Анализ возможностей и перспектив применения технологий искусственного интеллекта в автомобильном дизайне

Авторы: В.И. Ивченко, Д.В. Павлович, О.Н. Мойсей, В.В. Бохонко

Промышленный и, в частности, автомобильный дизайн являются эффективным инструментом в позиционировании товара на рынке и привлечении внимания покупателя. Поэтому актуальным является поиск и апробация новых методов и средств, направленных на расширение возможностей дизайнеров, повышение качества результатов их работ, снижение сроков и затрат на разработку. Одно из перспективных направлений совершенствования процесса дизайн-проектирования – использование возможностей искусственного интеллекта (ИИ). В связи с чем возникает задача изучения передового мирового опыта в данной области. Цель исследования - определение возможностей, тенденций развития и перспектив применения технологий ИИ при разработке дизайна автомобилей и апробация их прикладного применения. Методология и методы. Использованы методы анализа и систематизации результатов исследований в области применения технологий ИИ в дизайне; проведен эксперимент по их прикладному применению. Результаты и научная новизна. Проведен аналитический обзор исследований по разработке, апробации и применению в дизайн-проектировании автомобилей алгоритмов, обучаемых моделей систем и программ, использующих технологии ИИ. Рассмотрены системы с инструментами машинного обучения, обеспечивающие генерацию реалистичных изображений автомобилей и их компонентов, создание и тестирование дизайна по заданным эстетическим и инженерным критериям, оценку степени схожести разработок, программы с интегрированными CAD/CAE системами. Представлены результаты апробации процесса создания рендерных изображений автомобиля с использованием программы Vizcom на базе ИИ. Практическая значимость. Применение технологий ИИ в дизайн-проектировании автомобиля обеспечивает ускорение процесса поиска дизайн-идей, повышение качества получаемых изображений, а также расширение возможностей вариативного представления исходной дизайн-концепции.

Введение.

В эпоху цифровой трансформации промышленное производство сталкивается с вызовами и возможностями, которые влияют на его облик и эффективность, приводят к появлению принципиально новых решений и технологий. Насущная потребность внедрения инноваций и применения передовых технологий связана с необходимостью обеспечения конкурентоспособности производства путем удовлетворения постоянно изменяющихся и возрастающих ожиданий потребителей, повышения производительности и снижения издержек.

Данные тенденции в полной мере проявляются в автомобильной промышленности, характеризующейся высокой наукоемкостью выпускаемой продукции и жесткой конкурентной борьбой на рынке, в связи с чем она может выступать примером и ориентиром для определения общих направлений развития машиностроительной отрасли [1-5].

Значительный вклад в достижение конкурентоспособности автомобиля вносит его дизайн, который не только формирует его общее привлекательное эстетическое восприятие, но и решает на стадии дизайн-проектирования актуальные вопросы обеспечения комфорта, безопасности, эффективности и экономичности, а также четкое позиционирование целевого сегмента рынка.

По данным исследований [6] автомобильные компании вкладывают значительные средства в разработку дизайна — в среднем 3 млрд. долл. США на одну модель легкового автомобиля и до 1,25 млрд. на ее рестайлинг. Такие вложения осуществляются с пониманием того, что улучшение эстетических показателей продукции может увеличивать объемы продаж более чем на 30 %, а ухудшение существенно сократить их, а также того, что до 60 % решений потребителей о покупке продиктованы положительным эстетическим восприятием автомобиля.

С учетом изложенного автомобильный дизайн становится полигоном для апробации и внедрения самых передовых технологических инноваций. Сегодня в процесс дизайн-проектирования успешно встроены современные цифровые технологии для создания и визуализации проектов, такие как: программное обеспечение для создания и редактирования изображений, программы для трёхмерного проектирования, технологии виртуальной и дополненной реальности, 3D-печати, реверс-инжиниринга и др. Они помогают дизайнерам создавать реалистичные эскизы, трехмерные компьютерные и виртуальные модели, и эффективно осуществлять их оценку еще до изготовления натурных образцов.

Одним из перспективных направлений совершенствования процесса дизайн-проектирования является использование возможностей искусственного интеллекта (далее - ИИ). Ожидается, что внедрение технологии ИИ в процесс дизайн-проектирования и инженерного проектирования приведет к пересмотру роли человека, методов и инструментов проектирования, значительному повышению скорости и эффективности процесса [7-9]. В этой связи актуальной является задача изучения передового мирового опыта применения технологий ИИ в дизайне и разработка собственной методологической базы их использования на различных этапах дизайн-проектирования.

