基于參數化的騎行頭盔定制設計研究

束曉永 李呈祥 孫文

關鍵詞：參數化設計 騎行頭盔 用戶模型 定制設計 設計創新

引言

共享單車的普及使得人們對騎行交通的需求得到了巨大的增長，然而巨大的交通隱患也隨之產生。在每年的騎車事故中，頭部致命傷害成為最主要的死亡原因，而佩戴頭盔被證明是預防兩輪機動車導致傷亡的最有效方法之一，并能大幅度減少醫療費用。一個合理的頭盔，對于交通安全問題的改善，具有非常重要的意義。與此同時，人工智能技術的發展，使得設計領域的參數化設計擁有了更大的發揮潛力，人工智能的數理模型與參數化設計的生成原理在產品設計方面發揮著巨大的共性與互補性，并且產生了許多探索性的設計案例。此外，隨著產品家族化、系列化、極簡設計、產品無名性設計等設計理念的深入，產品更多地趨向于大眾特征化類型的設計，這些新背景使得用戶對于產品個性化的需求大大增長。本文在當前智能制造時代背景下，以騎行安全問題為切入點，以騎行頭盔為設計對象，通過技術的整合應用，挖掘設計與技術之間的關系，探討參數化設計在騎行頭盔定制設計中的應用。

一、參數化設計的概念

參數一詞最早來自數學領域，指的是控制數據變化的各種元素。參數化設計的技術理論基礎來源于“非線性科學”，主要體現為動態性、自組織性、不規則性等。參數化設計將設計的各個環節和要素參變量化，對影響設計的各個要素賦予一定的內在拓撲關系，一個參變量的變化將引起整個邏輯系統的變化，從而實現各種設計數據的全相關和參數驅動，自動產生各種不同的設計結果[1] 。

參數化設計是運用計算機的語言與理性邏輯，去取代一部分設計師本身感性創造的一種設計方式，最早出現在產品設計領域，但由于在產品領域受到制造技術、產品成本控制等多方面的限制因素，所以產品領域的參數化設計一直處于停滯的狀態。后來在建筑設計領域得到廣泛應用，由于理論研究的不足，參數化設計更多被應用在建筑表皮上，成為一種外形方案，這就導致參數化設計的潛力沒有得到充分挖掘。近年來參數化設計逐漸開始走向理性，參數化設計所能設計的內容已經遠遠不止于產品的外形與表皮，而更多的走向一種設計思維甚至設計思想的層面，使得參數化設計有了另一個稱呼——生成式設計，即在方案之中去尋找所有的限定因素，并且在限定因素之上生成產品方案，這是一種設計思想上的變革。這時的參數化設計能提供的產品設計方案擁有了更大的隨機性、更大的探索性，甚至能夠快速產生大量的創意方案。這對于產品設計而言，可以為新問題提供新的解決思路，為舊問題尋找最優的解決方案。

二、參數化設計方法研究

（一）參數化設計發展現狀

目前，參數化設計在工業設計等領域迅速發展，并且不斷催生新的設計思路和設計方法。在產品設計領域涌現了大量的研究，王妍，李卓[2] 通過對參數化的數據邏輯思維進行研究，探究其在不同需求背景下的設計實踐;沙強，閆文麗[3] 將參數化設計方法應用在汽車輪轂形態設計中，得到了個性化需求下參數化輪轂設計的方法步驟;王珂，劉揚[4] 將參數化設計與3D打印相關聯，進行定制化服務設計的方法實踐，從用戶角度的理念進行了服務設計的創新;除此之外，研究參數化與個性化平臺定制、家居產品設計以及傳統編織工藝的再呈現等方面都取得了良好的研究成果[5-7] 。同時，參數化設計在國外的諸多領域都受到極大的推崇，涌現了大量的優秀作品。扎哈設計事務所正因為率先掌握了參數化設計的技能，得以從眾多的設計事務所中脫穎而出。參數化設計的發展為產品設計提供了一個突破傳統束縛的新思路，隨著3D打印等新技術的快速發展，主要限制參數化設計發展的制造技術得到了有效的解決，產品領域也隨之出現了很多著名的案例，如Marco Hemmerling設計的“衍生椅”、寶馬的概念車VisionNext 100、耐克的3D打印跑鞋等。

（二）參數化設計方法研究

參數化設計的核心是其各元素間的關聯性和邏輯性，以內在邏輯的方式將影響設計結果相關的參數相關聯，通過參數變量的改變，即可以得到大量形態不同的設計結果，從而輔助設計師進行方案的選擇及優化，是一種“所見即所得”的設計方式。結合參數化設計方法，可以實現更高效的設計方法、更客觀的設計過程和多元化的設計結果[8-9] 。傳統設計流程是自上而下的設計方式，需要以設計師自身的經驗為主導來進行反復大量的設計方案，從而造成頻繁的設計溝通、復雜形態應用修改困難從而造成時間與成本的浪費。運用參數化設計方法，可以實現對復雜形態的提取與應用、快速進行大量具有規律感和秩序感方案的生成，并可以不同系列的有效劃分。

