論文の概要: CarCrashNet: A Large-Scale Dataset and Hierarchical Neural Solver for Data-Driven Structural Crash Simulation

• arxiv url: http://arxiv.org/abs/2605.07098v1
• Date: Fri, 08 May 2026 01:28:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.714751
• Title: CarCrashNet: A Large-Scale Dataset and Hierarchical Neural Solver for Data-Driven Structural Crash Simulation
• Title（参考訳）: CarCrashNet: データ駆動型構造クラッシュシミュレーションのための大規模データセットと階層型ニューラルネットワーク
• Authors: Mohamed Elrefaie, Dule Shu, Matthew Klenk, Faez Ahmed,
• Abstract要約: textscCarCrashNetは、データ駆動構造クラッシュシミュレーションのためのオープンソースのベンチマークである。 textscCrashrは、高分解能有限要素衝突データから全車衝突予測のために設計された機械学習モデルである。
• 参考スコア（独自算出の注目度）: 6.262156989842945
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Crash simulation is a cornerstone of modern vehicle development because it reduces the need for costly physical prototypes, accelerates safety-driven design iteration, and increasingly supports virtual testing workflows. At the same time, modeling structural crash mechanics remains exceptionally challenging: the response is governed by nonlinear contact, large deformation, material plasticity, failure, and complex multi-body interactions evolving over space and time on high-resolution finite-element meshes. In this work, we introduce \textsc{CarCrashNet}, a public high-fidelity open-source benchmark for data-driven structural crash simulation. \textsc{CarCrashNet} combines component-scale and full-vehicle simulations in a multi-modal format, including more than 14{,}000 bumper-beam pole-impact simulations with varying geometry, materials, and boundary conditions, together with 825 full-vehicle crash simulations built from three industry-standard vehicle models of increasing structural complexity: Dodge Neon, Toyota Yaris, and Chevrolet Silverado. To establish the reliability of the benchmark, we validate our open-source finite-element workflow based on OpenRadioss against both experimental crash data and the commercial solver Ansys LS-DYNA. We also introduce \textsc{CrashSolver}, a machine-learning model designed for full-vehicle crash prediction from high-resolution finite-element crash data. We further perform extensive benchmarking across the released datasets and evaluate \textsc{CrashSolver} against state-of-the-art geometric deep learning and transformer-based neural solvers. Our results position \textsc{CarCrashNet} as a foundation for reproducible research in structural simulation, crashworthiness modeling, and AI-driven virtual crash testing. The dataset is available at https://github.com/Mohamedelrefaie/CarCrashNet.
• Abstract（参考訳）: ククラッシュシミュレーションは、コストのかかる物理的プロトタイプの必要性を減らし、安全駆動設計のイテレーションを加速し、仮想テストワークフローをますますサポートするため、現代の車両開発の基盤となる。 反応は非線形接触、大きな変形、材料の塑性、破壊、高分解能有限要素メッシュ上の空間と時間で変化する複雑な多体相互作用によって制御される。 本研究では,データ駆動型構造クラッシュシミュレーションのための高忠実度オープンソースベンチマークである \textsc{CarCrashNet} を紹介する。 \textsc{CarCrashNet}は、14{,}000バンパービームポールインパクトシミュレーションや、様々な幾何学、材料、境界条件を含むマルチモーダル形式でのコンポーネントスケールとフルビークルシミュレーションと、構造的な複雑さを増す3つの業界標準車両モデル(Dodge Neon、Toyota Yaris、Chevrolet Silverado)から構築された825のフルビークルクラッシュシミュレーションを組み合わせている。 ベンチマークの信頼性を確立するため,OpenRadiossに基づくオープンソースの有限要素ワークフローを,実験的なクラッシュデータと商用解法Ansys LS-DYNAの両方に対して検証した。 また,高分解能有限要素衝突データから全車衝突予測を行う機械学習モデルである「textsc{CrashSolver}」も導入した。 さらに、リリースされたデータセットにわたって広範なベンチマークを行い、最先端の幾何学的深層学習とトランスフォーマーベースのニューラルソルバに対して、 \textsc{CrashSolver} を評価する。 以上の結果から, 構造シミュレーション, クラッシュ性モデリング, およびAI駆動の仮想クラッシュテストにおける再現可能な研究の基礎として, textsc{CarCrashNet} を位置づけた。 データセットはhttps://github.com/Mohamedelrefaie/CarCrashNetで公開されている。