История и современный уровень развития технологии искусственного интеллекта.

Впервые концепция искусственного интеллекта была озвучена Аланом Тьюрингом в 1950 г. в работе «Вычислительные машины и интеллект». Термин «искусственный интеллект» был введен в 1956 году математиком Джоном Маккарти. В первые десятилетия хорошо финансируемых международных исследований развитие получили лишь теоретические основы ИИ. Это было связано с отсутствием высокопроизводительных вычислительных машин для реализации закладываемых алгоритмов и обработки больших объемов данных. С середины 1970-х по 1990-е годы исследователи столкнулись с острой нехваткой финансирования, но к концу 1990-х годов интерес к ИИ возобновился [1, 10-12].

Новые исследования подтвердили возможность эффективного использования ИИ в различных сферах деятельности человека, таких как медицина, финансы, маркетинг, машиностроение, игровая индустрия и др.

В 2016 году на Всемирном экономическом форуме в Давосе было объявлено о начале нового технологического прорыва – четвертой промышленной революции (индустрии 4.0), в основе которой среди прочего лежит ИИ.

В настоящее время ИИ определяется как способность компьютера (системы) обучаться, принимать решения и выполнять действия, свойственные человеческому интеллекту, т.е. воспроизводить когнитивные способности человеческого мозга.

Использование ИИ обеспечивает ряд преимуществ, среди которых: возможность автоматизации и оптимизации различных сложных процессов и задач, в том числе связанных с обработкой больших объемов данных; обеспечение стабильных результатов; гибкие возможности по персонализации получаемых результатов, что способствует повышению их точности и достоверности, улучшению качества принимаемых решений, повышению производительности и снижению затрат на решение сложных информационно емких задач. Среди недостатков использования технологии ИИ можно отметить следующие: существование потенциальных рисков обеспечения безопасности данных; возможность возникновения зависимости от технологии; потенциальные риски, связанные с отсутствием нормативного регулирования сферы использования ИИ (вопросы авторского права, ответственности за принимаемые решения, вмешательства в частную жизнь и т.п.). Эти преимущества и риски должны быть учтены при разработке и применении систем ИИ [14, 15].

Системы ИИ работают, обрабатывая большие объемы информации (обучающих данных), анализируя их на предмет корреляции и закономерностей, а затем используют полученные результаты для генерации новой информации. В результате такой обработки информации, в соответствии с поставленными целями и задачами, например, могут быть распознаны образы или речь, выполнен анализ текста, сгенерирована информация, изображение, спрогнозировано событие, оптимизирован процесс, принято решение и многое другое. Большинство сценариев использования ИИ сегодня основаны на достаточно отработанных методах, которые можно разделить на три основные категории: вероятностные рассуждения, вычислительная логика и методы оптимизации.

Существует несколько типов ИИ, каждый из которых ориентирован на решение определенных задач и проблем: символьные системы (Symbolic AI), машинное обучение (Machine Learning), нейронные сети (Neural Networks), включающие глубокое обучение; генетические алгоритмы (Genetic Algorithms), обработка естественного языка (Natural Language Processing, NLP), робототехника (Robotics). Приведенные типы ИИ не являются взаимоисключающими и могут использоваться в комбинации для решения различных задач [11, 16, 17]. Одним из наиболее перспективных и быстро развивающихся типов ИИ являются нейронные сети.

Варианты прикладного применения существующих видов нейронных сетей в области дизайна приведены в табл.1.

Таблица 1 - Прикладное применение нейронных сетей в дизайне

В качестве примеров наиболее известных веб-сайтов и приложений действующих с применением нейросетей можно привести: DALL-E 2, Google's AutoML, Autodesk Generative Design, Stable Diffusion XL, Fusion Brain. В автомобильном дизайне наиболее активно применяются нейросети: MidJourney, Gravity Sketch и Vizcom [18].

Прикладное применение ИИ в промышленном дизайне.

В работе [6] представлен усовершенствованный процесс дизайн-проектирования и тестирования продукции с использованием технологий ИИ, а также результаты его апробации в автомобильной промышленности.

