Comment BMW Group réalise des gains d’efficacité majeurs avec l’IA et les démolitions virtuelles

Dans le paysage changeant de l'ingénierie automobile, comprendre les détails complexes des produits et optimiser chaque composant est plus crucial que jamais. Traditionnellement, il s'agissait d'inspections physiques, une approche qui exige beaucoup de ressources, prend du temps et est difficile à mettre à l'échelle.

Mais si vous pouviez démolir les composants d’une voiture sans jamais toucher une clé à molette ?

C'est la question qui a poussé le Dr. Savo Asanin, chef de projet technique pour les activités axées sur l’IA au sein du département Stratégie de développement de BMW Group, pour rechercher une meilleure voie. La mission est claire: comparer les concepts de conception grâce à une analyse technique rigoureuse des pièces des composants.

En collaborant avec Unity, Savo et son équipe ont dépassé les contraintes physiques. Ils ont créé le Virtual Teardown Assistant, un nouvel outil qui combine des données 3D en temps réel avec des modèles linguistiques de grande taille (LLM) pour automatiser le processus de comparaison des concepts de conception et d'analyse comparative. Dans cette étude de cas, nous entendons Savo, et Unity Senior Software Development Consultant, Daniel Bierwith comment il a été créé.

Des limitations physiques à l’évolutivité numérique

Comme Savo l’a expliqué, pendant des années, l’analyse des composants chez BMW Group a été fortement basée sur l’inspection manuelle. Les ingénieurs examinaient les pièces physiquement ou cherchaient dans les bases de données les informations dont ils avaient besoin. L'approche a fonctionné, mais elle exigeait beaucoup de ressources, prenait beaucoup de temps et était difficile à mettre à l'échelle.

Le défi n'était pas un manque de données; BMW a des dépôts massifs de données CAO. Le défi était l'accessibilité et l'interprétation. Comparer la géométrie des différents composants entre les générations de véhicules a nécessité d'importantes ressources en main-d'œuvre.

C’est là qu’intervient la fondation de la mine 3D du groupe BMW. Comme détaillé dans notre précédent article sur la solution de gestion d’actifs BMW, 3D Mine sert de solution centralisée qui aide à démocratiser l’accès aux données 3D dans toute l’entreprise.

À un niveau de base, le Virtual Teardown Assistant s'appuie sur cette base et ajoute une couche d'automatisation intelligente.

L'objectif était de créer un outil capable de comparer les géométries des composants des voitures pour trouver automatiquement des améliorations potentielles - et d'y parvenir avec une grande évolutivité, en laissant la machine faire le gros du travail d'analyse des composants.

La salle des machines : Unity Asset Manager et Pipeline Automation

Pour construire le Virtual Teardown Assistant, vous avez besoin de plus qu'un simple modèle 3D; vous avez besoin d'un système qui peut comprendre ce qu'il regarde.

Le flux de travail commence avec des données CAO complexes, souvent un modèle de véhicule entier. En utilisant Unity Asset Manager et Pipeline Automation, le système décompose le véhicule en systèmes constitutifs tels qu'un siège ou un système de freinage.

Comme Savo l'a expliqué, le flux de travail consiste à prendre un modèle CAO, à l'exploser en ses parties, à les coder en couleur, et essentiellement à les «photographier» sur fond blanc dans l'éditeur. Tout cela se déroule automatiquement.

C’est là que brillent les solutions d’entreprise d’Unity :

• 3D Mine, propulsé par Unity Asset Manager : Agit comme la source unique de vérité, en récupérant les modèles 3D sélectionnés et les fichiers de métadonnées associés.
• Automatisation de canalisation: S'occupe du levage. Il isole les pièces en fonction des données, fait exploser la vue pour que chaque vis et support soit visible et restitue des images de haute qualité pour analyse.

Les images générées, ainsi qu'une nomenclature (BOM) contenant des métadonnées cruciales comme les références et les dimensions, sont introduites dans un LLM. L'IA « regarde » la vue éclatée, lit les données et fournit une analyse technique, identifiant les possibilités de réduction de poids, d'économies de coûts ou d'améliorations fonctionnelles à grande échelle.

Aperçus surprenants et importantes économies réalisées à ce jour

Quand l'équipe a lancé le Proof of Concept (POC), elle ne savait pas trop comment l'IA allait gérer les données visuelles.