在參數化設計建模軟件中，Grasshopper是一款基于Rhino的參數化建模軟件，具有極高的設計靈活度和強大的參數化建模功能，在在建筑設計、產品設計等領域得到廣泛應用。Grasshopper自身具有編程屬性，代碼被集成到一個個單獨的運算器中，支持設計者使用生成算法探索形態，使得設計人員在不具備編程或腳本知識的情況下也可以進行設計。本次的騎行頭盔定制設計將使用Grasshopper來輔助本次的設計實踐，將參數化應用到騎行頭盔設計中，可以優化結構、最大化提升頭盔本身的結構安全性，同時可以催生新的設計樣思路和樣式，從而滿足不同使用者需求的定制化設計。

三、參數化設計與頭盔內膽的設計邏輯

參數化設計能夠依據基礎數位模型、限定條件、設計目標進行造型的生成，對于頭盔設計而言，除了滿足基本的需求外，最重要的是產品的形式，因此很適合作為參數化設計的案例。人體頭部的三維模型中可以提取出重要的點、線、面等基本元素，利用參數化方法可以對頭部提取的特殊點、特殊線、特殊面進行曲面原型的調節，將原型面和干擾曲線進行結合，從而通過基本參數的變化來進行不同形式的方案生成。

（一）頭盔內膽的特性研究

EN1078標準對保護性頭盔、頭盔型號、泡棉類型、緊固系統、織帶、頭部和頭型基本平面、相關物料等名詞進行了詳細的介紹，結構頭盔應能夠吸收和緩沖沖擊能量，在事故中應具有耐抗性并能經得起測試處理，使得戴在頭上的位置不變。頭盔應該合理設計及成型，其部件如帽沿、鉚釘、通風孔、邊沿、緊固器等在使用時不能傷到使用者。一個良好的頭盔應滿足重量輕、通風性、易于戴上及取下、符合大眾性、不會嚴重影響交通提示聲等方面的要求。針對頭盔內膽的設計，需從內膽的舒適性、安全性和散熱性三個特性入手，使其符合頭盔設計規范。因此在接下來的設計實踐中，對于內膽的設計將圍繞這幾個方面進行調整。

（二）內膽舒適性與TS面的特殊點調整

1.人體頭部三維模型錄入與處理：對于內膽舒適性方面的設計，首先需要獲取用戶的頭部三維模型，并且對掃描的三維模型結果進行分析，識別頭部的骨骼關系，依據骨骼關系劃分三類區域，分別是核心受力區（主要包含頭蓋骨的中心部分）、一般受力區（頭蓋骨邊緣區域以及其他相關骨骼覆蓋區）和非受力區（頭部的脆弱部分，主要包含太陽穴等非骨骼覆蓋區域），見圖1。根據人機工程學對于舒適性的定義，在頭盔設計時需要將頭盔的關鍵結構點集中在主要的堅硬的骨骼上（核心受力區），并避開非受力區。

2.NURBS面、Mesh面、TS面特征及轉換：用戶的三維掃描模型并不能直接進行曲面調整，需要對掃描獲得的曲面進行轉化。因而需要將點云數據面先轉化為Mesh面、再轉化為TS面。這三類曲面擁有各自不同的功能關系，其中點云數據面不可編輯，組成面的是數以萬計的點數據，不能用于曲面的調整;Mesh面是在保留點云面基本特征的情況之下進行曲面的簡化，此時的面是矢量曲面，但調整難度較大，只能對網格點進行點的調整，調整的精確度與便捷性都存在難度;TS面是對曲面調整的關鍵，相比較于Mesh網格面，TS面可以利用TSplines直接對面上的任何一個點、線、甚至面塊進行徑向和法向的調整，且操作難度低，精確性較高，并可以對曲面上的面塊進行定位編碼，從而使得結合Grasshopper工具對指定區域進行調整變為可能。

（三）內膽散熱性與參數干擾孔洞分布

1.人體運動狀態下的頭部散熱模型：用戶運動狀態下的頭部散熱模型，具有一定的生理特征，其散熱的區域主要集中在額頭、太陽穴周圍以及后腦勺的下半部分。這些特征是每一個用戶都具有的特征，屬于不同散熱模型之間的共性，然而用戶頭部三維模型之間的差異，決定了用戶頭部散熱模型之間的差異性。此外，相對于散熱區域之間的共性，非散熱區域之間一樣存在共性，二者之間的散熱程度是過渡漸變的關系。

