您現在的位置是：首頁 > 新聞資訊網站首頁新聞資訊

本文選自Intellectsoft公司網站，對數字孿生在建筑行業的應用，做了全面的描述，對于建筑工地的智能化，有很大的指導意義。編譯略有刪節。

增強現實等新興建筑技術的發展，進一步促進了建筑行業的數字化發展和建設效率。然而，作為全球最古老行業之一的建筑行業，在麥肯錫數字化指數（首次按行業測評美國經濟數字化程度的指數）中卻排名倒數第二。迄今為止，技術行業所關注的，一直都是移動信息而非材料原子。材料原子是建筑的本質，在建筑物和基礎設施的本地化和勞動密集型活動中，將原子排列到相關活動中。但是，隨著傳感器、小型化、機器人技術、無人機、計算能力和智能算法等最新技術發展，我們得以了解如何將數字和物理相結合，從而能夠在較短的時間內，建造更便宜、更環保、更耐久的建筑物。

如果可以即時訪問建筑工地、個人、每個工具和每個螺栓最微小細節的所有信息；如果可以確定屋梁的最終測量結果或切口中的土壤體積是否接近填充的體積；如果能夠即時跟蹤物料的供應情況，在接近用完的時候自動重新訂購；那么，建筑行業將會迎來哪些變革呢？

這一切，都可以通過“數字孿生”來實現。數字孿生是對物理對象進行實時數字化表示的概念。通常，數字數據由傳感器形成，傳感器會持續監控環境變化，以測量和圖片的形式報告更新后的狀態。

在本文中，我們將回顧數字孿生技術的使用實例，及其能夠給建設項目團隊帶來的具體幫助。然后，本文將展示當前用于從建筑工地收集原始圖像數據的技術，以及處理非結構化數據以重建建筑工地的3D數字表示的方法。

數字孿生技術的概念首次于2002年提出，最先應用于航空航天、制造和產品生命周期管理領域。比如，美國國家航空航天局（NASA）的月球探索任務阿波羅13號（Apollo 13）和火星漫游者（Mars Rover Curiosity）。

本質上，數字孿生使用來自傳感器的持續數據，將物理對象及其數字表示連接起來。所有數據均來自連接在物理對象上的傳感器，相關數據用于建立虛擬對象的表示。

圖1  數字孿生

該數字表示可用于可視化、建模、分析和仿真等，相關數據會觸發決策和工作流變化的反饋回路，這些工作流變化會影響實際對象系統的控制過程。

對于建筑而言，數字孿生技術的使用，可以實現即時訪問已建立和已設計的模型，這些模型會實時進行同步。這樣一來，公司可以根據4D BIM模型中列出的時間表即時監控進度。

圖2  數字孿生在建筑中的使用

甚至可以使用模型預測控制的方法，基于建筑物的當前狀態和正向模擬做出決策，即時分析不同的行動路徑，并估計其概率和相應的成本函數，為下一步工作選擇（或調整）最佳的決策。

進度監控可驗證已完成的工作是否與計劃和規范一致，是否需要進行實地觀察，以核實所報告工作量的百分比并明確項目實施進程。

通過重建建筑物或結構的建成狀態，我們可以將其與BIM中的計劃執行情況進行比較，并采取相應的措施來糾正出現的偏差。一般來說，我們會重建建筑物的幾何形狀并將放進模型坐標系中，然后按照形狀和對象，與計劃模型進行比較。

一般而言，由于進度監控的數據是通過現場人員收集的，因此，相關數據可能會非常主觀。例如，在項目開始階段，報告的已完成工作百分比會大于實際數據，而在項目結束階段，則可能會小于實際數據。這是因為項目開始階段，人們對實際進度和完成工作所需的時間會持更加樂觀的態度。

因此，采用自動化的數據收集和比較方法，就意味著將生成的模型轉換為設計好的BIM模型，從而減少人工失誤。數字孿生技術可以解決施工過程中的這些常見問題。

使用實時數字孿生技術，可以每天、甚至每小時地跟蹤建成模型的變化情況，盡早發現差異也可以幫助我們對之前的建模數據進行詳細分析，從而為后續決策流程提供多一層信息。

圖3  竣工模型和設計模型

然后，項目經理可以重構導致錯誤的步驟，更改將來的工作計劃，以防發生類似的錯誤。還可以找出表現不佳的因素，從而及時解決項目中出現的問題，或對整個項目的預算和時間表進行及時、必要的更改。

根據建筑工業協會的數據，大約25％的生產時間都浪費在了不必要的材料移動和處理上。

數字孿生技術提供了自動資源分配監控和廢物跟蹤功能，為資源管理提供了一種可預測的精益方法。數字孿生技術的使用，可以避免過度分配并動態預測建筑工地上的資源需求，從而能夠避免長距離移動資源的情況，還能進一步完善時間管理。