L’équipe de Savo ne savait pas trop à quoi s’attendre, mais elle a été agréablement surprise de voir à quel point le modèle fonctionnait bien avec des informations géométriques limitées. Il a produit des informations précieuses et a compris la géométrie. L'équipe constate déjà des résultats positifs sur les systèmes prioritaires.

Les conséquences de cette efficacité sont importantes. En automatisant le pipeline pour l'ensemble du véhicule sur différents systèmes, BMW augmente son efficacité et permet une analyse technique plus rapide.

Le déploiement de l'assistant de déchirement virtuel dans toute l'entreprise permet aux équipes de comparer les concepts, les conceptions et les solutions fournisseurs plus rapidement et avec plus de cohérence. Cela permet un benchmarking plus rapide et aide les ingénieurs à identifier les options les plus prometteuses plus tôt dans le développement.

Collaborer pour innover

Le succès du Virtual Teardown Assistant met en évidence l'approfondissement des relations d'entreprise entre BMW Group et Unity. Il ne s’agit pas seulement d’acheter des logiciels, mais aussi de co-développer des solutions.

L"équipe de Savo a collaboré étroitement avec Unity pour construire cette solution, avec un accès à l'expertise technique directement des équipes d'Unity face au client. Il en est résulté une plate-forme facile à embarquer, et les performances dans la visualisation de pièces de haute qualité sont exactement ce que l'équipe espérait.

Pour l'utilisateur final chez BMW, l'ingénieur qui prend les décisions de conception critiques, la complexité du backend est invisible. Ils ne voient pas les solutions Unity telles que Asset Transformer SDK convertir des fichiers ou les scripts Pipeline Automation s'exécuter en arrière-plan. Les réactions du POC ont été très positives, les équipes souhaitant utiliser l'outil sur un large éventail de composants du véhicule.

Plongée profonde technique: Comment a été construit l'assistant virtuel de démolition

Curieux de savoir comment cet outil de transformation a été créé ? Dans la section suivante, Daniel Bierwith, consultant principal en développement logiciel chez Unity, décompose l'architecture, les technologies et l'approche d'ingénierie qui ont donné vie à Virtual Teardown Assistant.

Les composants essentiels

Le Virtual Teardown Assistant est propulsé par Unity Asset Manager, une plateforme évolutive qui rationalise la création de rendus détaillés des explosions. En se connectant directement au pipeline LLM via des API automatisées, le système transfère les données de sortie sans effort.

Au cœur de cette solution se trouve Unity Pipeline Automation, une interface low-code qui relie les systèmes, transforme les données et met à jour le contenu 3D à grande échelle. Les pipelines fonctionnent dans des machines virtuelles sur un cluster flexible et peuvent être déclenchés par des événements, des horaires ou à la demande. Pour en savoir plus, voir l'annexe ci-dessous.

Le processus est accéléré par Unity Asset Transformer SDK, qui prend en charge plus de 70 formats de fichiers 3D et CAO. Il gère l'ingestion, l'optimisation et la normalisation, ce qui facilite l'intégration des actifs dans n'importe quel flux de travail 3D temps réel.

Un pôle centralisé de gestion des actifs numériques (en l’occurrence, BMW Group 3D Mine) permet de tout organiser et de rester accessible. Les équipes peuvent récupérer, gérer et collaborer sur des ressources 3D temps réel complexes en un seul endroit, ce qui accélère la production et permet la création d'expériences numériques évolutives et de haute qualité.

Étapes du pipeline Virtual Teardown Assistant

Le pipeline Virtual Teardown Assistant rationalise le processus d'analyse des modèles d'ingénierie 3D complexes en combinant le traitement automatisé des données, la visualisation et des informations axées sur l'IA.

Aperçu du pipeline

Le workflow commence lorsque l'action Model Load récupère le modèle d'ingénierie 3D sélectionné au format JT à partir de l'Unity Asset Manager/3D Mine. Simultanément, un fichier de filtre système est chargé pour isoler le sous-système spécifique dans le modèle complet du produit. Les deux actions sont configurées via l'interface graphique du pipeline.

Dans un cas d'utilisation typique, le pipeline traite des fichiers JT dépassant plusieurs Go qui contiennent des modèles d'ingénierie complets avec des milliers de composants et des millions de polygones.

Traitement et transformation des données

Une fois le modèle chargé depuis Asset Manager, le pipeline exécute les principales tâches de traitement via un script Python personnalisé exécuté sur une machine virtuelle équipée du SDK Asset Transformer. Le script charge le modèle JT complet. Asset Transformer SDK est utilisé pour appliquer un mécanisme de filtrage aux occurrences de l'ensemble de données afin d'isoler les parties pertinentes du système à l'aide de la table de filtrage importée du fichier CSV à l'étape précédente du pipeline.