散熱模型之間的這種生理特征需要進行數學模型的表達，才能夠轉化成能夠被計算機所理解的數維模型，因此可以從溫度模型之中提取恒溫的曲線，并利用恒溫曲線來干擾調節孔洞的分布。散熱性的定制首先要收集用戶在騎行狀態下的頭部溫度散熱模型，在散熱模型上提取出恒溫曲線，并用曲線干擾調整內膽之上孔洞的分布。將孔洞集中放置在頭部的主要散熱部分，而其他的部位空洞則相對稀疏以保證一定結構的合理性。

2.參數干擾孔洞分布：曲線對圖形分布及尺寸的干擾調整主要基于圖形中心點與干擾曲線之間的距離而定，而且這個距離相關的原理也剛好適用于對頭盔孔洞分布以及尺寸的條件上，此時的曲線即是頭部的恒溫曲線，圖形則對應頭盔內膽的孔洞，見圖2。因此，借助參數化曲線干擾的原理來進行頭盔內膽的孔洞的調節，可以使得頭盔的孔洞特征適應用戶頭部的散熱模型。

（四）結構性與有限元分析

隨機產生的頭盔內膽造型并不一定能夠滿足生產要求和國家安全標準，所以第一步就是對生成結果進行測試，靜應力分析是對頭盔結構的穩定性進行測試，壓力測試是對頭盔受到沖擊力時頭盔內膽造型能否有效起到緩沖的作用，有限元分析是對頭盔內膽的結構進行最終的評定[10] 。隨機變量干擾下的內膽模型批量生成為了避免模型的變化都是在同一個維度上的變化，所以在模型的批量設計過程之中，需要構建不同維度的隨機變量，這些隨機變量包含孔洞的位置、大小、形狀和結構等各方面，從而產生更有差異性的結果，并且能夠提供更多的可能性。

利用孔洞干擾對通過隨機變量調節產生的大量模型進行有限元分析，見圖3。對于內膽模型的選擇其實是一個求最優解的過程，由于隨機變量具有多個維度，所以產生的結果也有各式各樣的差異性。首先對產生的批量模型進行進行測試，剔除不符合要求的模型，從而形成第一輪的篩選;之后在模型上進行不同角度的力學測試來模擬頭盔受到沖擊之后的場景，進行第二輪模型的選擇;接下來對第二輪選擇的內膽模型的結構進行有限元分析，選擇數值最符合工程要求的模型。整個過程是依次篩選的過程，幫助在諸多隨機結果之中選擇出最符合安全標準、最適合用戶佩戴、最符合用戶喜好的“最優解”。

四、圖形定位與頭盔造型、CMF的設計邏輯

（一）圖形坐標定位語言與用戶喜好量化

1.圖形語言對用戶的親和性：語言和文字是人類文明非常重要的表達方式，能夠有效地將用戶的感受以最具效率的方式表達出來，但是這個表達往往比較含糊而不夠精準，用文字表達感受往往受到表達技巧的影響，這也是語言文字自身的局限性，因此近年來的社交媒體大多會以圖片、視頻等新形式表達感受。通過語言表達往往與真實的意圖之間存在一定的差異和誤差，用一句話或者幾個詞來形容自己對造型的喜好對用戶來說并不容易，往往真實意圖與表達之間的差異非常大。相比較而言，真正適合用戶去選擇作出判斷的工具，其實是圖片或視頻的形式，鑒于圖像學習等技術的發展，在頭盔定制系統之中選擇圖片作為最適合與用戶交流的工具。用戶可以通過分門別類的意象圖來傳達用戶的心理感受，從而表達自己對造型的喜好，這樣的結果會比語言文字的表達和轉述更精準和真實。

2.坐標定位設計方法：基于以上的論述用圖片來表達內心感受是系統定制非常重要的一個環節，所以系統需要借助設計學對于造型語義的一個研究內容——坐標定位法。通過坐標定位可以把造型的語義進行量化，從而從不同的維度去定位一個產品的語義。其具體執行步驟是先對一類產品的意向進行調研整理歸納，找出這類產品的共性，并歸納成為關鍵詞，之后對關鍵詞進行量化，從正反面兩個方向劃分等級，等級越高越是精準，從而實現對感性造型的量化。

（二）量化喜好模型與造型模型匹配

1.頭盔的語義關鍵詞：經過大量的調研選擇出相應的幾組關鍵詞，選擇這些關鍵詞最重要的就是精準，并能夠準確地概括出市場上存在的不同形式頭盔之間的區別。這一環節是頭盔造型設計的重中之重，最重要的思路就是設計流程中常用的“發散—收斂”思維，先找出不同種類的形式，收斂概括共性，再發散去尋找收斂結果的邏輯漏洞，收斂修改關鍵詞，如此往復。最終我們得出的關鍵詞是下面的四組：層次—錯落、圓潤—銳利、平滑—肌理、極簡—繁復。

