登录社区云,与社区用户共同成长
邀请您加入社区
自动驾驶仿真的核心目标,是将各类车辆模型转化为可计算、可交互、可验证的数字资产,而非单纯积累模型资源。通过Blender + Unreal Editor + aiSim 的组合,可以建立一条标准化、可复用的车辆接入流程:从多源模型导入(支持.fbx、.blend)到结构重构与规范化建模再到UE中的蓝图组装与动力学配置最终进入aiSim完成闭环验证这一流程不仅解决了模型“能不能用”的问题,更提升了“
针对机器人算法核心的五大能力——语言指令理解、空间关系认知、原子技能操作、环境扰动适应、零样本跨域迁移,Genie Sim Benchmark分别设计了五大任务套件,支持Genie Operator系列、π系列、GR00T系列等主流基座模型,多维度系统性评估模型在复杂场景下的综合表现。具身智能的进化,需要一座连接虚拟与现实的高效桥梁,它发生在无数次快速构建的场景里,发生在源源不断生成的数据中,也发
增强现实(AR)是一种将数字信息叠加到现实环境中的技术,通过摄像头、传感器和显示设备实现虚实交互。AR分为基于标记和无标记两种类型,广泛应用于教育、零售、医疗、游戏等领域,具有提升体验、降低成本、增强决策等优势。与虚拟现实(VR)不同,AR是在真实环境中叠加数字内容。随着AI技术进步,AR将在可穿戴设备、教育、跨语言交流等方面持续发展,深度融入日常生活。
自动驾驶仿真赛道升温,3DGS 与世界模型同台竞技,实操如何?技术落地效果又如何?本文转载一线工程师分享,实操 aiSim 3DGS 功能,拆解技术路线差异,解读落地价值与协同潜力,提供实操参考!
为高阶智驾而生的HIL测试,你是否仍困于“仿真失真、升级昂贵、场景覆盖难”?本文介绍高保真HIL仿真解决方案,以aiSim为核心实现传感器仿真与真实数据误差<0.02,助力客户测试成本降30%、效率提50%
本文详细介绍了Ansys SpaceClaim 2025 R2软件界面的各项功能与操作流程。主要内容包括:界面总体布局分为顶部菜单栏、功能区、结构面板、绘图区和状态栏;重点讲解了14个顶部菜单功能,特别是"设计"选项卡中的核心建模工具;详细说明了草图模式下的高级选项和视图控制技巧;介绍了结构面板的层级管理功能;强调了属性面板和状态栏的重要作用。文章还提供了新手工作流程建议,帮助
在7nm/5nm工艺下,传统功耗估算方法误差高达15-22%,导致AI芯片流片失败率居高不下。本文揭示SPICE仿真如何成为能效优化的黄金标准:通过瞬态分析精准定位90%以上的动态功耗浪费,利用AC分析预防电源完整性隐性风险。基于NVIDIA Jetson Orin与Google TPU v4的真实案例,详细解析多速率仿真策略、PDN阻抗控制方法及参数化建模技巧。文中提供的5套工业验证网表模板、分
AI芯片功耗验证面临严峻挑战,78%的边缘AI芯片因功耗问题失败,其中53%源于仿真阶段低估动态功耗。7nm以下工艺中,瞬态电流尖峰占动态功耗41%,传统分析工具难以应对。英伟达Orin-NX芯片开发实践表明,必须采用SPICE级瞬态与AC协同分析,构建完整功耗验证闭环。通过精确建模、向量注入和误差校准,可将预测误差从±25%压缩至±8%以内。关键方案包括:1)精确表征FinFET晶体管特性;2)
针对真实数据集中“类别不平衡”的问题,SimData在保证Car、Pedestrian等基础类别密度的同时,增加了Trailer(拖车)、Barricade(路障)、TrafficCone(交通锥)、Van(面包车)等稀缺类别的样本比例。这种人为干预的数据分布优化,直接提升了模型对异形障碍物的检出能力。图3:数据集数据的分布统计,数据集包含了880个实例(Instances),215,472个关键
根据需要,可以为给定的jammer_to_noise_ratio重复多个pulse_density_to_jamming_gain输入值。它可能由electronic_protect定义使用,以指定干扰器类型数据输入,但通常数据仅在此输入块外输入,并应用于所有干扰器类型的electronic_protect效应。这是一个输入块,用于提供特定系统类型(例如,SENSOR-TYPE, JAMMER-T
AFSim 2.9中文参考手册》-CSDN博客编辑编辑https://blog.csdn.net/henggesim/article/details/145566384编辑https://blog.csdn.net/henggesim/article/details/145566384https://blog.csdn.net/henggesim/article/details/145566
Kinetic Vision 采用了 Altair PhysicsAI 驱动仿真方案,融合深度学习与历史计算机辅助工程(CAE)数据的强大能力,可快速提供物理预测结果。通过利用历史仿真数据训练 PhysicsAI 模型,Kinetic Vision 成功以近乎即时的预测结果替代了冗长的有限元分析运算,将求解时间从数小时或数天缩短至数秒。
本文采用 Altair OptiStruct 求解器在概念设计阶段,通过引入拓扑优化技术,结合等效静态载荷法,将冲击工况的非线性动态载荷转化为等效静态载荷,与线性静态工况结合进行多学科多工况的拓扑优化。此方法能够在设计自由度较高的概念阶段确定最优的材料分布和形状,为后续减重降本设计奠定基础。
Magnoric 采用了 Altair® SimLab® 先进的热仿真、计算流体动力学(CFD)及电磁(EM)仿真解决方案,该方案专为处理多物理场建模与复杂几何结构设计。项目团队未对每个设计迭代版本进行实物制作与测试,而是构建了 AMR 系统的虚拟模型,聚焦于由单个间隔层分隔的简化双块结构。该模型真实还原了实际运行工况,包括流体在 44 条超薄通道中的流动状态,以及连续模块间的预设错位情况。
端到端自动驾驶架构兴起,传统仿真真实感不足,而3DGS重建又只是无法交互的“三维录像”?本文深度解析康谋aiSim与World Extractor构建的双模态仿真方案,通过混合渲染技术,打造静态高保真、动态全泛化的数字孪生环境,实现高效的闭环验证!
