Mobile-Menu

8‘000 Open-Source-Modelle für nachhaltige Mobilität Effizienteres Autodesign mit KI

Verantwortliche:r Redakteur:in: Andreas Müller 2 min Lesedauer

Anbieter zum Thema

Technische Universität München
Heidrive GmbH
CADFEM Germany GmbH
ELBCAMPUS Kompetenzzentrum

Neue Fahrzeuge zu designen, ist teuer und zeitaufwändig. Daher kommt es zwischen den Modell-Generationen in der Regel nur zu kleinen Veränderungen im Autodesign. Mit DriverAerNet++ haben Forschende der Technischen Universität München (TUM) und des Massachusetts Institute of Technology (MIT) nun den größten Open-Source-Datensatz für Autoaerodynamik entwickelt.

Angela Dai, Professorin für 3D Artificial Intelligence an der Technischen Universität München: „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.“(Bild: Astrid Eckert, TU München)
Angela Dai, Professorin für 3D Artificial Intelligence an der Technischen Universität München: „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.“
(Bild: Astrid Eckert, TU München)

Mehr als 8‘000 Modelle, die die gängigsten Fahrzeugtypen repräsentieren, ermöglichen es, mithilfe von Künstlicher Intelligenz (KI) effizientere Designs zu entwerfen. Das Ziel sind kostengünstigere Entwicklungsprozesse, kraftstoffsparende Autos und Fortschritte bei Elektrofahrzeugen.

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.

Autodesign 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.“

INfo: DrivAerNet++ 

  • Effizientere Designs mittels Open-Source-Datenbank mit den 8'000 gängigsten Fahrzeugtypen.

  • Datensatz ermöglicht schnellere und günstigere Entwicklung von kraftstoffsparenden Autos und Fortschritte bei Elektrofahrzeugen.

  • Bisher waren diese Daten nicht frei zugänglich, sondern auf die jeweiligen Unternehmen beschränkt.

Publikation: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.

Video: DrivAerNet++: A Large-Scale Multimodal Car Dataset with Computational Fluid Dynamics Simulations

Jetzt Newsletter abonnieren

Verpassen Sie nicht unsere besten Inhalte

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung. Die Einwilligungserklärung bezieht sich u. a. auf die Zusendung von redaktionellen Newslettern per E-Mail und auf den Datenabgleich zu Marketingzwecken mit ausgewählten Werbepartnern (z. B. LinkedIn, Google, Meta).

Aufklappen für Details zu Ihrer Einwilligung

Weiterführende Inhalte