論文の概要: Surrogate Assisted Pedestrian Protection Design via a Foundation Model Orchestrated Workflow
- arxiv url: http://arxiv.org/abs/2606.17577v1
- Date: Tue, 16 Jun 2026 06:27:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-17 17:15:32.309986
- Title: Surrogate Assisted Pedestrian Protection Design via a Foundation Model Orchestrated Workflow
- Title（参考訳）: 基礎モデルオーケストレーションワークフローによる歩行者保護設計を支援するサロゲート
- Authors: Osamu Ito, Akihiko Katagiri, Yoshikazu Nakagawa, Shin Saeki, Jun Shiraishi, Masato Sasaki,
- Abstract要約: 事故安全設計のための最初の基礎モデル-組織化されたワークフローを提示する。
歩行者保護のためのサロゲート支援探査を可能にし、CAEシミュレーション1時間あたりの評価時間を秒に短縮する。
自動車のフロントバンパーケーススタディでは、このワークフローは35種類の異なる安全対応の代替品を生成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AI-driven engineering workflows face particular challenges in crash safety design: unlike aerodynamics, crash events involve highly nonlinear contact dynamics, material nonlinearity, and discrete state transitions that are difficult to capture with data-driven surrogate models. To the best of our knowledge, we present the first foundation model--orchestrated workflow for crash safety design that enables surrogate-assisted exploration for pedestrian protection, reducing evaluation time from hours per CAE simulation to seconds. The workflow integrates four components: (1) a surrogate trained on CAE crash simulations to predict pedestrian leg injury metrics from design parameters, achieving an average $R^2=0.87$ and providing distribution-free conformal prediction intervals; (2) multiobjective evolutionary search (NSGA-II) to discover diverse feasible parameter sets under user-specified constraints; (3) a morphing-based geometry generator that maps parameters to topology-preserving 3D shapes; and (4) a natural-language interface in which an LLM orchestrates the workflow and a vision--language model supports semantic comparison of generated designs. In an automotive front-bumper case study, the workflow produces 35 distinct safety-compliant alternatives from a single exploration, a process that would require weeks with conventional CAE iteration. These results suggest that foundation models can serve as integration layers between ML surrogates and physics-based simulation, helping bring AI capabilities to safety-critical engineering domains.
- Abstract（参考訳）: AI駆動のエンジニアリングワークフローは、クラッシュ安全設計において特に課題に直面している。空気力学とは異なり、クラッシュイベントには、非常に非線形な接触ダイナミクス、物質的非線形性、データ駆動のサロゲートモデルではキャプチャが難しい離散状態遷移が含まれる。
我々の知る限り、我々は衝突安全設計のための最初の基礎モデル構築ワークフローを提示する。これは、歩行者保護のための代理支援探索を可能にし、CAEシミュレーション1時間あたりの評価時間を秒に短縮する。
ワークフローは,(1)CAEの衝突シミュレーションに基づいて,平均的なR^2=0.87$を達成し,分布自由な共形予測区間を提供するためのサロゲート,(2)ユーザ指定制約下での多様な実現可能なパラメータセットを発見するための多目的進化探索(NSGA-II),(3)パラメータをトポロジを保存する3次元形状にマッピングするモーフィングベースの幾何学的ジェネレータ,(4)LLMがワークフローをオーケストレーションし,視覚言語モデルが生成した設計のセマンティック比較をサポートする自然言語インタフェースである。
自動車のフロントバンパーケーススタディでは、このワークフローは、従来のCAEイテレーションで数週間かかるプロセスである単一の探索から、35の異なる安全対応の代替品を生成する。
これらの結果は、基礎モデルがMLサロゲートと物理ベースのシミュレーションの統合レイヤとして機能し、AI能力を安全クリティカルなエンジニアリング領域にもたらすことを示唆している。
関連論文リスト
- Faster by Design: Interactive Aerodynamics via Neural Surrogates Trained on Expert-Validated CFD [7.948688528462053]
