汽车外形的基因网络模型

Posted 2021-04-07 创意之代码

汽车外形的基因网络模型

 

李愚 卢纯福 刘肖健

浙江工业大学 工业设计研究院

 

基因网络其实就是艺术心理学里的格式塔，来看看工科人是怎么研究格式塔的。

 

1.     概述

 

汽车外形设计是一种复杂的设计行为，主要体现在待处理的设计要素众多、意象目标多样，且在意象目标的影响下，设计要素相互之间存在着大量的隐性关联关系。由于感性意象目标的主观性和模糊性，设计师的决策仍是设计质量的主要保障。目前的CAD技术在“设计”和“决策”两种行为之间尚未形成合理的分工，表现为追求用CAD技术全盘代劳。而实际上，决策行为的复杂性决定了还是设计师来承担比较合适，即“自动设计”与“人工决策”的结合。因此，这项研究的目标是通过基因网络模型挖掘众多设计要素和意象目标中的重要性差异及其隐性关联关系，辅助设计师识别关键设计要素及相关意象目标，实现高效决策。

基因网络不是新技术，也不是新概念，但是在设计研究中的应用还比较少。设计中的基因网络最早可追溯到1981年Steward提出的设计结构矩阵（designstructure matrix，DSM），用于表达设计要素之间的关系，网络则是矩阵的等价表达形式。网络有个好处，就是当矩阵比较大的时候，表达成网络形式可以用肉眼识别出一些靠算法很难发现的特征。DSM提出来的时候主要是用在机械设计上，人们显然没想到还会有一种“不精确”但却非常有必要的人类参与的情况。

上世纪90年代，随着社会网络中的“小世界”、“无标度”等特征的发现，人们意识到来自不同领域的网络模型可能具有类似的统计学性质，产品设计网络的无标度特性与hub（关键节点）也被证实存在，因此复杂网络逐渐成为描述客观世界组织原则的主要模型。通过构建复杂网络，对内部的拓扑结构进行分析，也成了各领域对复杂系统进行研究的主要手段之一。产品设计的相关研究少数涉及到了以产品参数为节点的网络，多数研究则集中在零件装配系统和设计活动管理两个主题。汽车外形之类的形态设计问题实际上比装配和设计管理都要复杂，因为机械产品零件以及功能间的装配、从属关系是被明确定义的，而设计要素以及多个设计目标间的关系则是隐性的，需要使用一定的技术手段进行识别。提取和表达这种隐性关系并论证其存在性和稳定性，是对汽车设计师的重要辅助。

这项研究如果说有些贡献的话，主要在于除了设计参数外，对汽车外形的设计目标——用户感性意象——也进行了基因网络建模，识别多意象目标之间的重要性差异以及内部关联。产品外形的意象目标倒也不是什么新课题，曾吸引了众多学者加入，因其数量多、模糊性大而导致定量分析困难，一向是汽车外形设计的难点（也是兴趣点）之一，各类智能算法轮番上阵。作者对此项研究的意义和价值也不拟多吹，就作为一种alternative供参考比较吧。

 

2.    汽车外形的基因网络模型结构

 

先前的研究曾以水瓶外观为设计对象,将产品基因描述为由设计要素为节点构成的复杂网络，建立了产品基因网络模型的基本框架。这里在此基础上加入了用户感性意象目标网络，将汽车外形的基因网络拓展为由设计要素和意象目标两个子网构成的复杂网络。

 

▼汽车外形的基因网络模型

 

汽车外形的基因网络模型借鉴了生物信息学中描述基因之间调控关系的基因调控网络（GeneRegulatory Network，GRN）模型，将汽车的设计要素及其所体现出的感性意象特征描述为两个子网络。其中意象目标子网络的节点为描述汽车的词汇，设计要素子网络的节点是设计师可以直接操作的设计要素，如产品尺寸、色彩、功能等元素等。

与同类研究以及我们自己的前期工作相比，该基因网络模型同时包含了设计要素和设计目标，其对设计师工作的辅助主要表现在两方面：一是通过对意象目标评价数据的计算，从中筛选出关键意象作为主要设计目标；二是对评估设计要素的重要性，通过顺序求解化解组合爆炸问题。

