How AI Closes the Wind Tunnel Gap in F1® Aerodynamics

TL;DR · AI 摘要
AI 通过预测赛道表现,大幅缩小风洞测试与实际赛道之间的性能差距,提升 F1 赛车设计效率。
核心要点
- CoreWeave 与 Aston Martin Aramco 合作的 AI 模型将风洞数据预测误差减少了 50%。
- 赛道上的实际表现受速度、刹车、弯道、温度等多因素影响,风洞无法完全模拟。
- 了解风洞与赛道之间的性能差距(delta)有助于提前优化赛车设置。
结构提纲
按章节快速跳转。
- §引言
F1 赛车设计中,风洞测试与赛道实际表现存在差距,AI 被用来缩小这一差距。
风洞测试是理想化场景,而赛道上的空气动力学表现受多种因素影响,如速度、温度和弯道。
CoreWeave 与 Aston Martin Aramco 合作开发的 AI 模型可预测赛道表现,减少风洞数据预测误差。
了解风洞与赛道之间的性能差距(delta)有助于优化赛车设置和模拟器校准。
- ›数据挑战
赛道传感器数据噪声大,需进行降采样处理以提取真实模式。
思维导图
用一张图看清主题之间的关系。
查看大纲文本(无障碍 / 无 JS 友好)
- AI 缩小 F1 风洞与赛道差距
- 风洞与赛道的差异
- 风洞是理想化场景
- 赛道受速度、温度、弯道等影响
- AI 模型的作用
- 减少风洞数据预测误差 50%
- 优化赛车设置
金句 / Highlights
值得收藏与分享的关键句。
CoreWeave 与 Aston Martin Aramco 合作的 AI 模型将风洞数据预测误差减少了 50%。
赛道上的实际表现受速度、刹车、弯道、温度等多因素影响,风洞无法完全模拟。
了解风洞与赛道之间的性能差距(delta)有助于提前优化赛车设置。
F1® 空气动力学:从风洞到赛道 | CoreWeave 博客
发布于
2026年11月16日
5
分钟阅读
AI 如何弥补 F1® 空气动力学中的风洞差距
F1® 中的 AI:CoreWeave 与阿斯顿·马丁阿美石油 F1™ 车队如何在练习赛开始前预测赛道表现
作者
Morgan McGuire
Thomas Capelle
已复制
在 F1® 空气动力学中,风洞和赛道之间的数据永远无法完全一致。想象一下周五练习赛的第一圈。赛车以几天前根据风洞数据选择的设定驶出:地板、前翼襟翼角度、离地高度等。在几个弯道之后,车手会告诉比赛工程师赛车的感觉,传感器也会记录赛车实际产生的下压力和阻力。当这些数据与预测不符时,车队会花费宝贵的时间去寻找原因。
CoreWeave 与阿斯顿·马丁阿美石油的目标是缩短这个发现过程。CoreWeave 与阿斯顿·马丁阿美石油 F1™ 车队共同构建的一个机器学习模型现在可以在赛车转动第一个车轮之前预测这个差距,将基于风洞数据预测赛道空气动力学性能的误差减少了 50%。
为什么风洞和赛道的数据不一致
下压力和阻力是定义赛车空气动力学性能的两个关键指标。在银石的 AMR 技术园区,CoreWeave AI.R 风洞可以精确地逐个部件测量这些指标。这是车队用来决定使用哪种前翼、哪种地板以及哪种配置的工具。
风洞是一个理想化的场景。在赛道上,下压力会随着速度、刹车、弯道、不同高度的路肩以及从慢弯加速而出而不断变化。赛道表面和温度在不同的赛道之间也各不相同。在另一辆车的尾流中行驶还会再次改变空气动力学的表现。
工程师将预测和现实之间的差异称为 delta。每个比赛周末都会有一个学习期,用来找出赛车在该赛道上的真实表现。在这个窗口期内学到的内容会影响设定优化、对赛道上空气动力学行为的理解,以及驾驶员在环模拟器的关联性。
路肩、转弯负荷、天气和赛道温度:这些都是风洞无法再现的因素。
了解 delta 如何改变设定
如果车队知道某个部件在赛道上产生的下压力比风洞预测的要少,那么在赛车离开工厂之前就可以对此做出调整。一个奖励高下压力的赛道需要一个高下压力的设定。了解每个部件(如地板或前翼)在现实世界中的实际价值,可以让工程师为特定赛道校准他们的选择。
为什么小而嘈杂的数据集让这项任务变得困难
