論文の概要: SHIFT-Truck: A High-Fidelity Aerodynamics Dataset and Benchmark for Pickup Trucks

• arxiv url: http://arxiv.org/abs/2609.38638v1
• Date: Tue, 29 Sep 2026 22:55:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.818899
• Title: SHIFT-Truck: A High-Fidelity Aerodynamics Dataset and Benchmark for Pickup Trucks
• Title（参考訳）: ShiFT-Truck: 高速空力データとピックアップトラックのベンチマーク
• Abstract要約: ピックアップトラックのための最初のデータセットShift-Truckを紹介する。 スパラート・オールマラスが17の形状パラメータで変形した参照ピックアップ幾何学の1,000個の遅延分離渦シミュレーションを含む。 各ケースはレイノルズ数1.4倍の107ドルで約1億セルのメッシュ上で動作し、平均的な表面圧力、壁せん断応力、圧力、速度で放出される。 幾何群分割を定義し, 表面および体積トラック上でDoMINO, GeoTransolver, AB-UPT, SMARTの4つのニューラルネットワークサロゲートをベンチマークする。
• 参考スコア（独自算出の注目度）: 4.022062820037141
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pickup trucks account for 14% of new light-duty vehicles produced in the United States, yet are among the least aerodynamic. Their open cargo bed adds a flow absent from existing automotive aerodynamics datasets such as DrivAerML and SHIFT-SUV: the shear layer leaving the cab roof passes over a recirculating bed flow before separating again at the tailgate. The resulting drag lowers fuel efficiency, raises emissions and limits the range of electric trucks. Scale-resolved Computational Fluid Dynamics (CFD) is too costly for broad design exploration; neural surrogates can predict flow features at a fraction of that cost, provided they are trained on large-scale, high-fidelity, domain-specific data. We introduce SHIFT-Truck, the first such dataset for pickup trucks. It comprises 1,000 Spalart-Allmaras delayed detached-eddy simulations (SA-DDES) of a reference pickup geometry morphed across 17 shape parameters. Each case is run on a mesh of about 100 million cells at a Reynolds number of $1.4 \times 10^7$ and released with time-averaged surface pressure, wall shear stress, volumetric pressure and velocity. The setup is verified by grid refinement and repeated runs, and checked against wind-tunnel measurements. We define geometry-grouped splits and benchmark four neural surrogates, DoMINO, GeoTransolver, AB-UPT and SMART, on surface and volume tracks. SHIFT-Truck also introduces controlled distribution shifts in the operating point, the input surface discretization and the vehicle archetype. Models with strong in-distribution performance can degrade substantially under these shifts: operating-condition changes expose failures to infer speed dependence, while tessellation and cross-vehicle shifts reveal markedly different robustness across architectures. SHIFT-Truck is thus a benchmark not only for surrogate accuracy but also for generalization across physical and numerical distributions.
• Abstract（参考訳）: ピックアップトラックは、米国で生産される新しい軽量トラックの14%を占めるが、空力は最も少ない。 彼らのオープンカーゴベッドは、DriivAerMLやShift-SUVのような既存の自動車の空気力学データセットから流れを欠いている。 その結果、燃料効率が低下し、排出が増加し、電気トラックの範囲が制限される。 大規模で高忠実なドメイン固有データに基づいてトレーニングされた場合、ニューラルネットワークサロゲートは、そのコストのごく一部でフロー特性を予測することができる。 ピックアップトラックのための最初のデータセットShift-Truckを紹介する。 これは17の形状パラメータで変形した参照ピックアップ幾何のSpalart-Allmaras遅延分離渦シミュレーション(SA-DDES)からなる。 各ケースはレイノルズ数1.4 \times 10^7$で約1億セルのメッシュ上で動作し、平均表面圧力、壁せん断応力、体積圧力、速度で放出される。 このセットアップはグリッドの改良と繰り返し実行によって検証され、風洞計測に対してチェックされる。 幾何群分割を定義し, 表面および体積トラック上でDoMINO, GeoTransolver, AB-UPT, SMARTの4つのニューラルネットワークサロゲートをベンチマークする。 ShiFT-Truckは、操作点における制御された分布シフト、入力面の離散化、車両のアーチタイプも導入している。 運用条件の変更は、速度依存を推論する障害を露呈する一方で、テッセルレーションと車間シフトは、アーキテクチャ間で明らかに異なるロバスト性を示す。 従ってShift-Truckは、サロゲート精度だけでなく、物理および数値分布の一般化のためのベンチマークである。

