2012143381A Expired - Fee Related JP5969837B2 (ja) | 2012-06-26 | 2012-06-26 | 性能予測装置、性能予測方法、及びプログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP5969837B2 (ja) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019507411A (ja) * | 2015-12-30 | 2019-03-14 | インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ | ターゲット特性データの予測 |
| CN110119333A (zh) * | 2019-02-21 | 2019-08-13 | 北京天泽智云科技有限公司 | 一种异常检测边缘计算系统 |
| JP2020087432A (ja) * | 2018-11-20 | 2020-06-04 | ザ・ボーイング・カンパニーＴｈｅ Ｂｏｅｉｎｇ Ｃｏｍｐａｎｙ | 人工知能ベースの製造部品設計 |
| JP2020165776A (ja) * | 2019-03-29 | 2020-10-08 | トヨタ車体株式会社 | 歩行者保護性能評価装置 |
| JP2020173701A (ja) * | 2019-04-12 | 2020-10-22 | 株式会社Ihi | 形状生成装置および形状生成方法 |
| WO2021029038A1 (ja) * | 2019-08-14 | 2021-02-18 | 駿河精機株式会社 | データ処理システム |
| WO2021029037A1 (ja) * | 2019-08-14 | 2021-02-18 | 駿河精機株式会社 | 機械学習装置、データ処理システム及び機械学習方法 |
| WO2021029036A1 (ja) * | 2019-08-14 | 2021-02-18 | 駿河精機株式会社 | 機械学習装置、データ処理システム及び機械学習方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH02228763A (ja) * | 1989-03-01 | 1990-09-11 | Matsushita Electric Ind Co Ltd | 予測装置及びその方法 |
| JPH04367965A (ja) * | 1991-06-17 | 1992-12-21 | Hitachi Ltd | ニューラルネットを用いた設計支援システム |
| JPH06148038A (ja) * | 1992-11-09 | 1994-05-27 | Hitachi Ltd | 振動解析装置 |
| JPH0765168A (ja) * | 1993-08-31 | 1995-03-10 | Hitachi Ltd | 関数近似装置及び方法 |
| JPH11213026A (ja) * | 1998-01-29 | 1999-08-06 | Fujitsu Ltd | 構造解析システムおよび記録媒体 |
| JP2006194616A (ja) * | 2005-01-11 | 2006-07-27 | Shimizu Corp | 建物地震応答の簡易評価方法 |
| WO2008114687A1 (ja) * | 2007-03-16 | 2008-09-25 | The Furukawa Electric Co., Ltd. | 振動解析装置、振動解析方法及びプログラム |
| US20100057416A1 (en) * | 2008-08-29 | 2010-03-04 | Disney Enterprises, Inc. | Method and system for estimating building performance |
-
2012
- 2012-06-26 JP JP2012143381A patent/JP5969837B2/ja not_active Expired - Fee Related
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH02228763A (ja) * | 1989-03-01 | 1990-09-11 | Matsushita Electric Ind Co Ltd | 予測装置及びその方法 |
| JPH04367965A (ja) * | 1991-06-17 | 1992-12-21 | Hitachi Ltd | ニューラルネットを用いた設計支援システム |
| JPH06148038A (ja) * | 1992-11-09 | 1994-05-27 | Hitachi Ltd | 振動解析装置 |
| JPH0765168A (ja) * | 1993-08-31 | 1995-03-10 | Hitachi Ltd | 関数近似装置及び方法 |
| JPH11213026A (ja) * | 1998-01-29 | 1999-08-06 | Fujitsu Ltd | 構造解析システムおよび記録媒体 |
| JP2006194616A (ja) * | 2005-01-11 | 2006-07-27 | Shimizu Corp | 建物地震応答の簡易評価方法 |
| WO2008114687A1 (ja) * | 2007-03-16 | 2008-09-25 | The Furukawa Electric Co., Ltd. | 振動解析装置、振動解析方法及びプログラム |
| US20100057416A1 (en) * | 2008-08-29 | 2010-03-04 | Disney Enterprises, Inc. | Method and system for estimating building performance |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019507411A (ja) * | 2015-12-30 | 2019-03-14 | インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ | ターゲット特性データの予測 |
| US11200357B2 (en) | 2015-12-30 | 2021-12-14 | International Business Machines Corporation | Predicting target characteristic data |
| JP2020087432A (ja) * | 2018-11-20 | 2020-06-04 | ザ・ボーイング・カンパニーＴｈｅ Ｂｏｅｉｎｇ Ｃｏｍｐａｎｙ | 人工知能ベースの製造部品設計 |
