《Expert Systems with Applications》：A design method for electric vehicle front face styling: based on engineering feasibility optimization of GenAI-generated images
编辑推荐：
针对生成式AI工具在电动汽车前脸设计工程可行性不足的问题，提出融合曲线优化与多专家协作评估的系统方法。通过构建燃油车风格语义数据库，利用AI生成初始方案并优化几何曲线，结合模拟与人工评估提升制造可行性，案例显示工程得分从2.3提升至7.1，验证了该混合设计流程的有效性。
裴慧宁|杨明哲|白中航|丁曼|李文|曹宇欣|张彦军
河北工业大学建筑与艺术设计学院，天津 300401，中国
摘要
为了解决由Midjourney等生成式人工智能（GenAI）工具生成的电动汽车（EV）前端造型图像在工程可行性方面的不足，本研究提出了一种创新的设计方法，该方法将曲线优化与结合模拟专家和人类专家的协作评估系统相结合。该方法旨在提高AI生成设计方案的可制造性，同时有效地将传统燃油车的造型元素转移到EV前端造型设计中。首先，使用大型语言模型ChatGPT-5.0基于六类传统燃油车前端数据集构建了一个造型语义数据库。其次，利用Midjourney生成初始的EV前端造型数据集，随后构建了一个可用于生产的造型数据集，为EV前端造型设计提供工程可行性参考。第三，以不同比例融合“AI生成的曲线”和“工程参考曲线”，并使用针对图像-背景关系优化的曲线混合算法生成EV前端造型方案。最后，建立了一个基于LLM的协作评估系统，该系统整合了模拟专家（通过ChatGPT-5.0）和人类专家，从工程可行性和造型设计指标方面对方案进行定量评估和优化。案例研究表明，优化后的方案工程可行性得分从2.3提高到7.1（满分10分），同时保持了较高的设计创意水平（7.5分）。所建立的基于LLM的协作评估系统在EV前端造型方案的工程可行性评估（ICC≥0.9）和设计创意评估（ICC≥0.85）方面实现了高一致性，有效平衡了工程可行性和设计创意。通过构建一种由AI主导、人类监督的混合设计工作流程，该方法显著提高了生成式AI在产品造型设计中的工程可行性和设计效率，为在设计创新和工程可行性之间取得平衡提供了理论参考。
引言
自20世纪90年代以来，电动汽车逐渐成为汽车行业的主要研发和设计方向（Sun等人，2020年；Shimizu等人，1997年）。动力系统和整车布局的变化意味着电动汽车的前端不再需要以大面积进气口为中心的传统燃油车外观布局（Hwang等人，2015年；Sun和Park，2024年；Sanguesa等人，2021年；发动机进气空气的流动和热管理以实现燃油和排放节省 - ScienceDirect）。此外，空气动力学效率和续航里程的压力进一步削弱了大型格栅的工程必要性（Xie等人，2025年；Casadó，2022年）。尽管如此，前端仍然是品牌识别最集中的视觉区域，格栅及其周围区域的尺寸比例和轮廓特征长期以来一直被知名品牌用来传达家族造型语言（Holder等人，2018年；Sareh和Rowson，2009年）。先前的研究表明，格栅等关键组件会显著影响品牌识别和视觉偏好（Hyun等人，2017年；Fischer等人，2020年）。因此，在从传统燃油车向电动化的转型过程中，仍然缺乏一种可操作且可复制的设计方法，以在电动平台的功能限制下延续和转移传统品牌造型元素。
