【校友风采】内蒙古师范大学韩海燕教授团队：基于感性工学和AIGC的蒙古族马鞍造型座椅设计

传统的设计方法依靠从“定义明确问题”到“构建单一解决方案”的线性流程,受限于设计师的认知和信息处理能力,设计师往往基于主观感性的个人识别,以内发驱动力进行创造,从过去积累经验中不断更新的识别为基础来进行设计,难以快速处理复杂的用户感性需求与设计问题。

人工智能技术逐渐渗透到设计活动的各个关键环节,带来了传统工业设计方法、工具和流程的新变革,面向用户感性需求的智能设计研发活动逐步成为行业共识。

上述研究均具有特定的学术价值,但是用户需求日益多元化、复杂化,获取需求的方法或策略存在多域知识复用、流程集成性较差而导致的用户感性需求与设计方案不匹配等问题,同时在由用户感性需求转化为设计方案时的所需技术难度高、设计周期长,鲜有科学高效的系统性方法。

鉴于此,内蒙古师范大学朱甜甜、韩海燕等提出基于感性工学和AIGC的智能辅助家具生成设计方法,以马鞍为例,探讨在家具设计过程中用户感性需求与设计元素的关联以及AIGC如何有效辅助设计转译,以期为用户感性需求下的智能辅助家具生成设计提供行之有效的方法参考。

1.1 感性工学在产品设计中的应用

感性工学是一种将用户感性需求转译为产品设计要素的方法,通过定量方法分析用户情感信息,从而获取用户感性需求与产品设计之间的映射关系。在感性工学操作流程中如何精确衡量用户模糊的感性意象、判断词汇相对权重以及准确量化用户的感性意象词汇与产品设计元素的复杂映射模型是其研究问题和难点。因此,感性工学常常需要借助一些理论工具来实现定量研究。模糊层次分析法(fuzzy analytic hierarchy process,FAHP)作为一种综合量化方法,综合运用了模糊数学与层次分析法(AHP),对于模型中各项指标权重关系的判断以及重要性程度的判断会更加系统。QFD(quality function deployment)是通过建立质量屋,将用户需求转化为一系列技术特性的分析工具。杜鹤民提出了感性工学与FAHP相融合的评价方法,实现量化评价。潘长学等利用FAHP方法探讨消费者感性需求、偏好与产品外观设计元素之间的关系。付晓莉等在感性工学中构建基于QFD的感性意象与形态要素的关系映射模型,明确各形态要素的感性贡献值。综上,笔者将运用上述方法辅助感性工学进行研究,实现研究方法优势互补。在感性意象词汇处理方面,运用FAHP求取感性意象词汇的相对权重,运用形态分析法将蒙古族马鞍造型特征进行解构,最后将两者导入QFD质量屋分析用户感性需求和设计元素之间的关系,为下一步的智能辅助家具生成提供粗原型及相关“提示词”。

1.2 人工智能生成内容(AIGC)

人工智能生成内容(AI generated content,AIGC)是一种利用人工智能技术自动生成图片、音频、文本等多媒体内容的方法,它通过模仿人类的认知过程,完成类似于人类的艺术创作表达,能够突破线性思维框架。设计师在以Midjourny、Stable Diffusion为代表的人工智能生成工具中输入产品需求、功能要求和设计限制等信息,就可以引导模型生成多种可能的设计方案。张健等通过词频分析(word frequency analysis)提取相关“提示词”,在此基础上依靠AIGC中的生成式工具输出了永乐宫设计。宋玉等训练一个能实现传统水墨画作特征重绘的AIGC文创模型,通过输入“提示词”引导其生成中式美学图像。解晨辉等提出了一种基于ControlNet的儿童床设计效果图生成方法,可以根据输入的线稿图生成完整的效果图。上述研究表明,AIGC已经开始成为设计流程的一环,人工智能基本实现了感知能力,但无法做到认知能力,具有很强的随机性,多数设计如果仅有主观“提示词”或单一的“图形约束”,则会导致生成的产品与用户需求相背离。由此,通过感性工学与AIGC的结合可以使输入AIGC的“提示词”增加客观数据的支持,同时获得符合AIGC所需的粗原型,加快设计效率,打造基于“需求—设计—评价”的创意设计过程。