针对上述汽车外形的“设计要素-意象目标”基因网络，主要工作包括两个子网的建模方法以及网络的存在性与稳定性论证等三方面：

1）设计要素网络建模。基于大量汽车外形样本的设计参数，计算设计要素之间的相关系数，并通过设定不同的阈值识别设计要素节点之间的连接，形成设计要素网络。

2）意象目标网络建模。与设计要素网络建模方法类似，以评价汽车外形的感性词汇作为意象目标对汽车样本开展用户评价实验，计算意象目标之间的相关系数，并通过设定不同的阈值识别意象目标节点之间的连接，形成意象目标网络。

3）基因网络的存在性与稳定性论证。从样本库中随机选择样本集，重复上述建模方法得到不同的汽车外形的基因网络模型，比较其相似性与差异性，以评估设计要素间和意象目标间关系的稳定性，作为基因网络客观存在的依据。

 

3.汽车外形的设计要素网络

 

3.1汽车外形设计要素的确定

 

设计要素一般是指设计师可以直接操作的设计变量，如尺寸、色彩、功能等。设计要素即基因网络中的“基因”。对比生物信息学GRN的研究，产品基因的定义应遵循客观性、可操作性、不可分解性三个原则：

1）客观性指的是设计要素应可基于客观的统一标准进行测量，且不受观测者主观判断的影响；

2）可操作性是指设计师有能力改变设计要素的值，如产品的色彩和尺寸，而“品牌价值”之类的变量就不具有可操作性；

3）不可分解性即设计要素不可进一步分解为其他设计要素，如水杯的容量虽然客观可操作，但是可以进一步分解为直径、高度等形态尺寸，因此不宜作为设计要素。

汽车外形取决于其曲面形态特征，从建模角度，曲面形态取决于曲线，以及关键点的坐标或相对位置关系。汽车外形可以由关键点之间的尺寸参数来决定。因此汽车外形只考虑外观形态尺寸参数，这些参数即汽车外形的设计要素。

以下以奥迪A6车型为例对设计要素的选取做简单解释。

 

▼奥迪汽车的设计要素

 

通过三维建模得到基本外形特征曲线36条。从这些特征曲线中提取决定这些风格曲线的各个关键位置点相关尺寸106个。这些尺寸虽未能完全包含汽车的所有外形要素，但已可决定车型的主要风格特征，因此以其作为汽车外形设计要素网络的节点。

 

3.2 设计要素网络建模

 

汽车外形设计要素的网络模型是对设计要素之间隐含的关联关系（即设计要素节点之间的连接）的一种描述。这种关系是用户对汽车外形的感性意象的综合反映，也是目标（感性意象）与操作对象（设计要素）之间的重要桥梁，因此我们选择2000年以来在国内上市销售的多款车型作为基因网络建模的样本。考虑车型的普适形态并剔除了同一品牌下重复度较高的若干样本，最终得到32个品牌共146款车型样本。

 

编号	品牌	数量	编号	品牌	数量
01	阿尔法罗密欧	4	17	雷克萨斯	4
02	奥迪	10	18	雷诺	3
03	宝马	13	19	铃木	1
04	奔驰	7	20	马自达	7
05	本田	8	21	玛莎拉蒂	2
06	标致	3	22	莫斯科人	1
07	达契亚	1	23	欧宝	1
08	大宇	1	24	庞蒂亚克	3
09	大众	8	25	起亚	1
10	戴勒姆	1	26	日产	15
11	菲亚特	2	27	三菱	9
12	丰田	8	28	斯巴鲁	3
13	福特	6	29	斯柯达	1
14	捷豹	5	30	现代	4
15	拉达	1	31	雪佛兰	2
16	劳斯莱斯	2	32	雪铁龙	9

 

将上述车型样本的三视图导入到SolidWorks软件中，并在草图中通过调整设计参数使形态曲线与三视图吻合，从而驱动完成多款车型的3D建模（详见和）。由于各车型底盘形态相似，对外形感性意象的影响较小，因此省略了底盘模型。通过此法得到146个汽车样本的3D模型。

 

▼汽车样本3D模型（部分） 

在设计要素（节点）已确定的情况下，发现节点间的连接是基因网络建模的主要工作。这里用的是最常见的Pearson相关，更复杂的（甚至可以是非线性）的关系发掘可以留待以后再搞，我们先把这个法子的基础框架搭起来——建制最重要。

为Pearson设定一个相关阈值[r]，当相关系数r超过该阈值便认为两节点相关，可以在两节点间建立一条连接。汽车外形中两个尺寸之间的相关系数计算通过146个样本数据（即146对x、y坐标）开展。对106个设计要素进行两两之间的相关系数计算，并根据阈值识别出所有的连接，即可得到汽车外形的设计要素网络。

