启飞汽车

    采用贝塞尔曲线的数学表达方式对造型特征线进行统一的基因型转化。本研究采用二次方贝塞尔曲线对造型特征线进行拟合, 将其转化成若干个特征点坐标构成的特征线基因型, 在此基础上进行基因数据的进化。二次方贝塞尔曲线的参数形式为 
    以主特征线 (E1, E2, E3) 为例, 将其特征线基因要素分为锚点 (表示为Pi, i=1, 2, …, n) 和曲率控制点 (表示为Ci, i=1, 2, …, n) 。如图2所示, 通过两种基因要素的组合对主特征线E1、E2、E3进行基因表达。

二、期望意象驱动的汽车造型基因进化

    本研究中采用遗传算法作为造型基因的进化算法。基于用户期望意象形容词构建汽车造型基因进化的人工适应度评价函数, 获取符合用户期望意象度较高的造型特征线种子, 进而达到辅助汽车造型设计师进行以用户期望为导向的设计创新。

1.基于遗传算法的造型基因进化流程

    基于遗传算法的造型基因进化主要涉及初始种群选择、适应度定义以及交叉变异概率和收敛条件等问题。用户期望意象驱动的汽车造型基因进化流程如图3所示, 首先通过多种途径获取造型基因样本案例, 选取优良样本案例进行特征抽取和基因型转化, 由此得到进化的初始种群。进化程序进行交叉与变异, 并基于复合适应度评估机制对结果进行评估, 若评价后种群部分结果已经达到进化期望, 则进化结束;否则再次进行适应度评价, 进入进化迭代。
 

图3 特征线进化过程
 

2.初始种群的设定

    为了能够匹配用户期望意象, 每个初始种群的种子都能够至少涵盖用户对于汽车造型期望意象的部分信息, 并且要能够在车型、尺寸等方面满足造型进化的几何描述规则。初始种群有多种获取途径, 本研究采用以下两种方式。
    (1)通过互联网、汽车期刊等收集相关竞争车型资料, 并经过用户、设计师的评审, 提取能够体现用户期望意象的汽车图片作为进化样本案例。
    (2)设计师根据用户期望意象绘制车型概念表现图, 并通过用户、设计师评审提取最能代表用户期望意象的设计概念表现图, 以此作为初始种群的样本案例。
    将初始种群样本案例进行三维数字建模, 截取正侧面模型图片, 然后利用矢量绘图软件提取汽车侧面轮廓线 (E1, E2, E3) , 从而实现初始种群样本的特征抽取和几何描述。由于不同样本案例的几何尺寸有差异, 故而在尽量保证样本造型信息不失真的情况下, 需要对样本特征线以前轮圆心为基准进行等比例缩放, 统一几何尺寸。

3.适应度评估机制

    由于汽车造型设计的非理性和不确定性, 评价标准往往难以完全量化。因此本研究在造型基因进化过程中采取交互进化来捕捉并跟踪设计意象。为了能够使造型进化符合用户的造型期望意象, 降低汽车新产品开发风险。汽车造型基因进化的人工适应度评价必须按照用户期望意象进行, 具体操作流程如下。
    (1)通过用户问卷调研和标杆产品情报分析提取N对用户期望意象形容词对 (基于Osgood的语义空间三要素, 本研究提取3个最具代表性的形容词作为用户期望意象形容词) 并赋予权重 (0~1) 。根据用户期望意象形容词及其权重, 制定人工适应度评价函数为：

 
    式中, α、β代表意象形容词权重;F1、F2、F3代表用户期望意象形容词量化值。
    (2)设计者根据用户期望意象形容词对子代种子进行评价, 并按照7点心理量表打分。
    (3)将用户期望意象形容词权重及评价分值, 代入人工适应度评价函数得出该子代种子的人工适应度评价值。
    设计师对进化子代种群进行基于用户期望意象形容词的评价, 符合特定适应度值的种子才能进入下一轮的进化, 这样就可以在一定程度上保证造型进化是按照用户期望意象进行, 从而降低新产品开发的风险。再者, 汽车造型设计必须面向生产和制造, 还须根据汽车造型的几何特征规则构建自动适应度过滤机制。该过滤机制亦可控制生成种群的规模, 减少人工适应度评估的工作量, 提高进化效率和精确度。以主特征线E1 (汽车前引擎盖侧面轮廓线) 为例, 将该特征线转化为二次贝塞尔曲线表示, 如图4所示。主特征线E1具备汽车造型几何特征意义的先决条件是P1至P3之间的曲线连续, 即C1、P2、C2同线。其次, 若进一步加入汽车造型几何特征意义, P1至P3曲线上的任意一点必须低于 (y轴小于) P3点且高于 (y轴大于) P1点。
 

图4 汽车主特征线E1的特征点表达

4.交叉和变异

    常规遗传算法中, 由于种群规模较大, 因此交叉概率Pc通常取值Pc=0.25~0.75, 变异概率Pm通常取值Pm=0.01~0.20。本研究由于汽车造型的复杂性和案例范围的限制以及人工参与适应度评价的局限, 种群规模较小。因此, 在造型特征线进化过程中应适当增加变异概率Pm。经过算法调试, 变异概率Pm=0.2~0.4取值较为合适。

