Resumo Técnico: Design de Proteção de Pedestres Assistido por Surrogates via um Fluxo de Trabalho Orquestrado por Modelos de Fundação

1. Definição do Problema

O design de segurança em colisões automotivas, especificamente a proteção de pedestres, enfrenta obstáculos significativos na exploração de estágios iniciais. Diferente do design aerodinâmico, onde o desempenho é amplamente ditado pela geometria da superfície externa, os resultados de lesões em pedestres dependem de um acoplamento não linear e complexo entre o estilo externo e as respostas estruturais internas (deformação, absorção de energia, transferência de carga).

As simulações convencionais de Engenharia Auxiliada por Computador (CAE) são de alta fidelidade, mas computacionalmente dispendiosas, muitas vezes exigindo horas por execução. Isso cria um ciclo de tentativa e erro proibitivo, onde os designers devem modificar iterativamente a geometria e ressincronizar para atender aos limiares de segurança. Embora os modelos substitutos (surrogates — aproximações baseadas em dados) tenham tido sucesso na aerodinâmica, sua aplicação à segurança em colisões é limitada por:

• Respostas de alta dimensão e descontínuas: Causadas pela dinâmica de contato e não linearidade de materiais.
• Falta de integração de ponta a ponta: Os surrogates anteriores atuam frequentemente como avaliadores isolados, em vez de componentes em um fluxo de design de ciclo fechado que envolva busca consciente de restrições e geração de geometria.
• Escassez de dados: As simulações de colisão são intensivas em tempo, limitando o tamanho do conjunto de dados necessário para um aprendizado robusto.

2. Metodologia

Os autores propõem um fluxo de trabalho orquestrado por modelos de fundação que integra quatro componentes distintos para permitir a exploração rápida, assistida por surrogates, para a proteção de pedestres.

A. Simplificação Deliberada de Dados e Modelagem de Surrogate

Para tornar a modelagem de surrogate tratável para o estilo de estágio inicial, os autores substituem os modelos estruturais detalhados por uma representação paramétrica de massa-mola.

• Espaço de Design: Reduzido a um vetor de 10 dimensões ($x \in \mathbb{R}^{10}$) compreendendo:
  • 7 Parâmetros geométricos (alturas e posições longitudinais do capô/grade e do para-choque).
  • 3 Parâmetros de carga (amplitudes de força de reação para a grade, para-choque superior e inferior).
• Simulação Híbrida: Os dados de treinamento são gerados através da execução de 1.800 simulações de CAE usando impactadores de perna de elementos finitos (FE) detalhados (FLEX-PLI e aPLI) contra o modelo de veículo simplificado de massa-mola.
• Arquitetura do Surrogate: Dois modelos de regressão mapeiam os 10 parâmetros para métricas de lesão:
  • $f_{FLEX}: \mathbb{R}^{10} \to \mathbb{R}^5$ (Momentos da tíbia e MCL para FLEX-PLI).
  • $f_{aPLI}: \mathbb{R}^{10} \to \mathbb{R}^8$ (Momentos da tíbia, MCL e momentos do fêmur para aPLI).
• Quantificação de Incerteza: O sistema utiliza predição conformal para gerar intervalos de predição de 95% sem distribuição prévia, garantindo confiabilidade sem assumir resíduos gaussianos.

B. Exploração do Espaço de Design Satisfatória de Restrições

Em vez de buscar uma única solução ótima, o fluxo de trabalho visa gerar alternativas viáveis diversas que satisfaçam as restrições de segurança.

• Algoritmo: O NSGA-II (Algoritmo Genético de Ordenação Não Dominada II) é utilizado não para otimização de Pareto, mas por seu mecanismo de preservação de diversidade de população (crowding distance).
• Formulação: O problema é tratado como uma tarefa de satisfação de restrições onde todas as 13 métricas de lesão devem permanecer abaixo dos limiares regulatórios ($\tau_i$).
• Eficiência: Ao utilizar o surrogate para avaliação (milissegundos por candidato) em vez de CAE (horas), o sistema explora 500 candidatos em segundos.