2.關鍵詞階梯尺度：在描述完語義關鍵詞之后，需要對每一組關鍵詞進行七個等級的量化標準并為每一個等級配上一個合適的、具有代表性的圖片，用來幫助用戶作出自己真實的喜好判斷，從而對產品造型風格風格做出精準的定位。選擇圖片的過程之中，最重要的就是要依據控制變量的原理。選擇時不能夠直接用頭盔圖片來進行，從而來減少品牌設計水平等因素對結果的影響，并且選擇的物品盡量不具有品牌人文等特性，來堅守圖片所包含的感性因素，同時圖片需要進行黑白處理來減少色彩等因素對結果的影響。通過圖形定位的方法量化用戶喜好模型，建立產品語義的關鍵詞階梯尺度，并將量化后的喜好模型與前面參數化方法得到的眾多模型進行匹配。在此基礎上，系統即可從用戶那里獲取一組數列，這個數列就是我們從參數化設計造型庫里選擇造型的依據，見圖4。當然基于用戶對頭盔造型的喜愛并不局限于參數化的視覺語言形式之上，因而需要保留傳統的造型形式，參數化形式是用戶的待選項之一，系統的落地還需要建立外殼的造型庫，使得造型庫能夠與用戶的數列進行一一匹配。

（三）圖像映射頭盔CMF方案

1. 基于CMF的色彩選擇：經過以上的步驟可以得到的是一個單純的，沒有任何細節和CMF，但包含內膽和外殼造型的頭盔，下一步就是對頭盔的CMF進行定制。此時系統依舊用意向圖的方式來進行顏色的選擇，相比較而言，雖然用戶可以去選擇自己喜歡的顏色，但是直接去選擇的顏色會更多地受到用戶自己認知層面局限的影響。舉例而言用戶可能會選擇紅色，但在最終的產品方案之中，很有可能藍色的產品效果更符合他們的喜好，使得他們轉而喜歡藍色的產品。基于此依舊采用圖片的方式，用戶來選擇自己喜歡的圖片，我們將圖片的色彩進行提取調整，對用戶喜愛的明度，飽和度等因素進行歸納，得出用戶喜愛的色系，并且將圖片的色彩方案調整后應用在頭盔的色彩上。例如系統通過圖片的分析可以得出用戶喜歡的色相是以紅色為主的暖色系，明度飽和度上是莫蘭迪色系，飽和度范圍是30-70，明度范圍是36-50，之后就能夠更真實更精準地對用戶的色彩做出判斷。

2.圖片通道轉換與白模HDR映射導出：將圖片轉化為頭盔的色彩方案的過程中需要用到的工具是圖片的通道轉換，這個轉換方式的原理是將圖片轉化為發光體，通過對通道的明度進行調節來映射到產品之上，光源對產品的映射并不能夠直接匹配上用戶的反饋，所以需要對光的大小尺寸位置等進行調節，即可產生色相、飽和度、明度等方面都滿足用戶喜好的一組模型，用戶只需要在該組模型之中做出選擇即可，見圖5。圖像映射頭盔CMF方案將用戶喜好因素與參數化思想進行連接，分析探究用戶色彩選擇、通道轉換對白模的映射導出，運用參數化易操作、高效率以及其創新性的特點來進行一系列的生成設計，不僅是參數化手段的有效應用，更是參數化思想的重要體現。

五、定制效果展示

結合大量理論邏輯和科學驗證，量化用戶喜好模型，可以構建多種差異化的造型案例，以層次—錯落、圓潤—銳利、平滑—肌理、極簡—繁復四組關鍵詞進行喜好評測，通過四組喜好值的選擇，可以得到一組最符合用戶喜好的外形方案，同時結合圖像映射CMF效果，根據用戶的六大方面的分析判斷，最終得到用戶最喜愛的定制方案。如圖6，根據不同用戶的需求特點，最終輸出“X-Class”“簡”“Concept-Class”三個定制化設計系列，從而實現對頭盔定制化設計。

結語

參數化設計以其強隨機性、高探索性等優勢，可以批量產生大量的創意方案，為產品設計提供了一個新的解決思路。本文對頭盔設計的幾個關鍵步驟進行了計算機輔助建模的新嘗試，將騎行頭盔的結構安全性、氣動性、舒適性、外觀造型、CMF六個主要方面與用戶之間構筑關聯，通過系列的探究過程從而實現對騎行頭盔的定制化設計。將參數化設計應用于騎行頭盔定制設計中，既充分考慮到頭盔安全性，又滿足了不同用戶對產品特異性的需求，同時也為參數化在產品定制化設計的應用和發展提供了一定的參考。

1911501705378