赛车携带的传感器可以捕捉风速、车速、转向角度、离地高度等,所有这些都会影响赛车产生的下压力和阻力。实时遥测数据以 100Hz 的频率传输,听起来数据量似乎很充足,但当你查看可用的数据时,情况就不同了。
现实世界中的传感器数据是嘈杂的。当赛车驶过路肩时,读数会突然跳变。为了找到真正的模式,信号需要被降采样,而每个比赛周末之后剩下的数据集非常小。在一个赛季有 24 场比赛的情况下,车队只有有限的机会去学习。
CoreWeave 的物理 AI 现场工程团队与阿斯顿·马丁·阿美科的车辆科学团队并肩合作了六周时间,成功在 2025 年阿布扎比赛季收官赛之前交付了该模型。从 2026 赛季开始,该团队在每场比赛前的一周使用该模型来指导赛车设置。
这项工作的起点是学习赛车设置决策是如何实际做出的。车辆科学工程师清楚哪些信号是重要的,CoreWeave 围绕这些信号构建了数据处理流程。两个团队共同完成了特征工程,这种协作使得一个小型数据集变得可用。
从那以后,团队采用了针对此类问题的预期方法:从统计方法开始,然后使用经典建模技术。令人惊讶的是,一种新颖的现代建模方法的表现优于两者。通过仔细的评估,并与车辆科学工程师共同选择特征,该方法在预测误差方面优于团队现有的解决方案。
结果是,从风洞数据预测赛车在赛道上的空气动力学性能时,误差减少了 50%,并且通过赛道上的空气动力学传感器进行了验证。
阿斯顿·马丁·阿美科保留了该数据处理流程。现在,车辆科学团队拥有了一个现代的机器学习工作流程,可以重新训练并扩展该模型,而每次比赛周末所收集的数据都会进一步提升下一次预测的准确性。
从周五发现到比赛周准备
在该项目之前,团队在周五练习赛期间发现赛车的真实空气动力学性能,并据此进行调整。现在,在比赛前的一周,工程师会使用该模型对赛道的预测误差值来指导部件选择和设置。赛车到达时,已经具备了对该赛道的校准预测,练习时间则用于进一步优化设置。
带着对该赛道的校准预测到达。
“风洞始终是我们参考的标准,但比赛表现是在赛道上决定的,”阿斯顿·马丁·阿美科一级方程式™车队首席技术官恩里科·卡迪莱(Enrico Cardile)表示。“与 CoreWeave 的工程师合作后,我们现在在每条赛道上都对赛车的表现有了更清晰的了解,因此练习时间用于优化设置,而不是去发现设置。”
CoreWeave 如何实现这一点
小规模且嘈杂的数据集是许多机器学习项目停滞的地方,而在工程领域,这种情况是常态,因为一个团队只能构建和测试少量的设计。CoreWeave 的物理 AI 现场工程团队构建的是具有物理意义的机器学习模型,这些模型可以处理这样的数据量。其工程师拥有汽车、航空航天和工业 AI 的背景,并直接与客户工程团队合作,将模型从仿真和测试中引入现实世界。
在一级方程式™中,这意味着要按照比赛日程进行工作。截止日期由下一场大奖赛决定,且不会改变。
实验在 Weights & Biases Models 中进行跟踪,因此团队在承诺采用某个方法之前,可以比较和重现从统计基准到最终模型的每种方法。
一级方程式®空气动力学对物理 AI 的启示,超越比赛日
受控测试与现实世界之间的差距并不只是在一级方程式®中存在。每个依赖于测试台、模拟器或风洞的工程团队都会面临类似的问题,而且大多数团队所使用的现实世界数据都比他们希望的更小、更混乱。这个项目展示了当领域专家与机器学习工程师共同选择特征时,一个小型且嘈杂的数据集可以达到多远的成果。
同样的方法适用于所有需要预测与物理现实相符的场景,从根据现场数据校准模拟器,到减少新设计所需的物理测试次数。
Formula 1® 的胜负取决于细微之处,风洞与赛道之间的差距就是其中之一。在周五练习赛之前缩小这一差距,可以让阿斯顿·马丁·阿美科(Aston Martin Aramco)的工程师们拥有更多练习时间,去寻找下一个十分之一秒的优势。
CoreWeave 与阿斯顿·马丁·阿美科正通过 AI.R,他们的共同人工智能研究计划,一起构建这一优势。今天了解更多:
- 阅读 CoreWeave 上的人工智能代理如何帮助阿斯顿·马丁·阿美科实时处理 F1® 无线电通信
- 了解卡特彼勒(Caterpillar)如何利用 CoreWeave 构建自主施工机械
- 探索 CoreWeave 如何支持物理人工智能,从大规模模拟和模型训练,到部署和验证
分享这篇文章: