基于体素化模型的深度强化学习车辆空气动力学优化
机器人学
2024-05-21 v1 计算机视觉与模式识别
摘要
空气动力学设计优化在提高汽车车辆性能和效率方面发挥着至关重要的作用。本文提出了一种用于汽车设计中空气动力学优化的新方法，利用深度强化学习 (DRL)。传统优化方法常面临在复杂设计空间中处理难题以及捕捉设计参数与空气动力学性能指标之间非线性关系的挑战。本研究通过采用 DRL 在体素化模型表示中学习最优空气动力学设计策略来解决这些挑战。该方法利用体素化模型将车辆几何结构离散化为体素网格，实现对空气动力学流场的详细表征。随后采用 Proximal Policy Optimisation (PPO) 算法训练 DRL 智能体，以最小化车辆的阻力、动能和体素碰撞数来优化设计参数。实验结果表明，所提出的方法在实现显著的空气动力学性能提升方面有效且高效。研究发现，DRL 技术在汽车工程中解决复杂空气动力学设计优化问题具有潜力，对提高车辆性能、燃油效率和环境可持续性具有深远意义。
引用
@article{arxiv.2405.11492,
title = {Enhancing Vehicle Aerodynamics with Deep Reinforcement Learning in Voxelised Models},
author = {Jignesh Patel and Yannis Spyridis and Vasileios Argyriou},
journal= {arXiv preprint arXiv:2405.11492},
year = {2024}
}