Суть усовершенствования заключается в том, что помимо традиционных этапов создания и оценки дизайна командами профессиональных дизайнеров и целевых потребителей по заданным критериям (например: эстетичность, инновационность, спортивность, традиционность и др.) добавляются этапы создания и тестирования дизайна с использованием продуктов с машинным обучением (рисунок 1). Генеративная модель создает оригинальные варианты дизайна изделия с заданными человеком атрибутами. При тестировании прогнозирующая модель помогает исключить проекты, которые могут получить низкую оценку при дальнейшей экспертизе, а также дает подсказки для поиска оптимального баланса между эстетической привлекательностью автомобиля и эстетической инновационностью, так как слишком эстетически инновационный автомобиль воспринимается чрезмерно авангардным и теряет привлекательность в качестве массового продукта, а недостаточно инновационный – быстро устаревает.

Рис. 1. Усовершенствованный процесс дизайн-проектирования и тестирования продукции с использованием технологий ИИ [6]

На рисунке 2 показано как могут отличаться сгенерированные ИИ варианты дизайна прогнозируемо наиболее эстетически привлекательной (слева) и эстетически инновационной конструкции автомобиля.

Рис. 2. Примеры сгенерированного дизайна по критериям эстетической привлекательности (а) и эстетической инновационности (б) [6]

Применение представленной концепции позволяет сократить время разработки продукта и время отбора (отсеивания) проектов, а также сократить затраты на разработку дизайна. При этом следует учитывать, что каждое тематическое исследование восприятия дизайна при разработке нового легкового автомобиля обходится более 100 тыс. долларов США, а с учетом количества линеек автомобилей и разрабатываемых проектов годовой бюджет крупных компаний по данному направлению может превышать 100 млн. долл. США [6]. Обученная модель по сравнению с традиционными моделями машинного обучения и предварительно обученными глубокими нейронными сетями смогла на 43,5 % точнее предсказать привлекательность эстетического восприятия нового дизайна потребителями. Совпадение прогноза модели и потребителей происходило в 74 % случаев [6].

Исследование [6] подтвердило, что автоматически сгенерированные проекты дизайна автомобилей привлекательны для потребителей и хорошо соотносятся с проектами, которые были представлены на рынке через пять лет после получения данных. При обучении с использованием данных по автомобилям 2010–2014 модельного года модель способна генерировать дизайн автомобилей, аналогичных представленным в 2020 модельном году.

Для сопровождения процесса рестайлинга дизайна автомобилей в рамках исследования [19] была разработана вычислительная платформа – генератор, оценщик, оптимизатор (GEO), основанная на машинном обучении, которая включает в себя 3 компонента: генератор дизайна на основе StyleGAN2, который создает различные проекты рестайлинга; вычислитель на основе сверточной нейронной сети (CNN), который оценивает дизайн с точки зрения эстетики; и рекуррентный нейронный оптимизатор решений (RNN), который выбирает дизайн для максимизации прогнозируемой прибыли от выбранной модели автомобиля с течением времени. Представленный генератор и алгоритм рестайлинга могут включать новые элементы дизайна в существующие конструкции, сохраняя при этом преемственность внешнего вида отдельных элементов базовой модели автомобиля.

В исследовании [20] представлен новый подход к генерации реалистичных изображений путем разделения информации об объекте на отдельные независимые факторы, такие как форма, текстура и направление обзора, с использованием созданной модели для генерации 2D-изображений "Visual Object Networks" (VON), обучаемой на основе как трехмерных, так и двумерных визуальных данных (рисунок 3).

Рис. 3. Генерация реалистичных изображений с использованием модели VON [20]

Модель обеспечивает лучшее качество генерации изображений по сравнению с аналогичными методами, позволяя пользователю лучше понять как объект выглядит в пространстве. Примененный подход представляет перспективное направление в области синтеза реалистичных изображений и может открыть новые возможности при дизайн-проектировании.

Помимо общей формы автомобиля, дизайнеры уделяют большое внимание внешнему виду его отдельных элементов, также способных отражать новизну объекта. В публикациях [21, 22] представлены результаты исследований по применению методов генеративного дизайна и глубокого обучения в автоматизированном проектировании (CAD) и инженерном анализе (CAE) для создания и оценки концептуальных проектов дизайна колес. Разработанная система позволяет автоматически создавать различные варианты дизайна колес и оценивать их по физическим характеристикам, таким как прочность, жесткость и масса. Предложенная авторами методика состоит из семи этапов, представленных на рисунке 4.