本栏目将对《AFSim 2.9中文参考手册》进行持续更新,欢迎关注交流!对本书全文和AFSIM其它资料感兴趣的伙伴,可联系作者领取~全部内容索引请看 ⬇️⬇️⬇️《AFSim 2.9中文参考手册》-CSDN博客编辑编辑https://blog.csdn.net/henggesim/article/details/145566384编辑https://blog.csdn.net/hengges
为在空间车架设计中实现性能与安全的平衡,STARD 充分借助了 HyperMesh 卓越的有限元分析(FEA)能力。项目启动之初,团队以某款既有车型未经优化的空间车架计算机辅助设计(CAD)模型为基础,将其简化为一维模型,作为设计工作的起点。
Altair 数据分析与 AI 平台 Altair® RapidMiner® 迎来重大更新。此次更新旨在帮助企业实现智能运营,在统一生态系统中打通人员洞察、数据自动化与智能体 AI 协作的壁垒。最新更新进一步强化了Altair 的数据分析与 AI 生态系统,助力企业构建兼具可扩展性、可信赖的智能数据环境。
AFSim 2.9中文参考手册》-CSDN博客编辑编辑https://blog.csdn.net/henggesim/article/details/145566384编辑https://blog.csdn.net/henggesim/article/details/145566384。propagation_model用于创建配置的传播模型,这些模型可以在发射机定义中的propagatio
Altair 近日宣布对 Altair®HPCWorks® 高性能计算 (HPC) 与云平台进行多项重大功能升级。Altair HPCWorks 2026 融合多项功能升级,为研发探索注入加速度。
传统的有限元仿真,对于复杂仿真,分析周期长,经常不能适应快速迭代设计需求。本文采用 SimSolid 无网格分析软件,对某工业电子设备做随机振动分析,十几分钟内能得到仿真结果,实现产品性能快速评估。
摘要:SimLab 2019-2021.2版本显著增强了几何处理功能,支持清理倒角、圆孔、Logo等特征,提供几何穿透检查与布尔运算修复,并能直接修改圆孔半径。所有功能基于Parasolid格式,其他格式需转换。SimLab还支持与Inspire和InspireStudio联动,可一键切换进行高级几何修复和修改。Inspire提供半径修改和特征移动功能,InspireStudio则支持包络变形等表
establish_track_probability [0 .. 1] 当满足 M/N 建立跟踪标准时(参见 hits_to_establish_track),这是建立跟踪的概率。maintain_track_probability [0 .. 1] 只要满足 M/N 维持跟踪标准(参见 hits_to_maintain_track),这是维持跟踪的概率。hits_to_maintain_tra
本次主要为大家介绍了AI助力LCD显示模组精准老化预测工作,这是AI驱动的精准赋能产品生产优化与品质进阶的案例。但AI的应用远不止于此,在技术开发、产品研发设计、制造生产管理以及测试与质量管理等过程中,都可以融合AI大数据应用,实现更多应用场景的落地,助力企业更好地发展。
汽车连续模具的刚度直接决定了冲压件质量(尺寸精度、表面缺陷)与模具寿命。传统有限元分析(FEA)在面对大型复杂模具装配体时,存在网格划分困难、计算资源消耗大、周期长等瓶颈。本文以某车型前门内板五工位连续模为对象,采用 Altair SimSolid 无网格仿真技术,实现了整模装配体级刚度分析。
在制造业的研发和采购中,“零件早期成本预测”一直是让企业头疼的问题。过去,很多企业只能依靠专家经验去估价,不仅速度慢,而且结果差异大。尤其是像齿轮这样的零部件,形状复杂、种类繁多,往往需要工程师一张一张对比、逐一判断。现在,这个流程正在被视觉 AI 和 Altair AI Studio + AI Hub 彻底改写。
总结来说,新版 HyperMesh 已经从传统的网格建模工具,升级为多学科一体化的建模环境,不管是界面交互、几何与网格的处理逻辑,还是 AI 赋能、二次开发支持,都做了很多优化,目的就是帮大家提升建模效率,降低技术门槛。
HyperMesh CFD 和结构有限元建模工具 HyperMesh 是基于相同的平台开发,并集成了虚拟风洞模块VWT,主要用于空气动力学、气动噪声的建模,并集成了 CFD post 工具,以及流致噪声信号处理。