| JP7319141B2 (ja) | 2018-11-20 | 2023-08-01 | ザ・ボーイング・カンパニー | 人工知能ベースの製造部品設計 |
| CN110119333A (zh) * | 2019-02-21 | 2019-08-13 | 北京天泽智云科技有限公司 | 一种异常检测边缘计算系统 |
| JP2020165776A (ja) * | 2019-03-29 | 2020-10-08 | トヨタ車体株式会社 | 歩行者保護性能評価装置 |
| JP7147660B2 (ja) | 2019-03-29 | 2022-10-05 | トヨタ車体株式会社 | 歩行者保護性能評価装置 |
| JP2020173701A (ja) * | 2019-04-12 | 2020-10-22 | 株式会社Ihi | 形状生成装置および形状生成方法 |
| JP7346885B2 (ja) | 2019-04-12 | 2023-09-20 | 株式会社Ihi | 形状生成装置および形状生成方法 |
| WO2021029038A1 (ja) * | 2019-08-14 | 2021-02-18 | 駿河精機株式会社 | データ処理システム |
| WO2021029037A1 (ja) * | 2019-08-14 | 2021-02-18 | 駿河精機株式会社 | 機械学習装置、データ処理システム及び機械学習方法 |
| WO2021029036A1 (ja) * | 2019-08-14 | 2021-02-18 | 駿河精機株式会社 | 機械学習装置、データ処理システム及び機械学習方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP5969837B2 (ja) | 2016-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5969837B2 (ja) | 性能予測装置、性能予測方法、及びプログラム | |
| US9323886B2 (en) | Performance predicting apparatus, performance predicting method, and program | |
| US11861461B2 (en) | Techniques for generating designs that reflect stylistic preferences | |
| CN111291678B (zh) | 一种基于多特征融合的人脸图像聚类方法及装置 | |
| JP6888484B2 (ja) | 検索プログラム、検索方法、及び、検索プログラムが動作する情報処理装置 | |
| JP7428516B2 (ja) | 編集可能なフィーチャツリーの推測のためにニューラルネットワークを学習すること | |
| US11210866B2 (en) | Forming a dataset for inference of editable feature trees | |
| CN101477529B (zh) | 一种三维对象的检索方法和装置 | |
| JP7111671B2 (ja) | 学習装置、学習システム、および学習方法 | |
| JP7129529B2 (ja) | 人工知能の使用による３ｄオブジェクトへのｕｖマッピング | |
| CN106844620B (zh) | 一种基于视图的特征匹配三维模型检索方法 | |
| CN109829065B (zh) | 图像检索方法、装置、设备及计算机可读存储介质 | |
| JP7298825B2 (ja) | 学習支援装置、学習装置、学習支援方法及び学習支援プログラム | |
| Dommaraju et al. | Identifying topological prototypes using deep point cloud autoencoder networks | |
| JP5969836B2 (ja) | モデル適用装置、モデル適用方法、及びプログラム | |
| JP2014006787A (ja) | 特徴点決定装置、特徴点決定方法、及びプログラム | |
| Dewi et al. | Synthetic traffic sign image generation applying generative adversarial networks | |
| EP3637319B1 (en) | Method for generating shape descriptors for two- or three-dimensional geometric shapes | |
| JP2014006804A (ja) | サンプリング装置、サンプリング方法、近似モデル生成装置、近似モデル生成方法及びプログラム | |
| JP5957312B2 (ja) | 記録可否判定装置、記録可否判定方法、及びプログラム | |
| Cai et al. | Active Learning Neural C-space Signed Distance Fields for Reduced Deformable Self-Collision | |
| CN111210870B (zh) | 蛋白质分类方法 | |
| CN113627522A (zh) | 基于关系网络的图像分类方法、装置、设备及存储介质 | |
| Rios et al. | Back to meshes: Optimal simulation-ready mesh prototypes for autoencoder-based 3D car point clouds | |
| KR101068937B1 (ko) | 기능성 게임의 개인화된 학습경로 생성방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20141127 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20151215 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20151218 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20160216 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20160628 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20160708 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 5969837 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |