基于基础模型编排工作流的代理辅助行人保护设计

# 基于基础模型协调工作流的代理辅助行人保护设计
来源：https://arxiv.org/html/2606.17577
伊藤 修*†, 片桐 明彦†, 中川 義和, 佐伯 真, 白石 淳 & 佐々木 雅人
本田技研工业株式会社，日本埼玉县和光市，邮编 351-0188
[email protected]

###### 摘要

AI驱动的工程工作流在碰撞安全设计中面临特殊挑战：与空气动力学不同，碰撞事件涉及高度非线性的接触动力学、材料非线性以及离散状态转换，这些难以通过数据驱动的代理模型捕捉。据我们所知，我们首次提出了一种基于基础模型协调的工作流，用于碰撞安全设计，实现了行人保护的代理辅助探索，将每次CAE仿真数小时的评估时间缩短至数秒。

该工作流集成了四个组件：(1) 一个在CAE碰撞仿真上训练的代理模型，用于根据设计参数预测行人腿部伤害指标，平均R²=0.87，并提供无分布假设的共形预测区间；(2) 多目标进化搜索算法（NSGA-II），用于在用户指定约束下发现多样化的可行参数集；(3) 基于形变的几何生成器，将参数映射为保持拓扑的三维形状；(4) 一个自然语言界面，其中大语言模型协调工作流，视觉-语言模型支持对生成设计进行语义比较。

在一个汽车前保险杠案例研究中，该工作流通过单次探索产生了35种不同的安全合规备选方案，而使用传统CAE迭代方式则需要数周时间。这些结果表明，基础模型可以作为机器学习代理模型和基于物理的仿真之间的集成层，有助于将AI能力引入安全关键的工程领域。

00脚注：*通讯作者。†同等贡献。

## 1 引言

车辆造型必须同时满足美学、安全和封装约束。在行人保护方面，前端几何形状决定了冲击力如何传递到行人腿部，而伤害结果则非线性地依赖于保险杠、格栅和发动机罩的配置。传统的CAE仿真 fidelity 高但计算成本昂贵，限制了早期迭代。与空气动力学类似，当目标未达到时，设计师必须修改造型几何并重新运行CAE，这形成了一个昂贵的试错循环。

基于代理的探索在空气动力学领域已取得成功，因为其性能主要取决于外部表面几何形状。行人保护表现出相同的迭代结构：未达到伤害目标意味着需要修改前端造型并重新评估。然而，碰撞安全本质上是不同的：伤害结果同时取决于外部几何形状和*内部结构响应*——包括变形、能量吸收和载荷传递。这种造型-结构耦合会产生高维且可能不连续的响应，对数据驱动建模构成挑战。

我们的关键见解是，在早期造型探索阶段，可以在不丢失与初始设计决策最相关的关系的前提下，有意地简化这种耦合。具体来说，我们用参数化弹簧-质量模型替换详细的结构模型，将设计空间降维至10维，使得代理建模变得可处理。结合基于形变的几何生成和基于LLM的协调，这实现了碰撞安全设计的代理辅助探索。

我们的贡献在于：(1) 一种新颖的、基于基础模型协调的碰撞安全设计工作流（第3节）；(2) 一种有意的CAE数据简化策略，使代理建模在早期造型探索中变得可处理（第4节）；以及 (3) 一个集成的设计循环，结合了保持多样性的搜索、基于形变的几何生成和基于VLM的语义比较（第5-7节）。

## 2 相关工作

**汽车安全的代理建模。** 代理模型已被探索作为汽车安全设计中基于物理仿真的计算高效替代方案（Ito等人，2019；Kaushik等人，2021）。大多数先前研究强调预测准确性，并将代理模型主要用作独立评估器，而没有将其嵌入包含约束感知搜索和几何生成的端到端设计探索流程中。最近的基于图和网格的方法将代理建模扩展到耐撞性和显式结构动力学（Li等人，2025a；Kneifl等人，2025；Nabian等人，2025），但其适用性通常限于定义狭窄的组件或受限制的几何变化。相比之下，我们的工作将代理预测、进化搜索和几何生成集成到一个由基础模型协调的封闭设计循环中。