関連論文リスト

• Asset Harvester: Extracting 3D Assets from Autonomous Driving Logs for Simulation [63.01022057888141]
  Asset Harvesterはイメージ・ツー・3Dモデルとエンドツーエンドのパイプラインで、実際の運転ログからスパース・イン・ザ・ワン・オブジェクトの観察を完全なシミュレーション可能なアセットに変換する。 SparseViewDiTは、限定角度ビューやその他の実世界のデータ課題に対処するように明示的に設計されている。
  論文  参考訳（メタデータ） (2026-04-20T16:20:57Z)
• Automotive Crash Dynamics Modeling Accelerated with Machine Learning [0.739600786135545]
  我々は、NVIDIA PhysicsNeMoフレームワークを用いて、クラッシュシナリオにおける構造変形の効率的な予測のための機械学習に基づくサロゲートモデルを開発した。 クラッシュダイナミクスをモデル化するための2つの最先端ニューラルネットワークアーキテクチャ、MeshGraphNetとTransolverについて検討する。 モデルでは、全体的な変形傾向を合理的な忠実さで捉え、構造的クラッシュダイナミクスに機械学習を適用する可能性を示している。
  論文  参考訳（メタデータ） (2025-10-17T00:03:33Z)
• A Foundation Model for Material Fracture Prediction [37.06207593775499]
  フラクチャー予測のためのデータ駆動基礎モデルを提案する。 シミュレーター、幅広い材料、様々な負荷条件で作動する。 さまざまな下流タスクに関する最小限のデータで微調整できる。
  論文  参考訳（メタデータ） (2025-07-30T20:23:36Z)
• RealEngine: Simulating Autonomous Driving in Realistic Context [60.55873455475112]
  RealEngineは3Dシーン再構成と新しいビュー合成技術を統合する新しい運転シミュレーションフレームワークである。 実世界のマルチモーダルセンサーデータを活用することで、RealEngineはバックグラウンドシーンとフォアグラウンドトラフィック参加者を別々に再構築し、非常に多様な現実的なトラフィックシナリオを実現する。 RealEngineは、非反応性シミュレーション、安全性テスト、マルチエージェントインタラクションの3つの重要な駆動シミュレーションカテゴリをサポートしている。
  論文  参考訳（メタデータ） (2025-05-22T17:01:00Z)
• Learning Traffic Crashes as Language: Datasets, Benchmarks, and What-if Causal Analyses [76.59021017301127]
  我々は,CrashEventという大規模トラフィッククラッシュ言語データセットを提案し,実世界のクラッシュレポート19,340を要約した。 さらに,クラッシュイベントの特徴学習を,新たなテキスト推論問題として定式化し,さらに様々な大規模言語モデル(LLM)を微調整して,詳細な事故結果を予測する。 実験の結果, LLMに基づくアプローチは事故の重大度を予測できるだけでなく, 事故の種類を分類し, 損害を予測できることがわかった。
  論文  参考訳（メタデータ） (2024-06-16T03:10:16Z)
• DrivAerNet++: A Large-Scale Multimodal Car Dataset with Computational Fluid Dynamics Simulations and Deep Learning Benchmarks [25.00264553520033]
  DrivAerNet++は、高忠実度計算流体力学(CFD)シミュレーションをモデルとした8000の多種多様な自動車設計で構成されている。 データセットには、ファストバック、ノッチバック、エステートバックといった多様な車種が含まれており、内燃機関と電気自動車の両方を表す車体と車輪のデザインが異なる。 このデータセットは、データ駆動設計最適化、生成モデリング、代理モデルトレーニング、CFDシミュレーションアクセラレーション、幾何学的分類を含む幅広い機械学習アプリケーションをサポートしている。
  論文  参考訳（メタデータ） (2024-06-13T23:19:48Z)
• SimGen: Simulator-conditioned Driving Scene Generation [50.03358485083602]
  シミュレーション条件付きシーン生成フレームワークSimGenを紹介する。 SimGenは、シミュレータと現実世界のデータを混ぜることで、多様な運転シーンを生成することを学ぶ。 テキストプロンプトとシミュレータからのレイアウトに基づいて制御性を保ちながら、優れた生成品質と多様性を実現する。
  論文  参考訳（メタデータ） (2024-06-13T17:58:32Z)
• Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
  Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-10-12T20:49:15Z)
• Multi-intersection Traffic Optimisation: A Benchmark Dataset and a Strong Baseline [85.9210953301628]
  交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。 問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。 エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2021-01-24T03:55:39Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。