DragSolver: A Multi-Scale Transformer for Real-World Automotive Drag Coefficient Estimation
刘野，陈云天
宁波东方理工大学，上海交通大学
引用格式：
Liu Y, Chen Y. DragSolver: A Multi-Scale Transformer for Real-World Automotive Drag Coefficient Estimation[C]// Proceedings of the Forty-Second International Conference on Machine Learning, 2025.
一、 问题定义：为什么要算风阻系数？
当汽车高速行驶时，空气阻力成为制约车辆性能的关键因素。汽车外形细微的变化都会引起风阻系数（ Cd ）的波动，显著影响燃油经济性、电动车续航里程以及车辆的最高速度。因此，在设计阶段能够实时、精准地预测风阻系数，对于车辆外形优化至关重要。
传统的CFD仿真或风洞测试方法虽然精确，但每次仿真往往耗时数小时甚至数天，难以满足工业界“大规模外形快速评估”的实际需求。因此，业界迫切需要一种快速、高精度且泛化能力强的风阻系数估计方案。
二、深度学习估计汽车风阻系数面临的五大挑战
1.多尺度耦合问题：汽车整体形状与局部细节（如后视镜、扰流板）共同决定风阻系数，如何高效建模不同尺度下的复杂空气动力学？
2.车型尺寸差异：不同车型在尺寸、比例、外观上的差异极大，网络直接学习难以泛化。
3.网格异构性：汽车模型可能来自不同网格划分方式，网格密度和数量差异显著，需要构建与网格密度无关的统一表征。
4.内部结构干扰：风阻系数仅与汽车外表面相关，但真实数据通常包含座椅、方向盘等内部结构，如何减少这些内部结构对预测结果的干扰？
5.不确定性需求：工程实践中，工程师通常需要预测的不仅是风阻系数本身，还需要提供模型预测的不确定性，以进行风险评估和权衡。
三、数据驱动的解决方案：DragSolver
针对上述神经网络估计风阻系数的挑战，来自宁波东方理工大学等机构的研究者提出了一种数据驱动的方法，能快速准确地估计不同汽车的风阻系数。他们在最新的论文《DragSolver: A Multi-Scale Transformer for Real-World Automotive Drag Coefficient Estimation》中，提出了用于真实汽车风阻系数估计的多尺度Transformer模型（DragSolver），并发表于人工智能顶级会议ICML 2025。
该模型利用大量的开源数据训练而成，能够快速，准确估计多种汽车外形的风阻系数。该方法针对上面的挑战提出了多个改进，整体方法框架如图三所示。该框架包含四个核心组件：1. 异构尺度归一化，将尺寸各异的车辆网格转换为统一表示。2. 表面引导门控，减少与空气动力学无关的内部结构的干扰，使网络聚焦于外表面，3. 多尺度架构，编码器结合体素池化、位置编码和注意力机制，兼顾全局与局部的空气动力学特征，4. 认知不确定性估计，通过蒙特卡洛 Dropout（MC Dropout）为风阻系数估计提供置信度评估。训练完成的DragSolver模型能够直接输入汽车外形的情况下，快速准确地估计汽车的风阻系数。具体来说，
1）异构尺度归一化：针对不同车型在物理尺寸和网格密度上差异巨大，直接输入会导致特征分布混乱的问题，该研究提出了异构尺度归一化，先将各车型的轴距标准化到固定长度，再整体缩放到统一包围盒，消除大尺度差异，然后结合曲率自适应的 mesh 采样与均匀采样，使稠密与稀疏网格都获得均衡的局部几何覆盖，将异构网格归一化为一致的多尺度特征分布，为后续编码器提供稳定输入。
2）表面引导门控机制：针对实车 CAD/扫描常携带座椅、方向盘等内部结构，而训练集多为外表面；若不处理会显著劣化预测。该研究提出了表面门控方法，首先基于射线深度快速去除明显内部体素，然后在编码器的输入层和最终层用 MLP 估计软门控权重，动态抑制剩余内部或边界不确定点；中间层保持自由注意力，只保留对外部气动流有影响的表面特征，显著提升对“隐藏内饰”场景的鲁棒性。
3）多尺度结构：针对汽车阻力同时受宏观外形与局部细节支配；需层级式感受野。该研究提出了多尺度的Transformer结构，一共5级编码器，每级下采样2倍，通道数×2。在各级输出施加全局池化并串联，形成 “浅局部 + 深全局” 综合描述后送入回归 MLP，以同时捕获车身整体轮廓（如车顶曲率）与局部装饰（如扰流板）对风阻系数的耦合影响。
4）不确定性估计：针对工业设计迭代中，工程师不仅要估计风阻系数，还需量化模型信心以做风险权衡，该研究提出了在最终回归 MLP 使用 Monte Carlo Dropout，推理时执行10次随机遮挡前向，输出均值作为预测、方差作为不确定度，仅微小推理开销即可给出置信区间，便于在形状优选流程中进行“高性能-高可信”筛选。
四、实验验证：快速、精准、稳定且泛化性强
该方法在三个公开数据集上（ DrivAerNet，DrivAerNet++，DrivaerML）进行测试，DragSolver达到目前最优水平。DragSolver 实现了快于 CFD 数千倍的推理速度，同时保持高精度与高度泛化，可直接嵌入汽车造型早期的“生成-评价-迭代”闭环，DragSolver相较于次优方法：
精度优势：相较于次优模型，平均相对误差降低了64%，R²提高了7%（表二）。
噪声鲁棒：在合成噪声干扰的情况下仍能保持最低误差，体现出更好的鲁棒性（表三）。
少样本泛化能力：仅用10%训练数据，即可达到其他模型全量训练性能（表四）。
推理速度优势：单车型预测时间仅需0.9–5秒，比传统CFD模拟速度提升数千倍，真正实现实时评估。
五、行业影响与未来展望
降本增效：风阻评估实现从“项目级仿真”到“实时点击即评估”的转变，极大提高了设计效率。
推动绿色设计：有助于电动车和新能源商用车优化空气动力学性能，延长续航里程并降低碳排放。
跨领域应用潜力：DragSolver方法框架天然具备跨领域迁移能力，可拓展至无人机、风能叶片、高铁车头等众多空气动力学敏感领域。
公众号原文链接（文末附论文资源）：
ICML2025|宁波东方理工大学刘野，陈云天：DragSolver：用于真实汽车风阻系数估计的多尺度Transformer方法
注：文章由作者原创供稿，并获得作者授权发布。