以“构筑产教融合新生态,赋能数业时代新品质”为主题的第29届全国工业设计学术年会暨2025工业设计工程大会在内蒙古呼和浩特市盛大举行。Altair 作为大会重要协办方之一,为这场年度盛会贡献了前沿的仿真技术与创新设计融合的思想盛宴。
在 Altair 区域技术交流会上,高级工程师汤凯利介绍了 Altair 两大明星 “加速神器”,从秒级仿真到智能拓扑优化,帮助设计工程师轻松玩转未来制造,做设计的“时间管理大师”。
Altair 近日正式发布全新电子书《全球100个AI应用案例》,书中收录了全球 100 个 AI 驱动工程设计应用案例,展示人工智能技术(AI) 如何在各行业为产品开发生命周期带来革新。
增材制造(3D打印)技术正在经历从实验室研发到规模化应用的关键转型期,其革命性价值在于突破了传统制造工艺对设计创新的限制。这一突破主要得益于三大核心技术的协同创新:拓扑优化(Topology Optimization)技术实现了结构性能的极致提升,创成式设计(Generative Design)方法开拓了前所未有的设计空间,而增材制造工艺则将这些创新设计转化为现实产品。
multiresolution_processor定义了一个容器,用于在平台上保存一个或多个处理器(processor)对象,并将选择使用哪个processor推迟到运行时。《AFSim 2.9中文参考手册》-CSDN博客编辑编辑https://blog.csdn.net/henggesim/article/details/145566384编辑https://blog.csdn.net/h
Altair SimSolid 是款专门为快速发展的设计流程开发的结构分析软件。它消除了几何体简化和网格化,大大缩短了结构的分析周期。SimSolid 基于无网格技术,计算引擎基于对外部逼近理论的突破性扩展,不使用传统FEA固有的逐点自由度,因此在计算时间和内存占用方面提供了优越的性能指标。
AFSim 2.9中文参考手册》-CSDN博客编辑编辑https://blog.csdn.net/henggesim/article/details/145566384编辑https://blog.csdn.net/henggesim/article/details/145566384。该处理器的主要功能是将信息传播到连接的单元,确保信息的分配和状态更新符合用户的要求。WSF_UNCLASS
长期以来,关于 AI 的讨论始终被两种极端观点主导:要么是 AI 驱动未来的乌托邦幻想,要么是机器掌控世界的反乌托邦恐惧。此外,关于支撑 AI 训练所需计算能力的硬件创新也备受关注。
人工智能正加速推动各行业研发能力升级。麦肯锡最新报告显示,该技术在制药、化工和航空航天等领域的应用,有望为相关企业创造高达5600亿美元的经济价值。 AI 技术应用的先行者,全球500强汽车零部件制造商麦格纳(Magna)。通过与 Altair 合作,运用几何深度学习(Geometric Deep Learning, GDL)技术,显著提升了汽车工程创新效率。
在 2025 Altair 区域技术交流会·西南站上,东风商用车技术中心CAE及仿真试验室科长丁培林作为企业代表,系统分享了其近二十年来在结构优化、CFD、EMC、电池验证、智能驾驶等多场景中的仿真实践与数字化能力跃迁路径,展现出领先商用车企在数智化转型浪潮中的硬核实力。
从天线仿真和布局、无线电覆盖、网络规划和频谱管理到电磁兼容性 (EMC/EMI)、天线罩建模、生物电磁和射频设备,Feko 能够与其他 Altair 工具相结合,通过机器学习优化系统性能并缩短复杂系统的建模时间。凭借这一优势,它现在能够提供一系列具有成本效益的并行求解器,帮助客户为日益增长的互联世界设计产品。简化了从几何建模到结果可视化的工作流程,以及高等数据操作的脚本,保证了Feko的速度和精度
自动驾驶、智能驾驶成为如今的热门话题,Prescan作为目前应用甚广的一款自动驾驶/智能驾驶仿真软件已获得越来越多汽车工程师的青睐,目前对于PreScan的使用缺乏一套详尽且更贴近实操的教程。本系列教程根据作者在使用过程中遇到的诸多问题总结而来,供大家学习参考。Prescan场景建立将从以下几个部分讲解:1.道路2.路径3.Actors4.Infrastructures1.道路①...
零.前言学完了ROS的基础应用,我们就可以开始向更复杂的应用开始学习了,比如我们的SLAM。但是昂贵的底盘与激光雷达是学习这一部分的阻碍,为了弥补经费的不足,我们可以从0开始,创建一个自己的仿真小车,然后实现SLAM过程。最后真的有幸用到激光雷达和机器人底盘,那么直接移植写好的内容就可以了.本次实验的平台为ubuntu 20.04 + ros/noetic,无特殊说明,后面的教程都为这个。后面会把