被动安全中的人工智能效率

保时捷工程集团在人工智能运用中的另一个典型例子，是被动安全领域的约束系统设计。在发生碰撞时，这些部件必须与车辆精确匹配，方能将对乘员的保护作用发挥得淋漓尽致。例如，安全带的束缚力需要与安全气囊的作用力相辅相成。保时捷工程集团 CAE 及车辆安全部门主管迈克尔·迪·罗伯托 (Michael Di Roberto) 表示：“所有组件之间息息相关，彼此相互影响，因此必须从整体系统优化的角度进行通盘考虑。此外，还需兼顾大量的负载工况，这使得被动安全系统的开发异常复杂且费时费力。”

图片展示了安全带和安全气囊在碰撞中的表现。有限元模拟可以计算出发生事故时对乘员的作用力。通过优化安全带和安全气囊之间的相互作用，还可以进一步减少安全隐患。立法机构为碰撞负载设定了限制值。尽管将整车模型简化为滑轨模型，但这种碰撞的有限元模拟仍然非常复杂，几乎需要一天的时间。这正是人工智能大显身手的时刻：通过引入强化学习 (RL) 代理，可以避免大量有限元计算，从而让开发工程师更高效地达成目标，事半功倍，节省资源和时间。

人工智能方法已在侧裙板优化中取得了显著成效，并在约束系统的设计中进一步发扬光大。舍珀博士表示：“第一个项目的重点是训练智能代理，这充分展现了所采用方法的巨大潜力。因此，未来我们计划在约束系统的量产开发过程中引入人工智能技术。”为了实现这一目标，经过成功的训练后，技术人员将智能代理与经典模拟工具结合。该模拟工具的运行基于有限元法 (FEM)，虽能提供精确的计算结果，但耗时极其漫长：以当前的模型规模进行一次碰撞模拟可能需要长达 72 小时。不过，现在通过预先筛选 RL 代理，所需的有限元计算次数大幅减少，从而显著缩短了时间并节省了成本。保时捷工程集团博士生贾尼斯·马修 (Janis Mathieu) 指出：“在一项具体的开发任务中，我们成功地将有限元计算循环次数减少了 80%。我们的愿景是，未来通过高效且可自动化的方案，工程师只需对少数智能代理进行监督，便可大幅加快开发进程。”这种方法的应用，不仅提升了系统的整体成熟度，还减少了耗时费力的物理碰撞测试，同时显著降低了样车的需求量，可谓一举多得。

“从长远来看，我们还将挖掘更多潜在的效率提升空间，因为未来的产品世代将以往代产品为基础进行优化升级。”迪·罗伯托说。一旦 RL 代理掌握了决策策略，只要基本任务大同小异，该策略便可灵活迁移到新的模型变体中，做到举一反三、事半功倍。“未来，这不仅能够缩短学习过程所需的时间，还可能省去构建完整有限元子模型的繁琐环节，进一步精简开发流程，提升效率。”

在后处理阶段对模拟数据进行整理时引入人工智能，为被动安全系统的开发进一步节省了宝贵时间。迪·罗伯托指出：“现代模拟工具对碰撞场景的计算极为细致入微，但随之产生了海量数据，需要工程师逐一解读和分析，耗时费力。”此前，保时捷工程集团在开展的人工智能项目中，多数将人工智能应用于模拟步骤的前期，而如今在后处理阶段则是模拟完成后才开始使用。这一策略有效简化了数据处理流程，大大提升了效率，达到了事半功倍的效果。

为此，保时捷工程集团采用了一种名为可解释人工智能 (Explainable AI) 的算法。其主要任务是识别数据集中的复杂关系，将隐秘的规律和关联清晰地呈现给开发人员。依赖关系既可以在局部层面（针对模拟层面）进行确定，也可以在全局层面（数据集层面）进行分析。因此，人工智能为开发工程师提供了宝贵的支持，帮助他们更高效地解读模拟结果，拨云见日、洞悉全局。“通过可解释人工智能，工程师仿佛手握一个指南针，能够在现代模拟中日益庞杂、错综复杂的数据海洋中找到正确方向。”马修解释道。

例如，在被动安全领域的稳健性测试中，这种技术能够有效处理海量数据。保时捷股份公司车身系统开发部门专注于车辆安全的博士生斯蒂芬·克朗维特尔 (Stefan Kronwitter) 正与贾尼斯·马修(Janis Mathieu) 合作，研究如何利用可解释人工智能方法分析碰撞模拟。他表示：“通过可解释人工智能，可以快速定位那些导致单次模拟中出现异常行为的关键影响因素，真正做到抽丝剥茧、追本溯源。”