降低数字孪生延迟:面向近实时进度与质量报告的理论框架

《Buildings》:Reducing Latency in Digital Twins: A Framework for Near-Real-Time Progress and Quality Reporting Zvonko Sigmund, Ivica Zavr?ki, Ivan Marovi? and Kristijan Vilibi?

【字体: 大 中 小 】 时间:2026年04月08日 来源:Buildings 3.1

编辑推荐:

  尽管数字孪生(Digital Twins, DT)具备变革性潜力,但其用于实时控制的有效性受到数据采集缓慢及点云等原始数据集处理所需高计算强度的制约。本研究识别了这些关键瓶颈——特别是从数据捕获到可操作洞察之间的延迟,并提出了一个面向近实时自动化进度监测与质量

  
尽管数字孪生(Digital Twins, DT)具备变革性潜力,但其用于实时控制的有效性受到数据采集缓慢及点云等原始数据集处理所需高计算强度的制约。本研究识别了这些关键瓶颈——特别是从数据捕获到可操作洞察之间的延迟,并提出了一个面向近实时自动化进度监测与质量报告的理论框架。该研究基于NORMENG项目的发现,并为后续的AutoGreenTraC项目提供支撑,综合了包括激光雷达(LIDAR)、运动恢复结构-多视图立体视觉(SfM-MVS)及全景视觉在内的最先进现实捕获技术进展。研究强调了利益相关者需求的根本分歧:质量控制需要毫米级精度,而进度监测则需要高速率的文档记录。本研究提出的一项关键创新是转向神经渲染技术,以绕过传统摄影测量的计算延迟,实现即时现场可视化。通过构建一个分层处理体系,将用于即时安全与进度监测的轻量级边缘分析与异步高保真数字孪生更新相结合,该框架旨在建立单一事实来源(Single Source of Truth)。

论文解读

研究背景与意义
建筑行业作为全球基础设施发展的基石,长期受困于低效的进度监测与被动的质量报告,导致每年高达5700亿美元的直接返工成本及4400亿美元的间接成本。尽管数字孪生(Digital Twins, DT)与建筑信息模型(Building Information Modeling, BIM)在数十年前已奠定理论基础,但在实际应用中,其近实时施工控制效能受到两大瓶颈的严重制约:一是依赖人工或扫描的物理数据采集速度慢,易出错;二是处理点云等海量非结构化数据集所需的计算强度极高。这种数据处理与效用之间的巨大延迟,使得原本旨在实现主动管理的技术方案退化为被动反应。鉴于此,研究人员依托NORMENG项目的实证发现,开展了此项理论研究,旨在构建低延迟的近实时自动化监测框架,以满足施工管理对速度与精度的双重需求。该论文发表于《Buildings》期刊。
关键技术方法
研究人员采用了文献综述与理论框架构建的方法,基于NORMENG项目在克罗地亚So?ice试点工地采集的实测数据(涵盖地面激光雷达、360度相机及无人机系统等)。研究重点分析了现有技术(LIDAR、SfM-MVS、360°视觉)在处理速度与精度上的权衡,并引入了神经渲染技术(包括神经辐射场NeRF和3D高斯泼溅3DGS)作为加速可视化的手段。此外,研究设计了混合边缘-云计算架构,结合人工智能(AI)与机器学习算法(如卷积神经网络CNN、语义分割)以及物联网(Internet of Things, IoT)传感器融合技术,构建了分层的自动化工单处理流程,以实现从数据采集到数字孪生更新的全链路优化。
研究结果
1. 研究背景——从人工向数字化与自动化转变
研究人员指出,建筑行业正经历从劳动密集型人工监测向自动化视觉传感技术的范式转变。传统的手动检查耗时且易出错,而现有的数字化流程往往因无法实现实时数据集成而无法兑现其预期收益。在此背景下,“近实时”被定义为一种混合边缘-云架构下的处理延迟谱系,从毫秒级的现场安全干预到分钟级的日常进度验证不等。
2. 背景与动机
2.1 NORMENG项目作为问题识别阶段
NORMENG项目旨在开发能源高效建筑的资源标准化体系。虽然项目成功捕获了“竣工”状态,但LIDAR和无人机摄影测量数据的处理耗时过长,导致“规范制定”(Norming)反馈回路过慢,无法满足主动现场管理需求。So?ice试点项目证实了现有数字工作流在实时生产力测量方面的局限性。
2.2 AutoGreenTraC项目作为解决方案开发阶段
作为对NORMENG局限性的技术响应,AutoGreenTraC项目致力于开发精简的数据流策略。其核心目标是通过引入分层边缘-云架构,减少现场捕获与向利益相关者报告之间的时间差,将研究重点从静态资源标准化转移到动态、加速的信息传递上。
3. 问题陈述:数字化期望与现实
研究揭示了利益相关者需求的显著分歧:质量控制对毫米级精度的严苛要求(主要由LIDAR满足)与进度监测对高速度文档记录的迫切需求(主要由360°相机满足)之间存在矛盾。此外,研究明确了造成延迟的三个组成部分:捕获延迟、处理延迟(通常超过捕获时间本身,如5小时捕获对应8小时处理)以及集成延迟。
4. 数据采集与分析的技术进步
4.1 加速数据采集的技术
包括自主移动机器人(AMR)与四足系统(如Spot、ANYmal),可将重复性检查工作量减少25%至90%;超视距(BVLOS)无人机系统(UASs),实现了大范围快速覆盖;以及基于物联网(IoT)和固定传感器的连续监测,用于实时监控混凝土养护、振动等物理过程。
4.2 实时施工质量报告
研究人员提出用神经渲染技术替代传统摄影测量。特别是3D高斯泼溅(3DGS),通过将场景表示为数百万个可光栅化的3D高斯椭球体,实现了比NeRF更快的渲染速度,解决了特征缺失区域的重建伪影问题。同时,边缘人工智能(Edge AI)通过在本地硬件执行推理,将安全帽检测等关键任务延迟降至30-50毫秒,并大幅节省带宽。此外,自动化Scan-to-BIM工作流利用AI语义分割,将人工工作量减少了50%-70%。
5. 讨论与挑战:AutoGreenTraC研究框架
针对识别出的瓶颈,研究人员构建了AutoGreenTraC概念框架,包含三大支柱:自主数据采集、基于边缘计算的加速处理、以及语义集成与数字孪生。该框架提出了三级处理层级:第一级在设备端进行轻量级分析以发出即时警报;第二级在现场边缘服务器运行中等复杂度模型,实现小时级的近实时反馈;第三级在云端进行高保真异步处理,为项目协调提供最终的单一事实来源。
6. 结论
研究总结认为,单一模态技术不足以应对复杂的施工监测。LIDAR虽精度高但数据繁重且处理缓慢,360°相机速度快但精度不足,SfM-MVS则面临垂直测量误差和计算负担。核心贡献在于提出了一个由AI协同的异构数据源融合理论框架,将未加工的现场数据转化为及时的决策智能。这一从回顾性记录向前瞻性项目管理的转变为建筑行业的绿色转型提供了数据基础,未来的工作将侧重于在实际施工环境中对该框架进行实证验证。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号