核心内容摘要
IAR用DAP调试多核，新买的DAP报错：Fatal error: Failed to connect to CPUSession aborted!...如何解决？
DragSolver: A Multi-Scale Transformer for Real-World Automotive Drag Coefficient Estimation刘野陈云天宁波东方理工大学上海交通大学引用格式Liu Y, Chen Y. DragSolver: A Multi-Scale Transformer for Real-World Automotive Drag Coefficient Estimation[C]// Proceedings of the Forty-Second International Conference on Machine Learning,
2025.
问题定义为什么要算风阻系数图一问题定义当汽车高速行驶时空气阻力成为制约车辆性能的关键因素。
汽车外形细微的变化都会引起风阻系数 Cd 的波动显著影响燃油经济性、电动车续航里程以及车辆的最高速度。
因此在设计阶段能够实时、精准地预测风阻系数对于车辆外形优化至关重要。
传统的CFD仿真或风洞测试方法虽然精确但每次仿真往往耗时数小时甚至数天难以满足工业界“大规模外形快速评估”的实际需求。
因此业界迫切需要一种快速、高精度且泛化能力强的风阻系数估计方案。
图二面临挑战
深度学习估计汽车风阻系数面临的五大挑战
多尺度耦合问题汽车整体形状与局部细节如后视镜、扰流板共同决定风阻系数如何高效建模不同尺度下的复杂空气动力学
车型尺寸差异不同车型在尺寸、比例、外观上的差异极大网络直接学习难以泛化。
网格异构性汽车模型可能来自不同网格划分方式网格密度和数量差异显著需要构建与网格密度无关的统一表征。
内部结构干扰风阻系数仅与汽车外表面相关但真实数据通常包含座椅、方向盘等内部结构如何减少这些内部结构对预测结果的干扰
不确定性需求工程实践中工程师通常需要预测的不仅是风阻系数本身还需要提供模型预测的不确定性以进行风险评估和权衡。
数据驱动的解决方案DragSolver针对上述神经网络估计风阻系数的挑战来自宁波东方理工大学等机构的研究者提出了一种数据驱动的方法能快速准确地估计不同汽车的风阻系数。
他们在最新的论文《DragSolver: A Multi-Scale Transformer for Real-World Automotive Drag Coefficient Estimation》中提出了用于真实汽车风阻系数估计的多尺度Transformer模型DragSolver并发表于人工智能顶级会议ICML 2025。
该模型利用大量的开源数据训练而成能够快速准确估计多种汽车外形的风阻系数。
该方法针对上面的挑战提出了多个改进整体方法框架如图三所示。
该框架包含四个核心组件
异构尺度归一化将尺寸各异的车辆网格转换为统一表示。
表面引导门控减少与空气动力学无关的内部结构的干扰使网络聚焦于外表面
多尺度架构编码器结合体素池化、位置编码和注意力机制兼顾全局与局部的空气动力学特征
认知不确定性估计通过蒙特卡洛 DropoutMC Dropout为风阻系数估计提供置信度评估。
训练完成的DragSolver模型能够直接输入汽车外形的情况下快速准确地估计汽车的风阻系数。
具体来说1异构尺度归一化针对不同车型在物理尺寸和网格密度上差异巨大直接输入会导致特征分布混乱的问题该研究提出了异构尺度归一化先将各车型的轴距标准化到固定长度再整体缩放到统一包围盒消除大尺度差异然后结合曲率自适应的 mesh 采样与均匀采样使稠密与稀疏网格都获得均衡的局部几何覆盖将异构网格归一化为一致的多尺度特征分布为后续编码器提供稳定输入。
2表面引导门控机制针对实车 CAD/扫描常携带座椅、方向盘等内部结构而训练集多为外表面若不处理会显著劣化预测。
该研究提出了表面门控方法首先基于射线深度快速去除明显内部体素然后在编码器的输入层和最终层用 MLP 估计软门控权重动态抑制剩余内部或边界不确定点中间层保持自由注意力只保留对外部气动流有影响的表面特征显著提升对“隐藏内饰”场景的鲁棒性。
3多尺度结构针对汽车阻力同时受宏观外形与局部细节支配需层级式感受野。
该研究提出了多尺度的Transformer结构一共5级编码器每级下采样2倍通道数×2。
在各级输出施加全局池化并串联形成 “浅局部 深全局” 综合描述后送入回归 MLP以同时捕获车身整体轮廓如车顶曲率与局部装饰如扰流板对风阻系数的耦合影响。
4不确定性估计针对工业设计迭代中工程师不仅要估计风阻系数还需量化模型信心以做风险权衡该研究提出了在最终回归 MLP 使用 Monte Carlo Dropout推理时执行10次随机遮挡前向输出均值作为预测、方差作为不确定度仅微小推理开销即可给出置信区间便于在形状优选流程中进行“高性能-高可信”筛选。
图三DragSolver 整体框架示意图
实验验证快速、精准、稳定且泛化性强该方法在三个公开数据集上 DrivAerNetDrivAerNetDrivaerML进行测试DragSolver达到目前最优水平。
DragSolver 实现了快于 CFD 数千倍的推理速度同时保持高精度与高度泛化可直接嵌入汽车造型早期的“生成-评价-迭代”闭环DragSolver相较于次优方法精度优势相较于次优模型平均相对误差降低了64%R²提高了7%表二。
噪声鲁棒在合成噪声干扰的情况下仍能保持最低误差体现出更好的鲁棒性表三。
少样本泛化能力仅用10%训练数据即可达到其他模型全量训练性能表四。
推理速度优势单车型预测时间仅需
9–5秒比传统CFD模拟速度提升数千倍真正实现实时评估。
表一三个公开数据集的主要特征与统计信息表二DragSolver与现有先进方法的性能比较表三不同噪声强度下DragSolver与先进方法的鲁棒性对比表四不同训练数据量下DragSolver与其他模型的性能对比
行业影响与未来展望降本增效风阻评估实现从“项目级仿真”到“实时点击即评估”的转变极大提高了设计效率。
推动绿色设计有助于电动车和新能源商用车优化空气动力学性能延长续航里程并降低碳排放。
跨领域应用潜力DragSolver方法框架天然具备跨领域迁移能力可拓展至无人机、风能叶片、高铁车头等众多空气动力学敏感领域。
公众号原文链接文末附论文资源ICML2025|宁波东方理工大学刘野陈云天DragSolver用于真实汽车风阻系数估计的多尺度Transformer方法注文章由作者原创供稿并获得作者授权发布。