関連論文リスト

• HGPTrans: Hierarchical Graph-Pooling Transolver for Automotive Aerodynamic Drag Coefficient Prediction [4.6204257898221845]
  本稿では,車両表面メッシュから直接C_D$を予測するための階層型グラフプーリングネットワークであるHGPTransを提案する。 このモデルは、大規模なDriivAerNetとDriivAerNet++データセットでトレーニングされ、評価される。 評価基準線のうち、最小平均絶対誤差と平均二乗誤差を達成する。
  論文  参考訳（メタデータ） (2026-09-24T07:59:46Z)
• A Neural Network Based Teleoperation for Remote Controlled Vehicles [98.38733381483934]
  車両の直接遠隔操作は重要な技術的ボトルネックに直面している。 通信遅延とオペレーターの 物理的に知覚できない 未モデル化の環境障害。 本稿では,一方的な遠隔操作フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-11T01:51:08Z)
• Machine Learning-Based Reconstruction for Resistive Silicon Sensors [53.365453214937496]
  抵抗型シリコンセンサの機械学習による再構成と圧縮について検討した。 相関パッドからのフルウェーブフォーム情報を用いて、再構成を規則化し、空間情報を抽出する。 まず、LSTM層に基づくリカレントニューラルネットワークモデルを紹介し、フルウェーブフォーム再構成のための概念実証実装を提供する。
  論文  参考訳（メタデータ） (2026-07-13T14:03:26Z)
• Geometry-Aware Surrogate for Real-Time Hydrodynamics Estimation of Autonomous Ground Vehicles in Amphibious Environments [0.0]
  この研究は、幾何学的-流体力学的力をリアルタイムで予測することでギャップを埋める、地下ニューラルネットワークサロゲートを提示する。 車両固有距離場 (SDF) は, 車両形状, 深度, 流れ方向によってどのように荷重が変化するかをモデルが決定できるように, 地下沈下入力を提供する。 実環境下でのモデル評価には,水深の異なるフルスケール車両の水圧試験を用いる。
  論文  参考訳（メタデータ） (2026-05-18T15:24:23Z)
• Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
  Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。 本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。 このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
  論文  参考訳（メタデータ） (2026-04-10T17:12:07Z)
• LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G [85.58816960936069]
  Sixth-Generation (6G) Open Radio Access Networks (O-RAN) における能動的およびエージェント的制御は、厳密なニアタイム(Near-RT)レイテンシと計算制約の下で制御グレードの予測を必要とする。 本稿では,効率的な無線テレメトリ予測のための変圧器後パラダイムについて検討する。 本稿では、自己アテンションを安定な状態空間動的カーネルに置き換える量子インスピレーション付き状態空間テンソルネットワークを提案する。
  論文  参考訳（メタデータ） (2026-01-18T12:08:38Z)
• Car Drag Coefficient Prediction from 3D Point Clouds Using a Slice-Based Surrogate Model [0.6882042556551609]
  本稿では,3次元車両形状の逐次スライスワイズ処理に基づいて,空力抵抗係数(Cd)の予測を行うための軽量サロゲートモデルを提案する。 DrivAerNet++データセットでトレーニングされ評価されたこのモデルは、Cd予測において高い判定係数(R2 > 0.9528)と低い平均絶対誤差(MAE approx 6.046 x 10-3)を達成する。
  論文  参考訳（メタデータ） (2026-01-05T13:41:20Z)
• Going with the Speed of Sound: Pushing Neural Surrogates into Highly-turbulent Transonic Regimes [19.286954413935025]
  本稿では,超音速系における3次元翼のCFDシミュレーションのデータセットを提案する。 データセットは、ユニークな幾何学とインフロー条件を持つ約30,000ドルのサンプルのために、ボリュームと表面レベルのフィールドで構成されている。 我々はTransolverやAB-UPTなど,いくつかの最先端のニューラルネットワークをデータセット上で評価した。
  論文  参考訳（メタデータ） (2025-11-26T15:06:19Z)
• DrivAerStar: An Industrial-Grade CFD Dataset for Vehicle Aerodynamic Optimization [17.541117004160892]
  計算コストのかかるCFD(Computational Dynamics)シミュレーションは、設計イテレーション毎に数週間生成される。 DrivAerStarは、学術機械学習の研究と産業CFDの実践をブリッジする最初のデータセットであり、自動車開発におけるデータ駆動型空力最適化の新しい標準を確立している。 自動車アプリケーション以外にも、DriivAerStarは、高忠実度物理シミュレーションをAI(Artificial Intelligence)と統合するためのパラダイムをデモしている。
  論文  参考訳（メタデータ） (2025-10-19T14:42:32Z)
• Motion Planning and Control for Multi Vehicle Autonomous Racing at High Speeds [100.61456258283245]
  本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。 提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
  論文  参考訳（メタデータ） (2022-07-22T15:16:54Z)

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。