**从空气动力学到碰撞安全。** 在空气动力学设计中，代理模型已超越独立预测器的角色，与设计探索和几何生成相结合，实现了代理辅助、面向造型的三维形状优化（Chen和Ramamurthy，2021；Jabón等人，2024；Vatani等人，2025）。类似的端到端工作流尚未在碰撞安全领域中实现，这主要是由于物理特性和数据特征的差异，包括不连续的接触相互作用、强烈的材料非线性，以及由于耗时碰撞仿真设置导致的数据集可用性有限。

**设计空间探索。** 多目标进化算法如NSGA-II（Deb等人，2002）被广泛用于探索工程设计中的权衡，但由于昂贵的基于CAE的适应度评估，其直接应用于碰撞安全通常不切实际。代理辅助评估是减轻这种成本的常见策略（Jones等人，1998）。在我们的设置中，我们利用NSGA-II的种群多样性机制，主要目的不是为了帕累托优化，而是为了在安全约束下生成多样化的可行设计。

**工程中的几何生成与基础模型。** 最近在学习的3D生成方面的进展（例如，VAEs、扩散模型、NeRFs）提高了对数据驱动几何合成的期望。然而，安全关键的工程提出了严格要求：生成的形状常常违反物理约束，缺乏CAE兼容的拓扑，并且无法保证制造所需的尺寸精度。特别是对于碰撞安全，由于接触非线性，即使是微小的几何偏差也可能导致伤害结果的巨大变化。

因此，我们采用经典的基于形变的生成方法（Sederberg和Parry，1986；Samareh，1999），该方法保证了拓扑保持和尺寸控制。我们的新颖之处不在于提出新的几何生成器，而在于将经过验证的形变技术集成到一个由LLM协调的工作流中，使其通过自然语言即可访问。

**工程中的基础模型。** 大语言模型和视觉-语言模型已被探索作为工程分析的界面（Picard等人，2023；Baker等人，2025），但它们通常扮演辅助性角色，而不是协调端到端工作流。相比之下，我们的工作提出了一个*混合系统*，将基础模型用作碰撞安全的工作流协调器，将代理评估、进化搜索和几何生成协调成一个连贯的设计循环。

## 3 工作流概述

AI辅助工程中的一个核心问题是基础模型应如何与已有的计算工具交互。通常考虑两种范式：(1) 用学习模型*替代*领域工具，或者 (2) 通过智能协调*编排*现有工具。对于碰撞安全，范式(1)仍然具有挑战性，因为学习模型在安全关键决策所需的保真度和可靠性方面尚无法与基于物理的仿真媲美。因此，我们采用范式(2)，构建一个**混合系统**，其中基础模型充当协调器，在用户指导下协调经过验证的工程组件——代理模型、优化器和几何生成器。

**基于LLM的任务编排。** 给定用户请求，LLM决定调用哪个工作流组件，管理组件间的数据流，并呈现结果。使用结构化输出，它从自然语言中提取任务意图和参数，并在多轮对话中保持上下文，从而实现约束的迭代细化。我们支持三种任务类型：

- •**性能评估：** 用户请求评估一个设计。LLM调用代理模型并返回预测的伤害指标，突出显示任何超过阈值的值。
- •**设计生成：** 当性能不令人满意时，用户请求设计备选方案。LLM进行结构化对话以收集约束边界（例如，“发动机罩位置可以改变多少？”），然后调用进化搜索和基于形变的生成。
- •**设计分析：** 生成后，用户可以查询生成设计的属性（例如，“哪个设计与原始设计的改变最小？”）。LLM分析参数数据并提供答案。

图1显示了系统架构。我们使用GPT-4o，因为它具有强大的指令遵循和结构化输出能力；然而，该工作流并不局限于任何特定模型。任何具有相当任务分类、参数提取和多轮对话能力的LLM都可以充当协调器。

[图1说明]

