用于车辆碰撞动力学三维时空预测的刚体-形变分解 AI 框架
计算工程、金融与科学
2025-12-18 v2 人工智能
摘要
本研究提出了一种用于车辆碰撞动力学的刚体-形变分解框架，以缓解隐式神经表示（即直接将时空坐标映射到物理场的基于坐标的神经网络）的频谱偏差。我们引入了一种分层架构，使用两个特定尺度的网络（记为 RigidNet 和 DeformationNet）将全局刚体运动与局部形变解耦。为强制实现这两个组件之间的运动学分离，我们采用了冻结锚点训练策略并结合四元数增量方案。该策略缓解了联合训练中观察到的运动学不稳定性，与常规直接预测方案相比，将刚体运动误差降低了 29.8%。稳定的刚体锚点提高了高频结构屈曲的分辨率，使总插值误差降低了 17.2%。损失景观分析表明，该分解平滑了优化曲面，增强了对角外推中分布偏移的鲁棒性，使误差降低了 46.6%。为在数值精度之外评估物理有效性，我们将分解后的组件与代表性能上限的 Oracle 模型进行了基准比较。所提框架恢复了刚体与形变组件之间 92% 的方向相关性，以及相对于 Oracle 96% 的空间形变定位精度，同时以 8 ms 的延迟跟踪时间能量动力学。这些结果表明，刚体-形变分解能够对非线性碰撞动力学进行准确且物理可解释的预测。
引用
@article{arxiv.2503.19712,
title = {Rigid-Deformation Decomposition AI Framework for 3D Spatio-Temporal Prediction of Vehicle Collision Dynamics},
author = {Sanghyuk Kim and Minsik Seo and Sunwoong Yang and Namwoo Kang},
journal= {arXiv preprint arXiv:2503.19712},
year = {2025}
}
备注
38 pages, 24 figures