5.收敛条件

    由于汽车造型的非理性、不确定性, 用户期望意象驱动的汽车造型基因进化不是搜索“最优”解, 而是为了获取有限资源下“用户满意”解的集合。因此, 在自动适应度筛选的基础上, 由设计师基于用户期望意象完成造型基因进化的收敛。设计师对进化后的种群进行基于用户期望意象形容词的评价, 若评价后种群部分结果已经达到进化期望, 则进化结束, 否则再次进入进化迭代。

三、实例研究

    本研究以两厢微型汽车侧面轮廓特征线进化设计为例进行研究。微型车具有价格低廉、低油耗、多用途等特点, 其用户多为25~35岁的年轻人, 月薪基本处于3 000~5 000元人民币, 购车目的多做为代步工具。
    通过问卷调研和标杆车型情报分析的方法获取了用户对于微型车的造型期望意象形容词为饱满、雅致、流畅、轻巧、和谐、开放、感性和高档等。经过聚类分析及结合Osgood语义空间三要素, 将微型车造型设计用户期望意象形容词最终确定为雅致、饱满、流畅。进一步将其制作成形容词对为俗气——雅致;干瘪——饱满;别扭——流畅 (图5) 。基于层次分析法[19-20]的思想, 以“微型车造型符合用户期望意象”为总目标, 对“雅致、饱满、流畅”三个意象形容词进行两两比较, 计算权重数值。又由于造型设计的主观性和非理性, 计算结果再次经过用户、设计师讨论取整后, 得出雅致、饱满、流畅三个形容词的权重为0.4、0.3、0.3, 并根据此权重, 最终将进化设计人工适应度评价函数确定为： 
    式中, F1为雅致 (量化值) ;F2为轻巧 (量化值) ;F3为流畅 (量化值) ;α=0.4;β=0.3。

 

图5 用户期望意象形容词7点量表图
 

    由人工适应度评价函数结合自动适应度评价过滤规则, 从而构建微型车造型特征线进化复合适应度评价机制。通过互联网和汽车期刊收集18款 (轴距相差较小) 在售微型车的效果图和三视图, 选取15名典型用户和15名具有3年以上汽车造型设计经验的设计师, 按照用户期望意象形容词 (雅致、饱满、流畅) 对收集的微型车进行造型意象评价打分, 最后选出适应度较高的5款微型车作为本试验的初始种群。利用三维建模软件对选中的5款微型车进行三维电子建模, 截取正侧面的电子模型图片, 然后在矢量绘图软件中提取5辆微型车的侧面轮廓特征线, 得到5条矢量侧面轮廓特征线, 并将它们以前轮圆心为基准进行等比例缩放统一几何尺寸 (图6) , 然后通过贝塞尔曲线公式把特征线转化为硬点坐标, 形成初始种群 (下表) 。
 

图6 初始种群案例特征线

表 初始种群 
 

    通过12代基于用户期望意象引导的特征线的进化迭代, 获取了6个适应度最高个体, 即该代种群中最符合用户期望意象的造型基因特征线方案 (图7) 。根据造型进化获取的优良子代特征线进行后期的微型车造型设计, 既可以传承微型车的造型基因, 又在一定程度上耦合用户期望意象。

图7 进化所得优秀种子
 

四、结论

    本研究以汽车造型基因典型元素——造型特征线为研究载体, 基于遗传算法对用户期望意象驱动的汽车造型基因进化设计进行研究。
    (1)研究了用户期望意象驱动的汽车造型基因进化设计流程, 对于初始种群构建、适应度评估、交叉、变异以及收敛条件进行分析。
    (2)创造性地提出了基于用户期望意象形容词构建造型进化人工适应度评估机制, 实现了用户期望意象驱动的造型基因进化目标。
    (3)将该方法应用于微型汽车造型基因进化设计项目, 初步证明了该方法的合理性和可行性。
    由于汽车造型设计过程的复杂性, 目前该方法还有待于进一步深入研究, 未来的工作是:
    (1) 多条特征线协同进化问题;
    (2) 如何将进化结果与后期造型设计进行更好的衔接问题。


作者：胡伟峰 赵江洪  来源：机械工程学报

福利：做任何事情，都有方法。比如汽车行业如何最短时间内获取高薪，其实，是一件很容易的事情，结合汽车行业十多年工作经历，我做了一次系统全面总结无偿分享大家，文章共计十篇。帮助更多的网友在汽车行业快速发展。同时，我业余时间整理一套免费经典的CATIA视频教程， 汽车设计领域必备软件工具，大家有需要的，可以给我留言，请加qq:1011852705，微信qifei1799。提“启飞”就可以获取下载链接:汽车行业快速突破月薪过万绝密分享和catia视频精品一套。明确方向，精准学习，为以后在汽车行业职场做好铺垫。
 

---

学习 启飞课程

让启飞为“你的未来”助力！