8.000 Open-Source-Modelle für nachhaltige Mobilität
Effizientere Autodesigns mit KI
Automobilhersteller investieren oft mehrere Jahre in das Design eines Fahrzeugs. Dabei werden zunächst 3D-Modelle simuliert, bevor die vielversprechendsten Entwürfe im Windkanal getestet werden. Die Details und Spezifikationen dieser Tests, einschließlich der Aerodynamik eines bestimmten Designs, werden in der Regel nicht veröffentlicht. Fortschritte in Bereichen wie Kraftstoffeffizienz oder Reichweite von Elektrofahrzeugen sind daher oft langsam und auf die jeweiligen Unternehmen beschränkt.
Autodesigns mithilfe generativer KI
Als Ausgangspunkt für DrivAerNet++ nutzten die Forschenden 3D-Modelle aus dem Jahr 2014, die von Audi und BMW bereitgestellt wurden und unterschiedliche Karosserieformen von Autos repräsentieren. Zusätzlich veränderten sie bei diesen Modellen 26 Parameter wie Länge, Unterbodenmerkmale und Windschutzscheibenneigung systematisch. Das Team führte außerdem komplexe Strömungssimulationen durch, um zu berechnen, wie groß der Luftwiderstand der einzelnen generierten Autodesigns ist.
Die Forschenden verfolgen damit das Ziel, DriverAerNet++ als Trainingsdatensatz für generative KI einzusetzen. So können riesige Datenmengen in Sekunden analysiert und neuartige Designs generiert werden. Zwar existieren solche Tools, doch die dafür erforderlichen Daten waren bisher nicht frei zugänglich.
Kraftstoffeffizientere Autos und Fortschritte bei Elektroautos
Angela Dai, Professorin für 3D Artificial Intelligence an der TUM, sagt: „Unser Datensatz kann als umfangreiche Bibliothek genutzt werden, um mithilfe von KI-Modellen in kurzer Zeit neue Designs zu generieren, die zukünftig zu kraftstoffeffizienteren Autos oder Elektrofahrzeugen mit längerer Reichweite führen sollen.“
Mohamed Elrefaie, Erstautor der Studie sagt: „Dieser Datensatz legt den Grundstein für die nächste Generation von KI-Anwendungen im Autobau, fördert effiziente Designprozesse, senkt Kosten in der Forschung und Entwicklung und treibt Fortschritte in Richtung einer nachhaltigeren Automobilzukunft voran.“
M. Elrefaie, F. Morar, A. Dai, and F. Ahmed. DrivAerNet++: A large-scale multimodal car dataset with computational fluid dynamics simulations and deep learning benchmarks. In Thirty-eigth Conference on Neural Information Processing Systems Datasets and Benchmarks Track, 2024.
- Angela Dai ist Kernmitglied am Munich Institute of Robotics and Machine Intelligence (MIRMI), Munich Data Science Institute (MDSI) und Munich Center for Machine Learning.
- Die Professur 3D Artifical Intelligence gehört zur TUM School of Computation, Information and Technology.
- Video zur Publikation
- Meldung des MIT
- Forschung zu Künstlicher Intelligenz und Mobilität an der TUM.
Technische Universität München
Corporate Communications Center
- Julia Rinner
- julia.rinner@tum.de
- presse@tum.de
- Teamwebsite
Kontakte zum Artikel:
Prof. Dr. Angela Dai
Technische Universität München
Professur für 3D Artifical Intelligence
angela.dai@tum.de