建筑業是世界上最危險的行業之一。根據美國勞工統計局的數據，2008年至2012年之間，就有4000多名建筑工人死于施工現場。

作為數字孿生技術的典型功能，實時站點重建功能的應用，使得業內公司可以跟蹤站點上的工作人員和危險場所，以防止危險行為的發生、使用不安全的材料以及在危險區域進行活動。公司可以開發一個預先通知系統，在現場工作人員處于危險的工作設備附近時，該系統可以通知建筑經理，然后將通知發送到該工人的可穿戴設備上。

近期，微軟公司也分享了自己的一個偉大愿景，即如何將AI與攝像機和移動設備相結合，為工作場所建立廣泛的安全網。

設備利用率最大化是建筑公司一直追求的重要指標。未使用的機器應提前投入設備池中，以便其他人可以在需要的站點上使用。借助先進的可視化和自動跟蹤功能，可以知道每臺機器使用了多少次、在建筑工地的哪個位置使用，以及用于哪項具體的工作。

對如何監控建筑工地上的人員，一些國家有著嚴格的規定，比如對所有人員及其在現場的位置形成明確的數字記錄，以供救援隊在緊急情況下使用，這其實是數字孿生的另外一項應用。盡管如此，最佳做法仍是將基于數字孿生的監控與自動進出登記系統集成在一起，以便把多模式數據融合到單個分析系統中。

可以通過使用多模式傳感器數據，以及基于計算機視覺技術和深度神經網絡的算法，來獲得物理模型（如建筑工地）的虛擬表示。獲取數字數據有多種方法，可采用不同傳感器來推斷3D結構，比如激光掃描儀（LIDAR）、雷達、熱像儀以及標準的照片和攝像機。

也可以用更加方便的方式，如照相機和攝像機拍攝的圖像可視化方法。獲取圖像輸入，然后從中獲取圖像，以重構數字孿生模型。

智能手機的價格和制造組件的成本在不斷下降，現在，哪怕是最便宜的智能手機，其攝像頭也具有足夠的分辨率和圖像質量，可在施工現場重構墻壁、光束的形狀和設備。因此，此類數字孿生數據很容易獲取。

例如，可以使用具有不同攝像頭和照明條件的各種智能手機，來每日隨機拍攝一些建筑照片，以比較竣工的重構模型與竣工的BIM模型，從而監控建筑進度。此外，還可用于跟蹤基礎結構施工現場的臨時性資源，例如人員、設備和材料等。

延時視頻是一系列拍攝速度小于播放速度的照片，也就是說，延時視頻的時間移動速度慢于標準視頻。

至少從1989年開始，此類視頻就已經用于建筑工地的記錄和進度監控，那時，標準8毫米和超級8毫米之類的老膠片相機很流行。當前，相機更便宜，體積上更小，在延時模式下，可以借助電池長時間工作好幾周的時間。

數字孿生數據還可由UAV獲取，比如無人機或有高分辨率攝像頭和傳感器的固定翼飛機，它們都能夠在完全自主模式下運行。

隨著建筑中人工成本的不斷增加，人們越來越愿意采用全自動的數據采集和處理方法。移動行業已經生產出了價格低廉、基于MEMS（微機電系統）的傳感器，這些傳感器正逐漸應用于有高分辨率相機的無人機和移動機器人中。無人機制造商也正致力于制造結合了數據管理平臺的專用無人機，該平臺可以自動執行測量、制圖、3D重建以及體積測量。

但是，由于行業缺乏足夠的時間來手動處理大量的TB級視頻數據，因此，全自動的數據捕獲機器人將需要更高的自動化分析和數據處理能力。相關數據處理技術將在后文詳細討論。

視頻監控數據捕獲和處理技術與延時視頻相似，但是具有更高的幀速率——正常播放速度。使用30fps的常規視頻捕獲速率，可以從構造場景中提取更精細的細節，從而更好地跟蹤臨時對象的結構和運動變化。

盡管相關技術，比如頭戴式攝像機和人體攝像機等圖像捕獲技術，尚未在建筑中廣泛使用，但可以預測，技術的發展和AR頭戴式耳機（包含攝像機）的不斷小型化，將使其能夠在建筑工地中獲得更廣泛的應用。

最近，Microsoft HoloLens正通過安裝在安全帽上的方式，逐漸應用于施工現場。主要用于查看真實空間上的3D模型，幫助將設計結構轉換為空間表示。

谷歌近期發布了Google Clip，這是一款微型的電池供電AI相機，其目標客戶是家庭消費市場。作為專用硬件與機載AI軟件（或ASICS中的硬件實現）的結合，它將針對不同的市場，對特定領域進行實時圖像數據處理和分析。