1.3 设计流程

首先,在感性工学的框架下筛选并制作实验样本、运用KJ法收集和整理出符合现代设计语境下用户对蒙古族马鞍造型的感性意象词汇,将感性意象词汇平均分数据表导入SPSS 26.0软件中,采用因子分析法对实验数据进行信度检验并进行主成分分析。其次,运用模糊层次分析法对各代表性感性意象词汇进行两两比较,通过4位设计者及6位用户的对比结果,建立模糊成对比较矩阵,获得各准则层感性意象词汇的相对权重。再次,运用形态分析法,将蒙古族马鞍整体造型分为若干设计元素。又次,运用QFD质量物建立感性意象词汇与产品设计元素间的映射关系模型,在模型的指导下由设计师推演出设计方案的粗原型。最后,将粗原型和感性意象词汇通过AIGC中的生成式工具进行识别生成相应的设计方案,进行用户评估以判断其是否符合用户感性需求。设计流程见图1。

2.1 蒙古族马鞍样本类型

千百年来由于不同民族对于马鞍的使用和改进,蒙古族马鞍造型经历了“无明显鞍鞒—高鞍鞒—两桥垂直鞍—后桥倾斜鞍”这一过程(图2),逐渐形成了以地区为特色的鄂尔多斯马鞍、乌珠穆沁马鞍、科尔沁马鞍、卫拉特马鞍等。

为了选取具有明显造型意象的蒙古族马鞍实验样本类型,邀请5名蒙古族马鞍传承人、5名家具设计师以及10名用户进行访谈,通过考量最终选取以下5种蒙古族马鞍作为实验样本类型(表1)。

2.2 蒙古族马鞍样本收集

对上述确定的5种蒙古族马鞍样本类型的收集主要从内蒙古博物馆、鄂尔多斯博物馆、成吉思汗陵、呼和浩特大召寺以及《中国古代车具马具》《中国古代马文化展》《蒙古族工艺美术》这类与蒙古族马鞍相关的书籍进行,共获取71个蒙古族马鞍实验样本,结果见图3。为了保证实验的公平性,选出的具有明显造型意象的蒙古族马鞍实验样本必须均匀地分布于5大样本之中,最终选取15个实验样本。以黑白矢量图形式绘制蒙古族马鞍刺激样本图并进行乱序排列,以增加各图之间的区分度,结果见图4。

2.3 马鞍造型感性意象词汇萃取

通过查阅与蒙古族马鞍相关学术文献、书籍,收集到280个描绘蒙古族马鞍的感性意象词汇,邀请10名家具设计师和10名用户根据其对蒙古族马鞍的主观印象,采用KJ法最终选出了最具代表性的9个感性意象词汇:精致的、华丽的、独特的、巧妙的、流畅的、安全的、舒适的、优雅的、传统的。将上述选出的15个蒙古族马鞍样本和9个感性意象词汇构建7阶李克特量表,结果见表2。被试者可根据自己的主观倾向对样本进行打分,共收回65份问卷并计算出感性意象词汇平均分,具体结果见表3。

2.4 蒙古族马鞍感性意象词汇聚类

为了深入探究蒙古族马鞍感性意象词汇的相关度,进行探索性因子分析并进行信度检验,实验结果显示,KMO值为0.693(KMO>0.6),近似卡方值为57.422,自由度为36,显著性值为0.013(P<0.05),表明该数据适合进一步做因子分析。通过碎石图显示大于1的指标有3项,证明这9项感性意象词汇可以降维成3个主要因子,将感性因子进行正交旋转,为了降低视觉干扰,用空白表示绝对值<0.5的因子(表4<>)。分析得出:第一类主成分中的精致的、华丽的、独特的、巧妙的、流畅的与蒙古族马鞍的形态、样式相关,综合语意归纳为适形因子; 第二类主成分中的安全的、舒适的与蒙古族马鞍的功能有关,综合语意归纳为适能因子; 第三类主成分中的优雅的、传统的与蒙古族马鞍的意境有关,综合语意归纳为适意因子。

2.5 构建FAHP判断矩阵计算各意象因子相对权重

2.5.1 构建蒙古族马鞍造型座椅感性语意的层级架构

模型分为目标层、准则层和指标层3个层级,其中目标层定义为蒙古族马鞍造型座椅感性语意,准则层定义为“适形因子”“适能因子”“适意因子”,指标层则定义为上述9个感性意象词汇,结果见图5。

2.5.2 建立模糊互补判断矩阵

由4位设计者及6位用户组成评价小组,采用0.1～0.9标度法(表5)分别对准则层指标和指标层进行两两对比,将得到的准则层判断结果进行加权平均处理后,构建一级评价指标A={B₁,B₂,B₃},二级评价指标B₁={C₁,C₂,C₃,C₄,C₅},B₂={C₆,C₇,},B₃={C₈,C₉}。

2.5.3 权重计算与检验

建立关系矩阵,若R=(r_ij)_nxm为模糊互补判断矩阵,w=(w₁,w₂,…,w_n)为R的权重向量,通过式(1)对上述数据进行权重计算:

