《ADVANCED ENGINEERING INFORMATICS》：LAD: A Large-models-Aided Design approach for the consistency in Kansei engineering and its validated application to new energy vehicle
编辑推荐：
Kansei工程通过量化用户情感需求指导产品设计，但用户与生产者间的Kansei感知差距常导致市场失败。本研究提出融合LLM、LVM和DM的LAD框架，利用Transformer构建Kansei-USER和Kansei-AUTO双模型，结合L-BFGS-B算法优化设计参数，通过Stable Diffusion生成可视化原型，显著提升新能源汽车设计效率。在BYD车型应用中验证了框架有效性，为NEV行业提供快速响应市场需求的解决方案。
Xinjun Lai|Chaokai Zhang|Jianjun Liu
广东工业大学机电工程学院，中国广东省广州市
摘要
感性工程是一种将用户的情感需求量化为设计规范的艺术。然而，设计需求的一致性——即使用户的情感需求与生产者的设计目标保持一致——并不总是能够实现，这就引发了“如何量化用户与生产者之间的感性认知差异”以及“如何最小化这种差异”的问题。本研究提出了一种结合大型语言模型（LLM）、大型视觉模型（LVM）和扩散模型（DM）的方法来解决这一差距。LLM和LVM处理用户生成的内容（UGC），以提取情感强度、心理特征和偏好，而DM生成视觉内容来可视化设计方案，形成了一个名为LAD（大型模型辅助设计）的多模态数据驱动框架，并将其应用于竞争激烈的新能源汽车市场中的比亚迪汽车模型。研究使用了超过40,000名用户、20款汽车模型、300,000条评论和20,000张图片的数据，通过Transformer进行多模态语义嵌入，构建了Kansei-USER和Kansei-AUTO模型。Kansei-DPO模型使用L-BFGS-B算法优化设计参数，Kansei-RPG模型通过DM生成视觉渲染结果。该框架在汽车领域得到了实证验证，并具有扩展到其他产品类别的潜力。研究成果得到了实践者的认可，随后还开发了一个LAD优化系统的原型。
引言
感性工程[1][2]是一种将用户的情感需求转化为可量化且可操作的产品设计参数的方法。然而，在实际应用中，用户对产品的感知往往与制造商的初衷不同。例如，汽车制造商可能希望推出一款具有“豪华”形象的新车型，而用户的看法却可能相反。我们将这种现象称为感性工程中的不一致性，这不可避免地会影响产品在市场上的成功。
大量的用户生成内容（UGC）为揭示用户的情感需求提供了有力手段[3][4]。然而，对于生产者希望传达的特定感性形象，目前关注相对较少。此外，借助多模态数据源和趋势性的大型模型，我们希望探讨以下问题：
- •
用户与生产者之间的感性认知差异是否存在，以及差异有多大？
- •
我们如何量化并最小化这种差异？
- •
这些结果将如何促进参数化设计？
以汽车设计为例，图1展示了我们的研究问题，并简要介绍了解决方案。
本研究旨在构建一个数据驱动的、由大型模型辅助的设计框架，以弥合用户与生产者之间以及企业内部产品规划和造型设计团队之间的感性认知差异。我们提出的大型模型嵌入框架能够快速捕捉市场反馈，并利用“客户之声”（VoC）指导迭代设计改进。通过高效的多模态数据处理，该方法支持外观设计渲染的生成，为设计优化提供直观可靠的视觉参考。最终，它增强了设计成果与市场期望之间的契合度。
特别是，我们重点关注新能源汽车（NEV）。从需求角度来看，现有文献[3]表明，与燃油车（FV）相比，NEV用户有着显著不同的设计需求[4]。例如，NEV用户更重视技术先进性和简洁性，如智能驾驶舱交互、极简主义内饰设计，而这些对于FV用户来说则是次要的，他们更关注动力性能相关的感知，如“强劲”和“可靠”。此外，NEV的视觉数据权重更高，用户生成的内容更多地集中在大型中央控制屏、贯穿式尾灯和智能天窗等视觉元素上，而FV的内容则更多偏向文本描述，如发动机噪音和燃油消耗。从供应角度来看，NEV的研发周期比FV短得多。