Рис. 4. CAD/CAE проектирование с использованием методов генеративного дизайна и глубокого обучения [21, 22]

Система обеспечивает быструю обратную связь относительно технических характеристик конструкции, что позволяет дизайнерам и инженерам эффективно сотрудничать и принимать обоснованные совместные решения на самых ранних этапах проектирования. Использование глубокого обучения и генеративного дизайна позволяет существенно ускорить процесс концептуального проектирования.

В публикации [23] представлено разработанное командой цифрового дизайна компании Hyundai Motor Company приложение с использованием ИИ, которое решает задачу проверки сходства проектируемых конструкций колес с существующими. Учитывая длительность процесса проектирования колеса и высокие затраты на его создание и освоение в производстве, обнаружение похожих конструкций, в том числе нарушающих чужие авторские права, может привести к убыткам на сумму более 3 млн. долл. США. В связи с чем проверка включает не только отбор оригинальных разработок, но и выявление разработок, нарушающих авторские права. Применение приложения позволяет сократить время проверки на 90 %, со 120 до 10 мин. Пример работы системы по сценарию сравнения рендерного изображения колеса легкового автомобиля с изображениями существующих колес представлен на рисунке 5.

Рис. 5. Результаты сравнения сходства рендерного изображения колеса легкового автомобиля с изображениями существующих колес [23]

Возможности представленной системы могут быть расширены для проверки конструкций других деталей автомобиля, например решеток радиатора, фар, и т.п.

Исследовательский институт Toyota ResearchInstitute (TRI) представил инновационный инструмент генеративного ИИ, позволяющий создавать эскизы дизайна автомобилей с помощью текстовых подсказок, включая точные стилистические атрибуты, такие как «гладкий», «внедорожный», «современный» и т.п. Важной особенностью является возможность оптимизировать при создании эскизов прототипа количественные показатели эффективности автомобиля с учетом накладываемых физических ограничений. Методические подходы и обоснования по объединению принципов теории оптимизации, которая широко используется в компьютерной инженерии, с генеративным ИИ на основе преобразования текста в изображение представлены TRI в [24]. Разработанный алгоритм, реализующий идею интеграции генеративного ИИ в инструмент, объединяющий разнообразные потоки данных, позволяет неявно интегрировать ограничения транспортного средства, такие как лобовое сопротивление, которое напрямую влияет на топливную экономичность, и размеры шасси, такие как дорожный просвет и размеры кузова, которые влияют на управляемость, эргономику и безопасность, при этом создавая изображения, соответствующие заданным дизайнером стилистическим принципам. Пример полученных TRI вариантов оптимизированного дизайна легкового автомобиля с установленными ограничениями по аэродинамическому сопротивлению воздуха представлен на рисунке 6.

Рис. 6. Оптимизация дизайна легкового автомобиля с инженерными ограничениями по аэродинамическому сопротивлению воздуха [24]

Представленный метод может существенно ускорить процесс проектирования за счет более быстрого и эффективного достижения баланса между эстетикой и показателями эффективности автомобиля. Его реализация позволяет дизайнерам сосредоточиться на выявлении важных стилистических аспектов дизайн-проекта, будучи уверенными в соблюдении наложенных технических ограничений.

Опыт практического применения ИИ при разработке дизайна легковых автомобилей.

Творческий процесс разработки дизайна автомобиля начинается как правило с создания эскизных вариантов экстерьера. Далее по наиболее удачным эскизам создаются высокореалистичные рендерные изображения. Уже на этих этапах у дизайнеров имеется возможность применить различные специализированные сервисы, которые используют нейронные сети. Одним из таких инструментов для визуализации рисунков и эскизов на базе ИИ является Vizcom (Visual Communication). Он позволяет получать высококачественные реалистичные изображения на основе эскизов, созданных в интерфейсе Vizcom с помощью встроенного набора инструментов рисования или загруженных уже существующих эскизов, в том числе ручных, рендерингов или фотографий для генерации, обработанных с использованием нейросетевых алгоритмов по заданным дизайнером текстовым описаниям.

Далее рассмотрим процесс разработки рендерного изображения по ручному эскизу экстерьера легкового автомобиля. Рендерное изображение в Vizcom может быть получено путем непосредственной оцифровки ручного эскиза и его последующей загрузки в программу или доработки ручного эскиза в векторном стиле, в результате чего создается замкнутый контур изображения. Первый метод является наиболее быстрым, однако менее качественным из-за хаотичности линий и возможных погрешностей в пропорциях и деталях изображения. По второму варианту, благодаря векторному изображению, программа более точно интерпретирует форму и применяет более качественные текстуры (рисунок 7).