**图1：基于LLM的任务编排。** LLM解释自然语言，确定任务类型，通过对话收集参数，并调用模块。用户自然地交互，同时保留对设计约束的完全控制。

图2说明了编排在实践中的执行方式。从参考几何形状开始，工作流进行如下：

- •**步骤1：** 参考前保险杠几何形状提供造型尺寸和载荷参数。
- •**步骤2（任务1）：** 代理模型预测伤害指标以进行快速性能评估。
- •**步骤3（任务2）：** 如果未满足要求，LLM收集约束边界并调用NSGA-II搜索（第5节）。
- •**步骤4（任务2）：** 可行的参数集通过形变转换为3D几何形状（第6节）。
- •**步骤5（任务3）：** 生成的设计由VLM进行分析以进行语义比较（第7节）。

总的来说，LLM根据用户意图选择合适的步骤，并通过多轮交互支持迭代约束细化。

[图2说明]

**图2：工作流执行。** 从参考几何到VLM辅助比较的五个步骤，由LLM协调代理评估、进化搜索和形变。

## 4 代理引导的伤害预测

### 4.1 问题表述

行人腿部保护是通过将标准化的腿部模型冲击器（FLEX-PLI和aPLI）撞击车辆前部并测量伤害指标来评估的。我们考虑了两种冲击器的十三个指标：FLEX-PLI和aPLI的胫骨弯矩（四个位置）和膝关节韧带（MCL）伸长，以及仅aPLI的股骨弯矩（三个位置）。如果所有指标都低于法规阈值，则设计是可行的。

伤害响应取决于几何造型参数和结构载荷特性。我们定义了一个10维设计参数向量 **x**∈ℝ¹⁰，包括：

- • **几何参数**（7个变量）：发动机罩高度和纵向位置，格栅高度和纵向位置，上保险杠高度，下保险杠高度和纵向位置
- • **载荷参数**（3个变量）：格栅、上保险杠和下保险杠的反作用力幅值（矩形波加载）

代理模型学习从设计参数到伤害指标的映射：对于FLEX-PLI为 f_FLEX: ℝ¹⁰ → ℝ⁵（胫骨弯矩和MCL），对于aPLI为 f_aPLI: ℝ¹⁰ → ℝ⁸（胫骨弯矩、MCL和股骨弯矩）。

### 4.2 训练数据与模型架构

碰撞代理建模中的一个核心挑战是外部几何形状与内部结构响应之间的紧密耦合。详细的有限元模型能够准确捕捉这种耦合，但可能导致高维且可能不连续的输入-输出关系，这些关系很难从实际可获取的数据集中学习。

我们并非试图对详细的结构行为进行建模，而是专注于早期造型探索的需求。在此阶段，设计人员主要需要几何变化之间的*相对*比较来指导下一次造型更新，而最终验证可以推迟到高保真度CAE进行。这激发了一种混合建模方法：

- • **冲击器侧（高保真度）：** 标准化的腿部模型冲击器（FLEX-PLI，aPLI）的详细有限元模型保留了符合法规要求的伤害指标计算。
- • **车辆侧（有意简化）：** 前端结构被替换为由10个参数描述的参数化弹簧-质量单元——7个几何参数（发动机罩、格栅、保险杠位置）和3个载荷相关参数（反作用力幅值）。

这种简化将一个棘手的、可能高维的问题转化为一个可学习的10维回归任务。这里的权衡是明确的：我们牺牲了详细的结构精度来获得一个可处理的代理模型，并且选定的候选方案随后会用高保真度CAE进行验证。这对于早期探索是合适的，其目标是识别有前景的造型方向，而不是完成结构优化。因此，我们采用标准的机器学习回归而非物理信息方法（例如，PINNs，神经算子），因为我们的工作流优先考虑捕捉足以进行比较评估和快速筛选的相关性。

弹簧-质量参数通过基于形变的生成与几何修改相关联，从而实现形状和载荷特性的一致更新。训练数据是通过随机采样1,800个参数组合并运行CAE仿真生成的。图3说明了数据生成过程；表1总结了预测准确性（平均R² = 0.87）；附录中的图A1和图A2提供了所有13个伤害指标的预测值与保留测试数据对比的散点图。