启飞汽车

图1 目标车型外轮廓线特征点 

    基于贝塞尔曲线的特性, 15个特征点中, 8个为曲线锚点 (Pi, i=1, 2, …, 8) , 以实心点表示;7个为曲率控制点 (Ci', i'=1, 2, …, 7) , 以空心点表示。将15个点的x、y坐标作为汽车造型基因, 从而形成该种车型造型的设计基因向量, 其造型设计变量表达式为

图2 汽车造型设计变量映射过程  

图3 设计空间 
 

3.1几何阈值约束

    不同的车型具有不同的体量和特征信息, 为了辅助后续的进化算法确定约束阈值, 从而保证进化结果中不会出现完全脱离汽车特征的个体, 必须事先获得目标车型的几何特征与变化区间等信息。根据国家汽车分类标准GB/T 3730.1-2001和相关的技术法规与人机信息, 采用时间序列分析法, 先抽取目标车型所在车型中的所有车型侧面轮廓线特征点 (图4) , 然后进行特征点叠加提取和极值筛选, 便可得到目标车型所在车型造型基因演变阈值空间向量和, 其阈值约束表达式为

图4 车型特征点叠加提取 

    式 (2) 的约束图解如图5所示。
 

图5 几何阈值约束 (以C3、P4点为例) 

3.2几何逻辑约束
   
    汽车造型设计中存在着一些潜在的几何逻辑规则约束, 如小型两厢车中后箱高度应比前箱的进气格栅高一些等。另外, 在其造型设计变量中存在着一些参数之间的逻辑规则约束, 通过有针对性地制定某些规则可以减少变量的个数。例如为了保持轴距, 在图6所示的所有个体特征点中, P1点的横坐标和P8点的横坐标与纵坐标一直是保持不变的, 也即这三个变量不作为设计变量参与后续的计算。另外, 由于汽车特征线具备汽车造型几何特征意义的先决条件是P1~P3之间的曲线连续, 即C1、P2、C2同线, 同理, C3、P4、C4同线, C4、P5、C5同线, C6、P7、C7同线。为降低风险、减少变量, 并保证特征点间的曲线连续, 特规定C1、C3、C5和C7四点的纵坐标值都通过其他特征点的坐标值计算得出, 计算采用的原理是三点中任意两点斜率相同则三点共线。其计算表达式为
 

图6 几何逻辑约束之周边点逻辑约束 

    根据P点和C点的几何逻辑关系, 可得到图6中P点和C点的生成和约束规则 (P'n和C'n'为生成点, 其中, n=1, 2, …, 8;n'=1, 2, …, 7) 共60个 (图6中只显示了部分规则) 。其表达式为

由于小型两厢车中后箱高度应比前箱的进气格栅高度要高一些 (图7) , 故当n=7时, 有

图7 几何逻辑约束之两点间逻辑约束 
 

3.2.1人机、品牌约束

    本文的人机和品牌约束研究基于Ekam的人机方法和Mc Cormack等的形状文法研究结果而展开, 通过对生成的锚点和曲率控制点之间的人机和品牌逻辑关系进行约束, 保证了更多可能符合人机要求与品牌特征的汽车造型样本不被遗弃。例如, 当驾驶者由眼椭圆范围目测到P4相对于P3的后倾程度为60°时, P4与P3的高度差应为200 mm, 故当n=4时, 有

    由目标车型的品牌特征得到的进气格栅高度关系如图8所示, 图中, 当n=2时, 有

图8 品牌约束   

图9 汽车造型多目标优化方法流程图 
 

    将前述设计空间中的几何阈值约束、几何逻辑约束以及人机和品牌约束共同作为多目标设计空间约束用于验证进化生成的新个体, 其规则核心为, 输出满足上述约束的个体, 并对其进行交互式评价, 淘汰不满足上述约束的个体, 并重新选择个体进行交叉变异, 生成新的个体, 如此循环往复, 直至满足约束条件为止。
    在一般的进化算法中, 交叉概率 (Pc) 的通常取值范围为0.25~0.75, 变异概率 (Pm) 的通常取值范围为0.01~0.2。由于遗传进化的初始种群规模通常在100个个体以上, 而汽车造型往往因其复杂性和受案例范围的限制, 进化的样本只有5个个体, 故在造型时适当增大变异概率, 有利于强化下一代个体的创造性和启发造型设计师的灵感。通过多次调试发现, 变异概率在0.2~0.4之间取值较为合适, 因此, 在本文实例的侧视顶型线进化过程中, 将变异概率取为0.3, 交叉概率取为0.55, 和普通的进化算法没有太大区别。