計算流体力学(CFD)は、レースカーの空力開発の中心である。
そのコストは、現実的な予算で実現可能な設計スペースの探索を著しく制限する。
新しいAIベースのサロゲートモデルは、このボトルネックを軽減することを約束する。
論文 参考訳（メタデータ） (2026-04-20T16:42:35Z) - AutoSurrogate: An LLM-Driven Multi-Agent Framework for Autonomous Construction of Deep Learning Surrogate Models in Subsurface Flow [5.022047193471448]
AutoSurrogateは、地下フロー問題のためのディープラーニングサロゲートを構築するための多エージェントフレームワークである。
機械学習の専門知識のない実践者は、自然言語で高品質なサロゲートを構築できる。
我々は,3次元炭素貯蔵モデリングタスクにおけるAutoSurrogateの有用性を実証し,透水性場を圧力にマッピングし,31回以上の飽和場をCO$$で提供する。
論文 参考訳（メタデータ） (2026-04-13T18:36:02Z) - RADAR: Closed-Loop Robotic Data Generation via Semantic Planning and Autonomous Causal Environment Reset [48.645870795753105]
ロボットのためのロバスト自動データ取得(RADAR)について紹介する。
RADARは完全に自律的でクローズドループのデータ生成エンジンで、収集サイクルから人間の介入を完全に取り除きます。
シミュレーションでは、複雑な長期タスクにおいて、最大90%の成功率を達成する。
論文 参考訳（メタデータ） (2026-03-12T11:18:52Z) - Transolver-3: Scaling Up Transformer Solvers to Industrial-Scale Geometries [51.028432812178266]
Transolver-3は、高忠実度物理シミュレーションのために設計されたTransolverファミリーの新しいメンバーである。
Transolver-3は1億6000万以上のセルでメッシュを処理でき、3つの挑戦的なシミュレーションベンチマークで優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-02-04T16:52:44Z) - EmboCoach-Bench: Benchmarking AI Agents on Developing Embodied Robots [68.29056647487519]
Embodied AIは、高忠実度シミュレーションと大規模データ収集によって実現されている。
しかし、このスケーリング能力は、労働集約的な手作業の監視に依存しているため、いまだにボトルネックになっている。
実装ポリシーを自律的に構築するための LLM エージェントの能力を評価するベンチマークである textscEmboCoach-Bench を紹介する。
論文 参考訳（メタデータ） (2026-01-29T11:33:49Z) - InternVLA-A1: Unifying Understanding, Generation and Action for Robotic Manipulation [77.07565723756119]
InternVLA-A1は動的予測機能を備えた視覚言語モデルである。
我々は、実世界のロボットデータ、合成シミュレーションデータ、人間のビデオなどを用いて、これらのモデルを異種データソース上で事前訓練する。
InternVLA-A1を実世界の12のロボットタスクとシミュレーションベンチマークで評価した。
論文 参考訳（メタデータ） (2026-01-05T18:54:29Z) - URDF-Anything: Constructing Articulated Objects with 3D Multimodal Language Model [76.08429266631823]
3次元マルチモーダル大言語モデル(MLLM)に基づくエンドツーエンドの自動再構築フレームワークを提案する。
URDF-Anythingは、ポイントクラウドとテキストマルチモーダル入力に基づく自己回帰予測フレームワークを使用して、幾何学的セグメンテーションと運動論的パラメータ予測を協調的に最適化する。
シミュレーションと実世界の両方のデータセットの実験は、我々の手法が既存の手法よりも大幅に優れていることを示した。
論文 参考訳（メタデータ） (2025-11-02T13:45:51Z) - Attention to Detail: Fine-Scale Feature Preservation-Oriented Geometric Pre-training for AI-Driven Surrogate Modeling [6.34618828355523]
AI駆動サロゲートモデリングは、3D設計、分析、製造のための物理ベースのシミュレーションの代替として、ますます効果的になっている。
本研究は,非パラメトリック3次元モデルから微細な幾何学的特徴を捉えるための自己教師付き幾何学的表現学習手法を提案する。
論文 参考訳（メタデータ） (2025-04-27T17:10:13Z) - Merging Models on the Fly Without Retraining: A Sequential Approach to Scalable Continual Model Merging [75.93960998357812]
ディープモデルマージ(Deep Modelmerging)は、複数の微調整モデルを組み合わせて、さまざまなタスクやドメインにまたがる能力を活用する、新たな研究方向を示すものだ。
現在のモデルマージ技術は、全ての利用可能なモデルを同時にマージすることに集中しており、重量行列に基づく手法が主要なアプローチである。
本稿では,モデルを逐次処理するトレーニングフリーなプロジェクションベース連続マージ手法を提案する。
論文 参考訳（メタデータ） (2025-01-16T13:17:24Z) - Investigation of Physics-Informed Deep Learning for the Prediction of
Parametric, Three-Dimensional Flow Based on Boundary Data [0.0]
熱水車シミュレーションにおける3次元流れ場予測のためのパラメータ化サロゲートモデルを提案する。
物理インフォームドニューラルネットワーク (PINN) の設計は, 幾何学的変動に応じて, 流れ解の族を学習することを目的としている。
論文 参考訳（メタデータ） (2022-03-17T09:54:22Z)
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。