近年来，人工智能的进步，加上互联网数据的增长和计算能力的提升，开始重塑汽车造型的概念生成（Horváth和Vroom，2015年；Wang等人，2024年）。生成式设计（Wu等人，2019年）和数据驱动设计（Lin等人，2016年；Jiang等人，2021年）的发展使得文本到图像的模型能够应用于汽车造型探索（Despot等人，2023年）。以Midjourney和Stable Diffusion为代表的平台可以快速根据提示生成逼真的前端图像（Lu等人，2024年；Wang，2024年），并利用自然语言处理能力解释形容词和风格线索（Liu和Chilton，2022年）。这些工具大幅提高了概念输出的效率，但同时也带来了一个更直接的挑战：生成的结果往往仅停留在视觉层面，难以与工程约束保持一致，并确保造型元素转移的可控性。现有的用于汽车外观生成的生成式人工智能方法经常存在工程可行性不足的问题。一方面，模型倾向于放大新颖性和美学表达，而忽视了制造、装配和结构逻辑，导致细节过于复杂、部件连接不明确或可制造性差（Rane，2023年；Park和Kim，2023年；Yafei等人，2024年）。另一方面，生成过程缺乏可解释的几何参考和约束渠道，难以以可控的方式将传统燃油车的前端元素映射到电动汽车前端的语义和结构上。
总之，为了解决生成式图像方案的工程实现挑战，本文提出了一种电动汽车前端设计方法，该方法将曲线优化与协作评估系统相结合。利用传统燃油车前端的造型元素作为工程语义和结构参考，该方法建立了基于LLM的模拟专家，并结合人类专家的判断来筛选和校准生成式人工智能生成的方案。具体而言，首先使用LLM获取传统燃油车前端的外观描述符；其次通过基于图像的生成式人工智能构建初始的电动汽车前端造型数据集，并通过在线资源收集可用于生产的电动汽车前端造型数据集；第三通过图像-背景优化实现几何层面的可控转移，并通过协作评估系统提高工程可行性；最后生成并评估最终图像。本文旨在参数化传统燃油车的造型特征，并在电动平台的功能限制下实现映射转移，从而降低下游制造难度并提高工程实现效率。本文的其余部分组织如下：第2节介绍理论背景和相关研究；第3节介绍提出的工作流程和关键模块；第4节报告案例研究和结果分析；第5节提供结论和讨论。
章节摘录
基于图像的生成式人工智能
基于图像的生成式人工智能是一种能够根据用户输入（如文本、短语或图像描述）自动生成新图像的技术（Bansal等人，2024年；Lomas等人，2024年）。其核心基础在于深度学习算法和图像生成模型。2019年，Taesung P等人（Park等人，2019年）首次提出了GauGAN，这是一个基于GAN的图像生成平台，可以从简短的文本输入生成和修改各种自然景观图像。
面向工程可行性的EV前端设计方法
为了解决AI生成的电动汽车（EV）前端图像在工程可行性方面的不足，本研究提出了一种基于曲线优化和结合模拟专家与人类专家的协作评估的设计方法。整体框架如图4所示。（1）获取前端图像描述符。根据先前研究中总结的六类传统燃油车前端类型（Pei等人），为每种类型生成相应的造型描述符
基于ChatGPT-5.0的造型描述符生成
根据第3.1（1）节描述的关键提示和实用技术，采用三阶段提问策略与ChatGPT-5.0合作获取造型描述符。（1）在第一次交互中，指导ChatGPT-5.0充当高级汽车设计师，表达其对各种车辆设计问题和消费者需求的理解。（2）在第二次交互中，指导ChatGPT-5.0列出可以使用造型术语描述的前端造型组件
结论
所提出的方法通过引入一种结合曲线优化和专家评估的设计方法，解决了生成式人工智能（例如Midjourney）在EV前端造型设计中忽视工程可行性的问题。通过曲线混合算法，该方法在AI生成的创意曲线和来自生产准备模型的工程参考曲线之间进行比较混合，从而提高了生成方案的可制造性
CRediT作者贡献声明
裴慧宁：概念化、数据整理、形式分析、资金获取、调查、方法论、软件开发、可视化、初稿撰写、审阅与编辑。杨明哲：概念化、方法论、监督、初稿撰写、审阅与编辑。白中航：资金获取、监督、验证。丁曼：数据整理、形式分析、软件开发。李文：数据整理、形式分析、调查。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。
致谢
本工作得到了国家自然科学基金（项目编号：52475251）和中华人民共和国教育部人文社会科学基金（项目编号：21YJCZH113）的支持。
