Decoupled Dynamics Framework with Neural Fields for 3D Spatio-temporal Prediction of Vehicle Collisions

要約

この研究は、グローバルな剛体運動と局所構造変形を独立してモデル化することにより、3D車両衝突ダイナミクスを予測する神経枠組みを提案します。
絶対変位を直接予測するアプローチとは異なり、この方法は、車両の全体的な翻訳と回転を構造変形から明示的に分離します。
2つの専門的なネットワークは、フレームワークのコアを形成します。硬化運動のための四項ベースの剛性ネットと、局所変形のための座標ベースの変形ネットです。
基本的に異なる物理現象を独立して処理することにより、提案されたアーキテクチャは、各コンポーネントの個別の監督を必要とせずに正確な予測を実現します。
このモデルは、利用可能なシミュレーションデータの10％のみでトレーニングされており、単一の多層パーセプトロン（MLP）やディープオペレーターネットワーク（DEEPONET）を含むベースラインモデルを大幅に上回り、予測エラーは最大83％減少します。
広範な検証は、トレーニング範囲外の衝突条件に対する強力な一般化を実証し、極端な速度と大きな衝撃角を含む深刻な影響の下でさえ、応答を正確に予測します。
さらに、このフレームワークは、計算努力を増やすことなく、低解像度の入力から高解像度の変形の詳細を成功裏に再構築します。
その結果、提案されたアプローチは、複雑な衝突シナリオ全体で車両の安全性を迅速かつ信頼できる評価のための効果的で計算効率的な方法を提供し、予測の忠実度を維持しながら、必要なシミュレーションデータと時間を大幅に削減します。

要約(オリジナル)

This study proposes a neural framework that predicts 3D vehicle collision dynamics by independently modeling global rigid-body motion and local structural deformation. Unlike approaches directly predicting absolute displacement, this method explicitly separates the vehicle’s overall translation and rotation from its structural deformation. Two specialized networks form the core of the framework: a quaternion-based Rigid Net for rigid motion and a coordinate-based Deformation Net for local deformation. By independently handling fundamentally distinct physical phenomena, the proposed architecture achieves accurate predictions without requiring separate supervision for each component. The model, trained on only 10% of available simulation data, significantly outperforms baseline models, including single multi-layer perceptron (MLP) and deep operator networks (DeepONet), with prediction errors reduced by up to 83%. Extensive validation demonstrates strong generalization to collision conditions outside the training range, accurately predicting responses even under severe impacts involving extreme velocities and large impact angles. Furthermore, the framework successfully reconstructs high-resolution deformation details from low-resolution inputs without increased computational effort. Consequently, the proposed approach provides an effective, computationally efficient method for rapid and reliable assessment of vehicle safety across complex collision scenarios, substantially reducing the required simulation data and time while preserving prediction fidelity.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google