式中， w₁为因素r_i的权重。 得出权重值后利用式（２） 进行一致性检验。

矩阵的一致性比率系数的数值(CR)要求小于0.1,如果一致性检验大于0.1,说明模糊判断矩阵未通过一致性检验,不能作为最终结论。最终得出A、B₁、B₂、B₃的相容性指标分别为0.053 6,0.064 6,0.012 4,0.042 4,证明矩阵数据通过了一致性检验,故将上述权重结果汇总并整理指标权重,结果见表6。

根据模糊层次分析法的计算结果,3组因子中“适形因子”相对权重最高,占36.67%,说明用户对蒙古族马鞍的造型因素比较看重,其次为“适意因子”占32.50%,最后为“适能因子”占30.83%。

2.6 马鞍造型类目特征解构

形态分析法是由Zwiky提出并常用于产品设计要素解构的方法,它可将产品整体结构造型分解为若干个互相独立的要素变量,即设计项目; 再对各设计类目进行进一步解析其对应所属的可变元素,形成设计类目; 从结构学的角度出发,对蒙古族马鞍的外部轮廓进行归类划分并对其结构构成分析后,得到前鞍鞒(X₁)、后鞍鞒(X₂)、左右鞍翅(X₃)、鞍身(X₄)、鞍洞(X₅)5个设计项目,见图6。邀请5名马鞍传承人和8名家具设计师对15款代表性蒙古族马鞍图片以讨论的方式,解构蒙古族马鞍外形部件,最终得到20个设计类目,见表7。

2.7 建立QFD设计元素映射模型

本阶段将3个最具代表性的蒙古族马鞍感性意象词汇相对权重值导入质量屋的左侧,分解出的蒙古族马鞍的形态元素作为工程特征导入质量屋的上方,利用QFD的关联矩阵尝试找出对用户感性需求中具有较强的影响力的设计元素。邀请5位家具设计专家和5名用户组成焦点小组,△代表1分(具有“弱”相关性)、○代表3分(具有“中”相关性)、●代表5分(具有“强”相关性),来判定用户感性需求与设计要素之间的连接强度和关联,数据整合后见图7。

通过映射模型得出前鞍鞒“A1”、后鞍鞒“B3”、鞍翅“C3”、鞍洞“D4”、鞍身“E1”与适形因子有关。前鞍鞒“A4”、后鞍鞒“B2”、鞍翅“C1”、鞍洞“D3”、鞍身“E3”与适能因子有关。前鞍鞒“A3”、后鞍鞒“B1”、鞍翅“C2”、鞍洞“D1”、鞍身“E5”与适意因子有关。故将上述每个代表感性意象词汇中的设计元素加以组合,进行草图方案绘制得到AIGC生成工具所需的粗原型。

AIGC通过训练模型和对海量数据的学习,能够根据输入的各种条件和要求,生成与之相关的创新性内容,实现了“自然语言”和人工智能的融合,较大程度上提升了概念设计阶段的效率。AIGC生成工具中的Stable Diffusion能利用Control Net神经网络结构等方式使生成结果的风格和形式实现精细化控制,设计师可以通过逐步增加“提示词”(Prompt)的权重,将一张草图转变为符合用户感性需求的家具效果图。本研究采用图生图方法来配合“提示词”进行图像生成,将得到的粗原型和感性意象词汇一同输入AIGC中的Stable Diffusion工具,根据FAHP得出的权重数,在Stable Diffusion输入感性意象词汇时,使用括号+关键词+冒号+关键词的权重的方式,感性意象词汇高权重在前,低权重在后。

3.1 生成马鞍椅设计方案

以感性意象词汇中的“适形因子”为例,在Stable Diffusion图生图工作区中按权重值先后输入“提示词”(独特的:0.23)、(巧妙的:0.215)、(精致的:0.19)、(流畅的:0.185)、(华丽的:0.18)、蒙古族马鞍造型、座椅设计等关键词,在图片区放入粗原型,设置为多批次输出图片,通过逐步迭代逐渐生成符合用户感性需求的家具设计,其他方案同理,最终生成3种方案(图8)。

3.2 用户评估

为验证上述3个方案是否符合用户感性需求,邀请20名用户通过打分的方式对马鞍椅设计方案进行评估。“适形因子”方案中精致的、华丽的、独特的、巧妙的、流畅的分值较高,均在8分以上,此外,“适能因子”和“适意因子”的词汇评分指向性明显,显示出用户满意度较高。整理其得分数据(图9),证明各方案均能够更好地满足用户对家具产品的感性需求。