基于切片的3D点云汽车拖曳系数预测模型
计算机视觉与模式识别
2026-01-06 v1 机器学习
摘要
汽车行业追求提高燃油经济性和性能，然而传统评估方法如计算流体动力学(CFD)和风洞测试资源密集，阻碍了早期设计阶段的快速迭代。基于机器学习的代理模型提供了有前景的替代方案，但许多现有方法计算复杂度高、解释性有限，或不足以准确处理详细几何输入。本文引入一种新型轻量级代理模型，用于基于3D车辆几何的顺序切片处理预测气动阻力系数(Cd)。灵感来自医学成像，将车辆的3D点云沿流向轴分解为有序的2D横截面切片序列。每个切片由轻量级PointNet2D模块编码，切片嵌入序列由双向LSTM处理以捕获纵向几何演化。该模型在DrivAerNet++数据集上训练和评估，实现了高度决定系数(R^2 > 0.9528)和低均方绝对误差(MAE约为6.046 x 10^{-3})的Cd预测。基于消费级GPU的推理时间约为0.025秒/样本，使我们的 approach 提供快速、准确且具有解释性的气动反馈，促进更敏捷、明智的汽车设计探索。
引用
@article{arxiv.2601.02112,
title = {Car Drag Coefficient Prediction from 3D Point Clouds Using a Slice-Based Surrogate Model},
author = {Utkarsh Singh and Absaar Ali and Adarsh Roy},
journal= {arXiv preprint arXiv:2601.02112},
year = {2026}
}
备注
14 pages, 5 figures. Published in: Bramer M., Stahl F. (eds) Artificial Intelligence XLII. SGAI 2025. Lecture Notes in Computer Science, vol 16302. Springer, Cham