現在，我們已經從各種攝像機獲取了原始圖像數據輸入，接下來，我們將進一步分析可用于構建施工現場的數字孿生表示技術。

從數據的捕獲和分析，到知識和決策，高速率地生成數據需要更高的數據處理速率和全自動流程。計算能力、GPU處理、廣泛的數據集和深度學習算法的最新發展，都為自動數據處理打開了大門。

自動駕駛汽車的蓬勃發展，讓我們可以獲得1-2GB/秒的數據，這也促使各個公司去探尋解決方案，在不將所有數據發送到云的情況下，快速、實時地提取知識并做出決策。建筑工地是一個封閉且受控的環境，以與自動駕駛汽車相同的速度生成數據，因此，我們可以在其中應用自動駕駛汽車技術，從而能夠按照計劃，以更少的資源和更高的安全標準，來更好地指導項目的實施。有了數字孿生技術，公司也將處于技術創新的業界最前沿。

我們將選擇圖像和視頻處理方法，這些方法可用于構建建筑工地的數字孿生表示，并從原始圖像數據中自動提取知識。

攝影測量，即能夠測量照片并恢復表面點精確位置的學科?，F在，攝影測量已被應用于許多領域，如建筑、工程、制造、質量控制等。在大多數情況下，攝影測量的目標是通過將實際坐標與圖像坐標對齊并最終生成點云，從給定的照片中重建3D場景。

攝影測量有兩種類型：

——航空攝影：從高處（例如起重機、飛機、山脈等）拍攝的。

——近距離攝影測量：指相機距離物體更近，且通常是手持式或安裝在三腳架上。

近距離攝影測量可提供高度精確的站點模型，但空間分辨率較低，僅包含大約數百個分散點。

運動結構（SfM）一開始只是攝影測量學的一個子領域。它對管線的各個部分都使用相同的算法：特征/目標跟蹤，三角剖分，相機姿態估計和束調整。

現在，SfM和攝影測量法一起用于創建更密集的3D表示，與單獨使用其他方法相比，使用SfM和攝影測量法能夠獲得更準確的數據。

對象檢測與識別是建筑工地機器人應用的基石，因為機器人需要知道障礙物的位置以進行導航和路徑規劃。此外，這對于操控機器人的工人也很重要：他們也需獲得要提起或移動物體的精確位置。

在數字孿生模型中，建筑公司可以使用對象檢測與識別方法，來創建更好的危險空間模型，在現場監控復雜的機械。

同時定位和地圖繪制（SLAM）是機器人技術的一個重要領域。它涉及到構建或更新未知環境地圖，同時跟蹤相關人員在其中位置的計算問題。

如果人員在移動的話，通常會涉及到一系列傳感器的組合，例如攝像機、雷達、LIDAR和慣性測量單元（IMU）。相關人員可以指機器人、起重機或工人在建筑工地上佩戴的頭戴式顯示器。

借助各種圖像，我們可以實現在坐標空間中定位對象。

對象追蹤指的是：在每個時間識別對象的位置、速度和動態。在機器人技術中通常將其用于實時預測控制任務，也可用于預測建筑工人和設備在施工現場的位置。

對象追蹤還被用于基于視頻路徑規劃的相關任務，可以幫助躲避障礙。

現在，街頭監控攝像機拍攝的物體識別和跟蹤已經得到了廣泛應用。

對象追蹤的另一種用途是識別人機交互中的手勢，利用該手勢可以自動識別建筑工地上工人的手勢。

本文研究了數字孿生如何通過先進的數據捕獲技術（僅使用攝像頭以及具有密集3D模型和結構重建的智能后處理），來構建施工現場的虛擬表示。

將數字孿生概念與建筑工地上的可穿戴和移動設備配合使用，可以幫助我們更好地實現在建項目的即時表示?？蓪⒆钚碌男畔⒎答伒浆F場，以減少錯誤和返工的次數。

通過對人員和設備的持續定位和跟蹤，可以完全監控時間利用率，并實現資源的動態分配，從而減少等待空閑機器的時間，或低效使用昂貴設備的時間。

此外，實時監控還可以將危險情況的安全警報直接發送至工人的手機或耳機，從而提高建筑工地的安全性。在緊急情況下，明確施工現場都有哪些人員及其位置也至關重要。

隨著人工智能、深度學習和更強大GPU相關的技術，從硬件到軟件的全面集成和創新解決方案，數字孿生將大幅度提高施工現場的效率和安全性。