 

▼不同阈值下的汽车设计要素网络（孤立节点未画出）

（a）[r]=0.5

（b）[r]=0.7

（c）[r]=0.96

 

通过设置不同的相关性阈值可以把有限数量的重要的节点呈现给设计师。

 

3.3 设计要素网络对设计师的辅助

 

设计要素是设计师直接操作的对象，因此其网络对设计师的辅助作用主要体现为缓解大量赋值带来的组合爆炸问题、提高设计师人工寻优的效率，而非直接计算某个设计要素的最优值。

这里利用设计要素网络解决组合爆炸的基本思路是，从众多设计要素中找出最“重要”的节点优先处理，或找出关联紧密的节点集团进行统一处理。

节点的重要性主要体现在节点的度数和敏感性两个指标。

 

1）节点的度数

在复杂网络中，节点度数是指该节点上的连接数，表达了该节点与其他节点之间关联的紧密程度。相关性阈值[r]=0.5时，设计要素网络中度数最高的5个节点如下：

 

序号	设计要素节点	度数
1	车挡风高Y@顶视视图	63
2	前挡风玻璃宽Z@顶视草图	62
3	前挡风长X@侧面草图	60
4	车顶高@侧面草图	60
5	侧线2中X@顶视草图	60

 

2）节点的敏感性

节点的敏感性是指样本中某一设计要素值的分布规律呈现出的倾向性，可通过节点取值的标准差来得到。标准差越小，表示节点的取值在各个值域段内的分布越平均，也就是倾向性越小，即节点值的变化对样本数量的影响很小，不敏感。反之则表示敏感性大。经统计计算，敏感性最大的5个节点如下：

 

序号	汽车外形设计要素（节点）	标准差/均值%
1	轮罩半径@侧面草图	9.24  %
2	M-车头上风格线中点与上端距离Y@侧面草图	3.15  %
3	M-车头上风格线中点与上端距离X@侧面草图	2.70  %
4	侧线2-3X@侧面草图	1.98  %
5	车顶棚宽Z@顶视草图	1.79  %

 

3）节点集团

在基因网络中有些节点会基于紧密的内部互相影响而形成相对独立的集团，即不与其他节点发生联系的孤立子网络，称之为“节点集团”。对节点集团的识别有利于分析基因中具有潜在联系,需要统一考虑的尺寸数据。

相关性阈值[r]<0.5时，设计要素网络的节点之间的连边过于复杂，不利于设计师从中识别出有效的节点集团。设计师访谈表明，将节点集团中的节点数量控制在五个左右比较适合进行综合考虑。基于这种需求，取相关性阈值[r]=0.96，设计要素网络的节点集团可识别出6个：

 

节点集团1	前侧边上风格线@顶视草图——前侧边中风格线@顶视草图——前侧边下风格线@顶视草图——中上-前侧边中上风格线@顶视草图——中下-前侧边中下风格线@顶视草图
节点集团2	后侧边中风格线@顶视草图——后侧边上风格线@顶视草图——中上-后侧边中上风格线@顶视草图——中下-后侧边中下风格线@顶视草图
节点集团3	顶棚前风格线宽Z@顶视草图——车顶棚宽Z@顶视草图——顶棚后风格线宽Z@顶视草图
节点集团4	侧线2上X@顶视草图——侧线2下X@顶视草图
节点集团5	行李箱宽Z@顶视草图——后挡风宽Z@顶视草图
节点集团6	侧线3上X@顶视草图——侧线3中X@顶视草图

 

将上述节点集团所控制的关键点与曲线曲面位置标注在汽车外形上：

 

经过对汽车外形设计要素网络的建模以及对节点度数、敏感性以及节点集团的分析，结合设计师需求访谈与深度解读，可以从中分析得到如下宏观知识：

1）车轮大小对设计的影响。“轮罩半径@侧面草图”是敏感性最高的节点，但同时中心性不高并非中心节点，表明车轮大小为独立节点。车轮大小对整车外形影响较大。但是这个结论的真实原因其实是车轮大小相对已标准化，在任何车型中的尺寸变化都不大，设计空间较小，因而会得到“敏感性高”的结论。同样的高敏感性设计要素也体现在其他一些数值相对固定的尺寸上。

