Startseite, Technik und Verkehr sind die wichtigsten Fachbereiche, in denen sich die Forschung bewegt. Forschende vom MIT haben einen Open-Source-Datensatz veröffentlicht, der mehr als 8.000 Fahrzeugdesigns enthält. Dieser Datensatz soll die Grundlage für die Entwicklung umweltfreundlicherer Fahrzeuge sein.

Der Wert des Open-Source-Datensatzes

Die Autodesigns sind in verschiedenen Darstellungen verfügbar, wie parametrisch, als Punkwolken, 3D-Netz oder Stromlinien. Ein Auto zu entwerfen ist ein langwieriger Prozess, der neben einer Design- und Entwurfsphase auch 3D-Modelle und Simulationen umfasst. Der Open-Source-Datensatz DrivAerNet++ soll diesen Prozess beschleunigen und verbessern. Er enthält über 8.000 Fahrzeugdesigns mit detaillierten Informationen zur Aerodynamik, basierend auf Strömungssimulationen. Dies bietet den Vorteil, dass sich der Datensatz von verschiedenen KI-Modellen nutzen lässt. Die Forschenden planen, mit dem KI-Modell neue Designs zu entwickeln. Automodelle, die so entstehen, könnten weniger Kraftstoff benötigen oder mit Elektroantrieb eine größere Reichweite abdecken.

Die Vorteile des DrivAerNet++

Das Besondere an DrivAerNet++ ist, dass jedes der 8.000 Designs des Datensatzes in verschiedenen Darstellungen verfügbar ist. Dies bietet mehr Möglichkeiten für die Entwicklung neuer Fahrzeugdesigns. Die Forschenden fokussierten sich vor allem auf die Aerodynamik eines Autos, da sie eine große Rolle bei der Festlegung der Reichweite eines Elektrofahrzeugs und der Kraftstoffeffizienz eines Verbrennungsmotors spielt. Sie starben mit Basismodellen an, die von Audi und BMW 2014 zur Verfügung gestellt wurden. Mit diesen Basismodellen wollten sie die Lücke zwischen einfachen und komplizierten Designs schließen.

Die Verwendung des Morphing-Varianten

Die Forschenden nutzten zusätzlich eine Morphing-Variante, mit der 26 Parameter eines bestimmten Fahrzeugs leicht verändert wurden. Auf diese Art und Weise entstand ein eigenes Fahrzeugdesign und damit weitere Datensätze, mit denen die Forschenden ihr System trainieren konnten. Daraus entstanden neue Designs, die im Anschluss ebenfalls die Strömungs-Simulationen durchlaufen konnten. Auch daraus ließen sich wieder neue Daten generieren, so dass am Ende mehr als 8.000 unterschiedliche, physikalisch genaue 3d-Autoformen vorlagen. Diese Designs decken die gängigsten Pkw-Typen ab, die heute das Straßenbild ausmachen.

Der Nutzen für die Automobilindustrie

Der Datensatz DrivAerNet++ eignet sich dazu, ein bestimmtes KI-Modell zu trainieren, um besondere Fahrzeugkonfigurationen zu entwickeln, die vor allem hinsichtlich der Aerodynamik einen deutlichen Fortschritt bedeuten. Die Forschenden sind überzeugt, dass der Datensatz auch in anderer Richtung eine Hilfe darstellt. Man kann damit die Aerodynamik eines Automodells bewerten lassen und schnell und kostengünstig Ergebnisse erhalten, wie effizient das Auto beim Kraftstoffverbrauch ist oder wie groß die elektrische Reichweite eines Autos ist. „Mit diesem Datensatz können Sie generative KI-Modelle trainieren, um Dinge in Sekunden, statt in Stunden zu erledigen“, erklärt Ahmed. Diese Modelle können dazu beitragen, den Kraftstoffverbrauch von Fahrzeugen mit Verbrennungsmotor zu senken und die Reichweite von Elektroautos zu erhöhen – und damit letztlich den Weg für nachhaltigere, umweltfreundlichere Fahrzeuge ebnen.