Ensuite, l'algorithme SDK est utilisé pour extraire et ajuster les propriétés des matériaux afin d'attribuer des couleurs uniques à chaque composant pour une différenciation visuelle claire. Il s'agit de la représentation d'occurrence étiquetée qui sera utilisée par le LLM avec les propriétés BOM et géométriques.

Les composants isolés sont explosés à l'aide d'un algorithme personnalisé qui tient compte à la fois des relations hiérarchiques et géométriques. Pour l'analyse visuelle par le LLM, il est important de maintenir une séparation correcte des pièces et de s'assurer qu'elles sont bien visibles par la caméra de capture.

L'interface Pipeline permet à l'application d'appliquer des paramètres personnalisés comme explosion et de rendre des recettes pour modifier dynamiquement les paramètres du pipeline en fonction des caractéristiques du produit et du système.

Le SDK Asset Transformer fournit des fonctionnalités de rendu cloud qui sont utilisées pour restituer les vues éclatées étiquetées du système dans le cadre du pipeline de traitement. Les données visuelles qui en résultent servent de base à la fois à l'examen humain et à l'analyse de l'IA.

Exportation de données et analyse de l’IA

De plus, une fonction de script personnalisée exporte le BOM sous forme de fichier CSV contenant des métadonnées pour tous les composants du système et calcule les caractéristiques géométriques de chaque occurrence à l'aide des fonctions SDK Asset Transformer. Le BOM est stocké aux côtés des vues éclatées rendues dans la mine 3D.

Le volet IA prend le relais. L'interface Pipeline Automation envoie des requêtes HTTP à un modèle de langage large (LLM), fournissant les vues éclatées, la BOM et la description du système :

• Tout d'abord, une étape de pipeline crée la charge utile pour la requête LLM en encodant les images rendues et la BOM dans le corps de la requête, ainsi que la description du système, les instructions LLM et l'invite.
• Le LLM effectue une analyse complète des données d'entrée et renvoie des fichiers texte contenant des informations architecturales clés, des matériaux et des stratégies d'assemblage, des évaluations de la fabricabilité, des estimations de KPI de performance de premier ordre, des hypothèses avec cotes de confiance et des suggestions d'amélioration de la conception.

Résultats et impact

La dernière étape du pipeline télécharge le rapport de benchmark généré par l'IA et les vues éclatées étiquetées dans le Asset Manager, fournissant une référence centralisée pour les équipes. Cela permet un benchmarking précoce avant tout démontage physique.

Le pipeline Virtual Teardown Assistant automatise les tâches complexes de traitement et de visualisation de la CAO tout en intégrant des informations basées sur l'IA, créant ainsi un outil puissant pour l'analyse des produits en début de phase. Sa combinaison d'automatisation évolutive des pipelines, de rendu en temps réel et d'évaluation LLM avancée réduit considérablement le temps et les coûts nécessaires pour obtenir des repères d'ingénierie exploitables.

Le chemin à parcourir

L'assistant de déchirement virtuel est actuellement déployé et fournit des rendus cohérents pour les systèmes hautement prioritaires. Mais Savo et son équipe ne font que commencer.

Au cours des deux prochaines années, il est prévu d’optimiser le système à l’échelle et de connecter l’outil directement aux systèmes internes de BMW, tels que leur référentiel CAO. Cela permettra une analyse encore plus granulaire prenant des photos sous différents angles et se concentrant sur des composants uniques pour améliorer la qualité. L"équipe de Savo a appris que la combinaison d'algorithmes Vision avec de grands modèles de langage est la clé de l"évolutivité.

Pour les autres entreprises intéressées à adopter des solutions similaires, les conseils sont clairs. Choisissez un vrai problème, construisez un POC rapide et laissez parler les résultats. La stratégie compte, mais rien ne convainc une organisation comme le voir fonctionner. Une fois que l'impact est visible, la mise à l'échelle devient une force d'attraction de l'entreprise, pas une poussée de l'informatique.

En tirant parti de l'écosystème Unity, BMW Group ne se contente pas de visualiser les voitures; il apprend aux machines à les comprendre, ce qui favorise un avenir plus intelligent, plus rapide et axé sur les données pour l'ingénierie automobile.