2）汽车侧面设计。有关汽车侧面外形的关键点位置的节点都有较高的度数，其度数大致相同。说明此部分的外形与其他方面的关联较大且关联度较为统一。在敏感性方面，中前部与中后部的敏感性相对较高，前部和后部则约束较多限制了其的形态延伸性。在针对此部分进行设计活动时可以将外形重点放在中部的位置，前端与后端可以依照中部的外形结合其他相关的节点进行赋值。由于侧面后端外形的相关节点相对于前部分的节点敏感性较低，在设计过程中可以视具体情况放在概念设计的后期细节修整阶段处理。

3）汽车顶棚以及车窗。对照节点度数列表可见，度数排名前三的节点均与汽车前挡风外形相关。而这三个节点的敏感度却并不高。即前挡风玻璃的外形受其他节点的影响较大，但其本身的变化则未必会影响其他部分的设计。后窗的相关节点则均为低度数节点，对整车中影响不大。因此在设计过程中亦可置后处理。对比节点集团列表可见，节点集团3与节点集团5与后挡风和行李盖部分的外形相关。说明在汽车顶部的外形中，前挡风、顶棚以及行李箱上盖等各个部分的尺寸之间存在着较密切的联系，应统一考虑。

4）汽车引擎盖。引擎盖外形的节点中存在四个高敏感节点，分别决定了引擎盖的长度和弧面走向。但是他们的度数并不大，可见这部分的外形拥有一定的设计自由度并且与其他部分的关联并不明显，可以独立进行设计，甚至可以考虑与其他部位的形态设计并行开展。

上述基于汽车产品基因的设计要素网络的分析，为设计师的设计活动提供了具有一定操作性的显性知识。

 

4.汽车外形的意象目标网络

 

4.1汽车外形意象目标的确定

 

感性意象是汽车外形惯常的设计目标，一般表达为一系列形容词。这里的意象形容词来源是主流媒体中的评论与描述，归纳了汽车外形容词20对40个：

 

▼汽车外形的20对高频形容词

 

单薄→厚实	硬朗→软弱	协调→失调	保守→开放	粗糙→光滑
华丽→朴素	寻常→个性	静→动	理性→感性	刚强→柔弱
流畅→断续	饱满→干瘪	高档→低档	呆板→机灵	素雅→艳丽
强烈→柔和	粗狂→细致	凌乱→整齐	精美→简陋	大方→腼腆

 

▼形容词词频统计

 

以这20对意象形容词为节点构建汽车外形的意象网络。主要工作包括两方面：意象目标的重要性和意象目标之间的关联关系。

 

4.2 感性意象网络建模

 

由于车型外形差别细微，普通大众对其进行清晰地分类评价较为困难，为了增加意象评价的可靠性，征募了22名从事设计工作三年以上的设计师来担任被试。这22名设计师被要求针对前述146款车型参数模型就20对意象形容词进行评价。为提高效率，评价采用归类方式进行。被试对每一车型选择合适的意象形容词进行标记。为尽量减少图片、颜色、角度等因素对整体外形判断的影响，选择相同的角度与材质渲染模型。

 

▼用于评价的汽车渲染模型（部分）

对意象评价数据进行合并统计，每有一人次将某车型与某感性评价形容词进行匹配记一分，得到感性意象的得分统计数据表格。对表中各意象评价指标之间的Pearson相关系数进行计算，得到感性意象两两之间的相关性。

基于意象评价数据重复上节设计要素网络的建模过程，设定相关性阈值，可以得到汽车外形的用户意象网络。

 

▼汽车外形的意象网络

▲相关性阈值=0.3

▲相关性阈值=0.4

▲相关性阈值=0.45

 

意象网络中的节点度数表达了此形容词与其他形容词间的关联性但并不限于正相关，即这些感性评价词汇对汽车外形进行评价时在能指或意指上有一定的重合（正相关）或背离（负相关）。理论上讲，成对的形容词之间应该呈现出强负相关特性，但实际上并非完全如此，表明用户对汽车外形的意象还存在着一些需要深入研究的微妙特征。

度数大的节点可以认为代表了较强的用户意象倾向，因此在设计过程中需要重点考虑考虑。取较低的相关性阈值可以对各意象节点的度数进行排序，其中前四个高度节点如下（相关性阈值=0.1）。

 

序号	感性评价节点	度数
1	华丽	33
2	高档	30
3、4	流畅、开放	29

 

节点敏感性的计算方法与设计要素网络类似，它表达了汽车形态变化对该意象指标影响的强烈程度，或该意象可通过外形设计来体现的可行性程度。敏感性最大的5个节点如下。

 

序号	感性评价节点	标准差/均值%
1	流畅	8.088%
2	厚实	6.193  %
3	饱满	4.918%
4	动	4.675%
5	大方	4.622  %

 

汽车外形的意象目标之间也会出现互相影响、牵制与融合的情况，在意象网络中表现为连接在一起相对对立的节点集团。下表为相关性阈值=0.45时的意象目标节点集团。

 

节点集团	包含节点
1	艳丽——高档——动——流畅——华丽——光滑——呆板
2	素雅——寻常
3	低档——简陋
4	保守——感性
5	失调——凌乱
6	刚强——硬朗
7	饱满——厚实

 

“艳丽——高档——动——流畅——华丽——光滑——呆板”这几个节点构成了感性意象网络中最大的节点集团，其中“流畅”是敏感度最高的节点，同时也具有很高的度数。说明用户对此感性评价的认知比较统一，且该意象目标与其他多个目标有较密集的关联，因此在设计活动中应予以足够的关注。

“华丽”作为度数最高的节点与众多的意象目标相关，但其敏感度偏低。原因可能是设计师在评价汽车外观时对其的认知存在分歧，也可能是它属于被动受影响的一个目标。

“低档——简陋”、“失调——凌乱”、“刚强——硬朗”、“饱满——厚实”这8个意象目标形成了4对较为紧密的节点集团。显见这些形容词的评价存在较强的潜在关联，在设计时可以将其合并考虑。

 

5.    汽车外形基因网络的稳定性论证

 

机械产品的设计结构矩阵（DSM）是描述机械零部件关系的一个“客观”的模型，因为各零部件之间的连接是装配、运动传递、力传递等客观的关系，因此DSM是一个稳定的矩阵。汽车外形的基因网络与DSM形态类似，但有本质的不同：汽车基因网络中的连接是隐性的，是用户主观意象的一种反映，因此基于不同的被试用户和不同的实验有可能产生不同的网络结构。汽车基因网络如果能对产品设计产生帮助，网络结构应具有一定程度的稳定性，即基于不同样本得到的基因网络应具有相似的结构。

为验证上述汽车基因网络中两个子网的稳定性，从全部车型设计数据和意象实验数据中随机抽取若干组重复上述建网操作。重复4次得到的基因网络图对比如下（样本数=80，相关性阈值分别为0.96和0.45）。

,

 

由上图显见，基于全部样本和随机抽取样本得到的基因网络图虽有一定程度的差异，但整体结构是相似的，表明两个子网络具有较好的稳定性，可以为设计师的设计过程提供有价值的辅助。

 

6.    结论

 

这项研究其实很粗糙。

基于同一个参数化模型调出这么多的汽车模型还是费了不少功夫的，其中的建模误差可能对研究结果的影响是决定性的。比如我一直怀疑那几个节点集团是由建模方法导致的，因为有几个部位的节点位置对整体造型的知觉直观上影响并不大。

研究给出了汽车基因网络模型的基本结构，以及构建设计要素和意象目标两个子网络的技术方法，并基于对两个网络的初步分析产生了一些辅助设计师开展设计活动的相关知识。论证了基因网络模型的存在性与稳定性。

基因网络的存在表明，汽车外形的两个子网络的各个元素之间存在潜在的关联关系，通过对这些关系的挖掘和识别，为提高设计效率和成功率打下了基础。基因网络可以帮助将传统的、依靠经验和感性判断的设计活动，转化为“外科手术”式的、有目的的精确操作。

两个子网络尚处于各自独立的状态，基于独立的建模过程得到，所以虽然它们看起来很像二部网络，但还不是，所以我们没有使用“二部网络”这个称呼。实际上两个之间存在着较为密切的映射关系，我们可以从设计要素网络中直接导出意象目标网络（这次是二部网络了），而不用再去做用户调研。这就产生了一个有趣的问题：用户实验得到的意象目标网络跟设计要素直接导出的意象目标网络，两者是一样的吗？如果是一样的，证明这个模型牛逼，用户研究的工作量节省了一半。如果不一样呢？其实不一样倒是正常的，这牵涉到管理学中一个有趣的研究，即SP（Stated Preference）与RP（Revealed Preference）之间的系统性偏差的来源，也是用户调研方法设计的关键内容。那就是另外一个研究主题了，我们希望有时间把这个也做了。