2.评价模块

    评价模块用于对进化生成的新个体进行造型美学评价。由于评价需要以目标车型造型意象为导向, 故借用Zhang等通过问卷实验抽取目标车型造型意象高层语义 (即比较抽象的语义如可爱、素雅等) 的方法, 为目标车型抽取高层语义期望意象形容词, 然后将抽取出的高层语义映射到特征操作语义 (即比较具体的语义如圆润等) 上, 最终利用特征操作语义对进化出的个体进行问卷实验打分并得出结果。
    美学评价中有大量的基于语义的造型评价方法, 如Osgood语义差异法、层次分析法等, 其方法大都采用先获取期望意象形容词, 然后按量表进行打分, 并通过对分值进行优化处理而得到全面准确的评价意见。上述基于语义的评价方法因具有可快速得到感性评价量化结果以及可以指导下一步的设计和研究工作等优点而得到广泛应用。由于应用高层语义进行造型评价时, 不同的人有时会存在不同的感观反应, 这种感观性偏差会导致评价结果的可信性大大降低。而作为低层语义的特征操作语义, 由于其感性程度较低, 个体理解差异性较小, 故作为评价工具比较可信。
    研究发现, 高层语义和特征操作语义间存在一定的映射。为了规避高层语义评价可信性差和特征操作语义表意性弱的问题, 本文在设计造型评价方法时, 将目标车型的高层语义映射到若干特征操作语义上, 让评价者面对较为具体的特征操作语义进行评价打分 (分值为1~5分) , 之后按权重聚合即可得到最终数值评价结果, 将评价数值作为该个体的适应度代入算法中继续迭代, 直到获得意向的优质个体。上述流程方法既可发挥高层语义和特征操作语义的优势, 又可规避造型语义评价的劣势。其流程如图10所示。
 

图1 0 评价模块流程图 
 

3.迭代终止条件

    创意实际上就是一种探索, 优化方法如果用得太早, 就会导致探索性减弱。当设计参数由可变变为确定时, 解空间就变得愈加受限, 随后的变化选择自由度就越小。因此, 对于前期造型设计来说, 需要的是设计空间, 而非设计集中。而对于造型进化而言, 需要的是提供一个有传承性的良好的解, 而非一个单一的孤立解。在用该方法计算的第五代以后的进化结果中, 如果有连续两代出现至少3个评分大于等于4 (总分值为1~5) 的个体时, 即认为达到了目标设计空间的设计要求, 可终止进化。

三、汽车造型多目标优化方法实践案例

    选取小型两厢车中某品牌车型作为目标车型, 按前述方法从目前市场上甄选出与目标车型差异度最小的4款车型, 然后将其与目标车型一起共同组成表1所示的初始种群矩阵表。

表1 初始种群矩阵表     

    表2所示为抽取该类车型造型基因演变阈值Q而形成的小型两厢车造型基因演变阈值空间。

表2 小型两厢车造型基因演变阈值空间     

 

    本文经过约束评价后的个体进化迭代计算至12代终止。为了让目标车型的基因遗传下去, 将每代目标车型都作为最优个体进行优化迭代, 最终得到图11所示的48个新车型。
    图12所示为从图11中的48个新车型个体中再次择优选出的8个优质新车型个体 (适应度最高) 。图13为设计师按个人喜好在8个优质个体中选择一个, 然后根据其侧面轮廓线的启发并结合人机和市场定位等进行发散, 设计并绘制出的样车草图。图14所示为在图13草图基础上经过精致细化而得到的最终样车设计方案。

四、结论

    (1)总结出综合解决各方面问题的结构完整的汽车造型多目标优化设计方法。该方法通过将汽车造型意象映射到数学模型上, 然后在设计空间内进行进化和评价迭代, 从而获得最优的汽车造型优化设计方案。
 

图11 进化结果  

 图12 优质个体   
 

    (2)提出了汽车设计空间的概念, 该空间是用几何阈值、几何约束和人机品牌约束等共同逼近而形成的内部汽车造型自由虚拟空间。在该空间内部, 设计师可以自由地发挥创意, 但强调只有在该空间内部的设计才是合格的设计。
 

 图13 设计草图   

 图14 最终样车设计方案 

    (3)提出了规避高层语义评价可信性差和特征操作语义表意性弱的规则方法。该方法以高层语义抽取目标意向, 以特征操作语义进行评价, 把两者之间形成的映射关系交互运用于汽车造型意象评价, 从而获得较佳的评价效果。