Рис. 7. Рендерные изображения на основе ручного (а) и векторного (б) эскизов

В процессе создания рендерного изображения, помимо исходного изображения, в программу вводится текстовое описание (Prompt) на языке программы — слова или фразы, описывающие как должно выглядеть изображение. Текстовое описание может включать различные характеристики, такие как класс автомобиля, тип кузова, текстуры, окружение, особенности детализации и другие параметры. После ввода текстового описания и загрузки исходного изображения запускается процесс рендеринга.

Vizcom позволяет создавать уникальные рендерные изображения при одинаковых заданных параметрах за счет широкого диапазона настроек программы. Например, в программе предоставляется возможность регулирования соответствия точности отображения рендерного изображения заданным исходным данным, что способствует разнообразию сгенерированных изображений. На рисунке 8 представлены варианты рендеринга разработанного эскиза с различными степенями соответствия исходным данным. Также обеспечена возможность генерации разнообразных стилей рендерных изображений (рисунок 9): Vizcom General – создает фотореалистичные изображения, Automotive Exterior – используется для рендеринга автомобильных экстерьеров в эскизном стиле, Volume Render – обеспечивает трехмерный вид на глубину и форму объекта, Technicolor 6 – предлагает футуристический стиль с акцентом на атмосферу и окружение, Pastel Render – создает изображения в пастельных оттенках, Cyber Cel – генерирует изображения в ярких однотонных цветах с четкими контурами и высокой контрастностью.

Рис. 8. Варианты рендерных изображений с разным соответствием исходным данным

Рис. 9. Варианты рендерных изображений полученных с учетом настроек стиля

По результатам представленного примера апробации процесса создания высокореалистичного рендерного изображения с использованием программы Vizcom можно отметить, что применение ПО на базе ИИ обеспечивает ускорение процесса поиска дизайн-идей и улучшение качества получаемых изображений, а также расширяет возможности вариативного представления исходной дизайн-концепции.

Обобщение результатов исследования.

По результатам обзора представленной информации становится очевидным, что с учетом динамично открывающихся новых технологических возможностей происходит переосмысливание и пересмотр роли дизайна и места дизайн-проектирования в общем процессе разработки инновационной продукции. Предпосылками к этому стала масштабная цифровизация процесса дизайн-проектирования, предусматривающая использование самых современных технологий, программных и технических средств (планшеты, очки виртуальной и дополненной реальности, 3D-принтеры, графические редакторы многие другие).

Одной из таких передовых, активно внедряемых для применения в дизайне, является технология ИИ. Применение технологии ИИ в промышленном дизайне в первую очередь направлено на расширение возможностей дизайнера, повышение качества результатов работ, повышение уровня автоматизации процесса дизайн-проектирования, снижение сроков и затрат на разработку.

Наиболее наглядно масштабы расширения применения ИИ при дизайн-проектировании просматриваются в области автомобилестроения, являющейся одной из самых наукоемких отраслей машиностроения с высоким уровнем финансовых вложений в НИОКР.

В автомобилестроении отмечается тенденция включения в цели дизайн-проектирования решения различных задач совершенствования и оптимизации конструкции автомобиля на самых ранних стадиях разработки с целью выхода на запланированные характеристики автомобиля и повышения его потребительских свойств (рисунок 10).

Рис. 10. Расширение сфер влияния дизайна на потребительские свойства автомобиля [3]

В настоящее время ведутся активные исследования по расширению возможностей прикладного использования технологий ИИ в дизайн-проектировании автомобилей. В частности, в традиционные процессы разработки или доработки дизайна включаются различные подходы, обеспечивающие генерацию реалистичных изображений автомобилей и их компонентов, добавляются этапы создания и тестирования дизайна по заданным эстетическим критериям и техническим параметрам, а также по степени схожести с известными разработками, с использованием продуктов с инструментами машинного обучения путем их интеграции с CAD и CAE системами.

Указанные подходы находят реализацию в виде разработки, апробации и практического использования соответствующих алгоритмов, обучаемых моделей систем, программ и т.п. Их внедрение требует совершенствования или пересмотра процесса дизайн-проектирования, а также разработки соответствующей методологической базы для обеспечения наиболее эффективного использования технологий ИИ. В данном направлении можно отметить наличие исследований, направленных как на совершенствование общего процесса дизайн-проектирования, так и узко специализированных тематических прикладных исследований.