C. Geração 3D com Preservação de Estrutura

Para garantir que os designs gerados sejam fabricáveis e compatíveis com CAE, o sistema evita modelos generativos de IA (ex: modelos de difusão) em favor da geração de geometria baseada em deformação (morphing).

• Mecanismo: Um conjunto esparso de pontos de controle (espaçados em intervalos de 100 mm) inseridos em uma caixa delimitadora (bounding box) conduz a transformação da forma.
• Alinhamento: Esses pontos de controle estão diretamente vinculados aos 10 parâmetros de design usados pelo surrogate, garantindo que conjuntos de parâmetros viáveis mapeiem para formas 3D realizáveis e que preservem a topologia.

D. Orquestração por Modelo de Fundação

Um Modelo de Linguagem de Grande Escala (LLM) atua como o orquestrador central, coordenando o fluxo de trabalho através de interação em linguagem natural:

• Gestão de Tarefas: O LLM interpreta a intenção do usuário, extrai parâmetros (ex: "posição do capô $\pm$20 mm") e invoca módulos específicos (avaliação de surrogate, busca NSGA-II, deformação).
• Comparação Semântica: Um Modelo de Linguagem-Visão (VLM) analisa renderizações de múltiplas vistas dos designs gerados (com sobreposições de grade para fundamentação espacial) para fornecer comparações qualitativas (ex: "esportivo vs. maduro", "agressivo vs. refinado").

3. Principais Contribuições

1. Fluxo de Trabalho Inovador: O primeiro pipeline orquestrado por modelos de fundação para design de segurança em colisões que integra predição por surrogate, busca evolutiva e geração de geometria em um ciclo fechado.
2. Estratégia de Simplificação Tratável: Uma redução deliberada do espaço de design de modelos estruturais de alta fidelidade para um sistema de massa-mola paramétrico de 10D, permitindo uma modelagem de surrogate eficaz para o estilo de estágio inicial.
3. Ciclo de Design Integrado: Um sistema que combina busca de preservação de diversidade (NSGA-II), deformação de preservação de topologia e análise semântica baseada em VLM para apoiar a tomada de decisão humana.

4. Resultados

Em um estudo de caso envolvendo o para-choque dianteiro de um veículo de produção:

• Eficiência: O fluxo de trabalho gerou 35 alternativas de design distintas e conformes à segurança em segundos. Um processo comparável usando iteração convencional de CAE exigiria semanas.
• Desempenho do Surrogate: Os surrogates treinados alcançaram um $R^2$ médio de 0,87 em dados de teste não utilizados para as 13 métricas de lesão.
• Diversidade de Design: A busca NSGA-II conseguiu popular a região viável com opções de estilo diversas (ex: desvio mínimo, linhas agressivas elevadas e impressões de faróis nítidos) enquanto aderia estritamente aos limiares de lesão.
• Utilidade do VLM: O VLM identificou com sucesso características visuais salientes e forneceu feedback qualitativo estruturado, distinguindo os designs com base em critérios como novidade e apelo emocional.

5. Significância e Alegações

O artigo postula que os modelos de fundação podem servir como camadas de integração eficazes entre surrogates de aprendizado de máquina e simulações baseadas em física. Ao orquestrar ferramentas de engenharia comprovadas em vez de tentar substituí-las por modelos aprendidos de ponta a ponta, esta abordagem traz capacidades de IA para domínios críticos de segurança onde a confiabilidade e a interpretabilidade são primordiais.

Os autores enfatem que este fluxo de trabalho é especificamente projetado para a exploração de estilo em estágio inicial. O objetivo não é finalizar a otimização estrutural, mas identificar direções de estilo promissoras rapidamente. Os candidatos selecionados deste fluxo de trabalho destinam-se à validação subsequente usando CAE de alta fidelidade, preenchendo a lacuna entre a iteração rápida impulsionada por IA e a rigorosa verificação de engenharia.