例如，中国的新兴汽车品牌如小鹏、蔚来和比亚迪通常通过模块化平台和供应链整合将研发周期压缩到大约18个月；而传统FV品牌如丰田和大众则需要超过5年的时间，因为它们需要对复杂的机械系统（如发动机和变速箱）进行调优。虽然FV品牌仍可以通过耗时的调查和实验进行传统的市场和用户分析，但NEV品牌必须追求更快、更经济的设计方法来挖掘用户需求，并灵活评估市场反应，以在竞争激烈的NEV市场中取得领先地位。在这种背景下，我们的LAD方法可以显著提升新能源汽车新产品开发（NPD）中的各种分析流程。需要注意的是，LAD框架不仅适用于NEV，通过调整感性维度权重，也可以应用于内燃机（ICE）车辆。然而，NEV市场的激烈竞争和快速迭代特性使其成为验证该框架的适时且具有说服力的案例。
本文的贡献有三个方面。
- •
感性认知差异识别。本研究首次系统地探索了汽车制造商和用户感性需求之间一致性的建模和优化。通过构建Kansei-USER和Kansei-AUTO模型，从用户和制造商的双重视角量化了双方之间的感性认知差异，并提出了一种数据驱动的优化方法。这种方法不仅为汽车制造商的设计优化提供了科学依据，还促进了多智能体场景下感性工程的理论发展。提出的基于感性需求偏差的设计参数优化模型（Kansei-DPO）及其优化算法为减少用户感性需求与制造商设计结果之间的差异提供了有效的技术手段。该模型在优化过程中引入了惩罚项和约束条件，以确保优化结果的可行性和实际应用价值。
- •
多模态数据驱动的感性需求建模。通过整合文本、图像和车辆参数配置等多模态数据，构建了一个能够全面反映用户感性需求的多模态建模框架，其中大型模型如LLM和LVM协助处理这些数据。
- •
感性驱动的快速原型生成技术。本研究结合了人工智能技术（如Stable Diffusion和Vega AI）与感性设计，提出了一个感性驱动的快速原型生成模型（Kansei-RPG）。该模型能够快速将优化后的设计参数转换为直观的图像展示，显著提高了汽车设计的效率并提升了用户满意度。这种方法不仅为汽车设计领域带来了新的技术手段，还为工业设计中的多模态生成模型应用提供了新的案例。
文献综述
本节综合了四个关键领域的现有研究：数据驱动的产品需求分析、基于在线评论的需求挖掘、LLM在工程设计中的应用以及DM在设计工作流中的利用。通过识别关键研究空白，突出了本研究的新颖性。
首先，我们讨论了我们的方法是否与用户心理学相关。我们的方法基于一个长期建立的理论基础——感性工程[5][6][7]。
方法论
本节介绍了用于汽车感性工程设计一致性的多模态数据驱动框架，该框架整合了大型语言模型（LLM）和大型视觉模型（LVM）。该方法论分为五个核心模块，如图3所示。
每个模块针对特定的感性工程挑战。首先，BERT/TextMind组件从非结构化文本中提取情感/心理特征，以解决“如何捕捉用户感性”的问题。
在中国新能源汽车品牌的应用
本节展示了所提出的LAD框架在中国领先新能源汽车（NEV）品牌中的实际应用，重点解决了关键设计问题，并验证了该框架在现实场景中的有效性。近年来，中国的大多数NEV品牌都面临着极其激烈的竞争，其中许多品牌面临重大挑战。
结论
本研究解决了用户需求与生产者提供之间的感性设计一致性问题。通过多模态数据驱动和大型模型辅助的设计框架，我们成功识别并最小化了感性认知差异。在考虑所有约束条件的情况下，我们优化了设计参数，并将其用于快速原型生成。将该方法应用于比亚迪Song车型，揭示了感性工程在研究和行业实践中的应用情况。
CRediT作者贡献声明
Xinjun Lai：撰写——审阅与编辑、撰写——初稿、可视化、验证、监督、软件、资源管理、方法论、调研、资金获取、形式分析、数据整理、概念化。Chaokai Zhang：撰写——初稿、可视化、验证、软件、方法论、调研、形式分析、数据整理。Jianjun Liu：监督、资源管理、方法论、概念化。
致谢
本文所述工作得到了广东省基础与应用基础研究基金（编号：2614050000554、2025A1515011124）、广州市科技项目（编号：2024B03J1293）和国家自然科学基金（编号：52375489）的共同支持。
利益冲突声明
作者声明他们没有已知的财务利益冲突或个人关系可能影响本文所述的工作。