Апробация процесса создания высокореалистичного рендерного изображения легкового автомобиля, выполненная в ходе собственных исследований с использованием специализированной программы Vizcom, подтвердила, что применение ПО на базе ИИ обеспечивает ускорение процесса поиска дизайн-идей, повышение качества получаемых изображений, а также существенно расширяет возможности вариативного представления исходной дизайн-концепции.

Вместе с тем следует отметить, что не смотря на обширное представление результатов исследований в рассмотренной области, методологически процесс встраивания специализированных продуктов, использующих технологии ИИ, в процесс разработки дизайна промышленной продукции и, в частности – дизайн-проектирования автомобиля, описан не в достаточной мере. В связи с этим выполнение дальнейших исследований, а также прикладных работ сопряжено с необходимостью разработки соответствующей методологической базы.

Заключение.

Проведенное исследование подтвердило актуальность и перспективность прикладного применения технологий ИИ в промышленном дизайне, что соответствует продолжению отмечающейся в последнее десятилетие общей тенденции цифровизации данной сферы деятельности.

Оценка динамики и современного уровня развития ИИ позволила определить ключевые технологические направления, являющиеся перспективными для внедрения в системы автоматизации разработки промышленного дизайна, а также оценить потенциальные преимущества и риски от их использования.

Обзор и анализ результатов исследований в области разработки, апробации и практического применения в дизайн-проектировании автомобилей усовершенствованных алгоритмов, обучаемых моделей систем и программ, использующих технологии ИИ, подтвердили эффективность их внедрения в процессы создания реалистичных изображений автомобилей и автомобильных компонентов, разработки и тестирования дизайна по заданным эстетическим критериям и техническим параметрам, оценки степени схожести с известными конструкциями.

Определено, что внедрение технологий ИИ в процесс дизайн-проектирования способно обеспечить расширение возможностей дизайнеров, повышение качества результатов их работ, рост уровня автоматизации выполняемых работ, снижение сроков и затрат на разработку, а также интеграцию процесса разработки дизайна в процесс инженерного проектирования.

Установлено, что существующие технологии ИИ, адаптированные для нужд автомобильной промышленности, уже оказывают влияние на творческий процесс и результаты разработки дизайна. При этом современные методы и средства использования технологий ИИ в промышленном дизайне в недостаточной мере представлены в открытых источниках.

Полученные по результатам обзорных исследований выводы подтверждены результатами собственных прикладных исследований, выполненных в рамках апробации процесса создания высокореалистичных рендерных изображений экстерьера легкового автомобиля с использованием специализированной программы Vizcom на базе ИИ.

С учетом отмечаемого динамичного развития технологий ИИ, объемов теоретических и прикладных исследований, направленных на расширение их применения в процессе промышленного дизайн-проектирования можно сделать выводы о целесообразности дальнейшего изучения передового мирового опыта использования технологий ИИ в дизайне и разработки собственной методологической базы их применения на различных этапах дизайн-проектирования.

Литература:

1. Денисенко В.В., Евтеева К.С., Савченко И.И., Скрыпников А.А. Использование искусственного интеллекта для обработки персональных данных // Международный журнал гуманитарных и естественных наук. – 2020. №7-1. –С. 110–114.
2. Андреев А.В. Искусственный интеллект и его роль в обработке больших данных // Умная цифровая экономика. –2023. Т.3. –№1. –C. 65-69.
3. Chuxiao Hou. Application of Artificial Intelligence Technology in Smart Car Design // Highlights in Science, Engineering and Technology (MECAE 2022). –2022. – №15. – C. 322-325.
4. Чжан Ц. Современное состояние и развитие искусственного интеллекта и больших данных // Инновации. Наука. Образование. – 2022. –№ 50. –C. 2436-2446.
5. Матюшок В.М., Красавина В.А., Матюшок С.В. Мировой рынок систем и технологий искусственного интеллекта: становление и тенденции развития // Вестник Российского университета дружбы народов. Сер.: Экономика. – 2020. Т. 28. –No 3. – С. 505–521.
6. Burnap A., Hauser J. R., Timoshenko A. Product Aesthetic Design: A Machine Learning Augmentation // Marketing Science. – 2023.  Vol.42 (Iss.6.) – Р.1029-1056.
7. Revolutionizing Automotive Design with Artificial Intelligence. 2023. URL: https://medium.com/@labmaharaj/revolutionizing-automotive-design-with-artificial-intelligence-b1ceff124b5b. (дата обращения: 18.02.2024).
8. Abduljabbar R, Dia H, Liyanage S, Bagloee S.A. Applications of Artificial Intelligence in Transport: An Overview // Sustainability. – 2019 – №11(1) – P.189.
9. Yüksel N., Börklü H. R., Sezer H. K., Canyurt O. E. Review of artificial intelligence applications in engineering design perspective // Engineering Applications of Artificial Intelligence. –2023. Vol. 118.
10. Rezk S. M. The Role of Artificial Intelligence in Graphic Design // Journal of Art, Design and Music. – 2023. Vol. 2: Iss. 1.
11. Иванько А.Ф., Иванько, М.А., Сизова Ю.А. Нейронные сети: общие технологические характеристики // Научное обозрение. Технические науки.  2019.  № 2. С. 17-23.
12. Дементьев К.И. Анализ мирового опыта применения искусственного интеллекта для оптимизации бизнес-процессов предприятий // Управленческое консультирование. 2023. – № 1. – С. 107–120.
13. What Is Artificial Intelligence? 2024. – URL: https://www.gartner.com/en/topics/artificial-intelligence – (дата обращения: 18.03.2024).
14. Фролова Н.Ю. Дизайн в контексте постгуманизма // Культурные индустрии «Человек в социокультурном измерении» – 2022. –№1. –С. 57–63.
15. Нейросети и искусственный интеллект: различия и взаимосвязь. URL: https://neiroseti.tech/interesnoe/nejroseti-i-iskusstvennyj-intellekt/ (дата обращения:18.03.2024).
16. Дрюкова А. Э., Мильчакова Н.Е., Дрюков М. В. Использование нейронных сетей в индустриальном дизайне // Дизайн. Материалы. Технология. – 2022. – № 2(66). – С. 24-29.
17. Попов Н. Р., Еремина Д. В. Нейронные сети и их применение // Актуальные вопросы науки и экономики: новые вызовы и решения: сб. материалов LIII Международ. студ. науч.-практ. конф. 2019. – С. 475-479.
18. Иноземцева И. Нейросети в архитектурном проектировании и дизайне - революция в творческом процессе. URL: https://www.architect4u.ru/articles/nejroset-v-arhitekture-dizajne.html. – (дата обращения:14.03.2024).
19. Jingmin Huang, Bowei Chen, Zhi Yan, Iadh Ounis, Jun Wang. GEO: A computational design framework for automotive exterior facelift ACM Transactions on Knowledge Discovery from Data –2023.– 17(6), No. 82, – P. 1–20.
20. Zhu J.-Y., Zhang Z., Zhang C., Wu J., Torralba A., Tenenbaum J.B., Freeman W.T. Visual Object Networks: Image Generation with Disentangled 3D Representation // NIPS'18: Proceedings of the 32nd International Conference on Neural Information Processing Systems. 2018.– P. 118–129.
21. Yoo, S., Lee, S., Kim, S., Hwang, K. H., Park, J. H., & Kang, N. Integrating deep learning into CAD/CAE system: generative design and evaluation of 3D conceptual wheel  // Structural and Multidisciplinary Optimization. –2021. Vol. 64, No. 4, –P. 2725–2747.
22. Yoo S., Lee S., Kim S., Hwang K.H., Park J.H., Kang N. Integrating Deep Learning into CAD/CAE System: Case Study on Road Wheel Design Automation. URL: https://www.researchgate.net/publication/ 341899356_Integrating_Deep _Learning_into_CADCAE_System_Case_Study_on_ Road_Wheel_Design_Automation (дата обращения: 01.03.2024.)
23. Kang, K.P., G.H. Jung, J.H. Eom, S.B. Kwon, J.H. Park. Application of deep metric learning in the verification process of wheel design similarity: Hyundai motor company case// AI Magazine 44, –2023. – P. 406–417.
24. Nikos Arechiga, Frank Permenter, Binyang Song, Chenyang Yuan. Drag-guided diffusion models for vehicle image generation URL: https://www.researchgate.net/publication/ 371684712_Drag-guided_diffusion_models_for_vehicle_image _generation. – (дата обращения: 01.03.2024.)