基于BIM的传感器感知与迭代自学习技术，实现无需手动标注的MEP点云跨域分割

《AUTOMATION IN CONSTRUCTION》：Iterative self-learning with BIM-based sensor perception for manual-annotation-free cross-domain segmentation of MEP point clouds

　　

Mingkai Li|Vincent J.L. Gan

• •
  构建一种模拟到真实的框架，用于无需标注的跨领域机电系统分割。
• •
  开发一种基于BIM的传感器感知技术，用于生成模拟点云。
• •
  提出一种迭代自学习方法，以提高跨领域分割的准确性。
• •
  提出一种基于概率的、与邻域一致的标签更新方法。
• •
  构建一个全面的、基于BIM的机电系统组件合成点云数据集。

引言

随着数字化建造和建筑系统智能化运行的快速发展，准确感知实际建成状态的能力已成为资产管理和智能建筑运行的核心[1]。尤其是机械、电气和管道系统，它们是建筑物和基础设施的功能核心，而对这些系统组件的语义分割在建筑资产的运维管理中起着至关重要的作用。近期在点云语义分割方面的研究在精度上取得了显著进展[2]、[3]；然而，这些方法通常依赖于大规模的、逐点标注的数据，这对于工程应用来说不仅计算成本高，而且工作量巨大，尤其是对于复杂的机电系统而言[4]。现有的公共数据集（如ScanNet [5]和S3DIS [6]）主要是为一般室内环境设计的，主要涵盖房间级别的物体和家具类别，对机电系统组件的描述非常有限。因此，目前仍缺乏大规模、高质量且经过标注的数据集，无法有效支持实际工程中的机电系统语义分割。

如今，基于BIM或3D模型的合成点云已成为大规模训练语义分割模型的有力替代方案[7]。BIM提供了按设计生成的模型，这些模型可以自动转换为带有每个建筑组件语义标签的密集点云，因为这些标签本身就是定义在3D建模结构中的[8]。这使得可以自动生成大规模、标注一致的数据集，大大减少了人工标注的工作量，同时保证了训练样本在几何和语义上的一致性。更重要的是，基于BIM生成的数据提供了一种可控且结构化的监督源，这特别适用于在现实世界中标注数据稀缺且获取成本高的工程环境里学习几何和空间先验知识。然而，仅基于合成点云训练的深度学习模型，由于真实点云和合成点云的空间模式存在显著差异，往往难以迁移到对真实点云的分割任务上[9]。因此，越来越多的研究致力于点云语义分割的领域适配问题。这类研究可以根据适配是在数据层面还是特征层面进行分类。数据级方法旨在通过提高合成点云的真实性来减少领域差异，例如通过考虑传感器特性的仿真、噪声建模或符合物理规律的采样过程[10]、[11]。当底层3D模型与现实条件高度相似时，这些方法可能较为有效，但其性能往往受到对实际建成细节或难以模拟的变化的建模不足的限制[8]。而特征级适配方法则是现有研究的主流，它试图通过匹配合成点云和真实点云之间的特征分布来学习与领域无关的特征表示，常用的方法包括对抗学习、统计归一化或对比学习目标[12]、[13]。

然而，现有的领域适配方法对于机电系统而言仍然不够理想，因为合成点云和真实点云之间的差异更为明显。与柱子、楼板等结构组件不同，后者通常有明确的定义，可以从BIM模型中可靠地重建出来[7]，而机电系统则安装在天花板空隙和设备井等狭窄空间内。在这些环境中，组件排列密集，运动轨迹呈非线性，而且常常受到遮挡和可访问性限制的影响[14]。因此，实际的机电系统扫描结果往往较为稀疏、不完整且零散，而基于BIM生成的合成点云则呈现出理想化、完整且无噪声的几何形态[8]。在机电系统中，这种差异比在结构组件中更为显著，从而导致更大的领域差距，以及基于合成数据训练的模型迁移能力下降[15]。这一差距凸显出需要一种能够考虑传感器特性并保留关键几何属性的仿真框架，从而实现更有效的跨领域学习。虽然这类方法可以部分减少差异，但它们仍然受到BIM模型固有简化问题的限制，因为BIM模型往往忽略了细小的细节和实际建成后的变化。因此，合成点云和真实点云之间依然存在相当大的差异，这表明仅仅提高数据的真实性是不够的。因此，利用未标注的真实世界点云作为额外的信息来源，对于提升跨领域泛化能力至关重要[16]。不过，现有的领域适配方法通常依赖单阶段的对齐处理，或者需要带标注的真实数据[8]、[10]，并且缺乏有效机制来逐步利用未标注的目标领域数据。在复杂的机电系统中，局部几何结构往往存在不确定性，初始预测也常常带有噪声，这类一次性适配策略容易积累误差，导致训练不稳定。这一局限性凸显出需要采用迭代学习机制，逐步优化预测结果，并结合结构背景信息。此外，现有方法往往将数据级适配和特征级适配分开处理[9]、[10]，未能充分利用合成点云和真实点云的互补优势。这些局限性促使人们寻求一种统一的框架，将考虑传感器特性的仿真和迭代自学习紧密结合起来，以缩小机电系统点云分割中的领域差距。

本文提出了一种模拟到真实的领域适配框架，用于无需手动标注的机电系统点云语义分割，该框架专门针对复杂机电系统几何结构和狭窄空间中的传感误差所导致的较大领域差距而设计。所提出的框架在两个互补的层面上发挥作用。在数据层面，开发了一种具有可控仿真机制的传感器感知模型，通过明确建模真实的采样密度、遮挡模式和传感器特性，从BIM模型生成合成点云，从而减少合成点云和真实机电系统点云在空间分布和几何特性上的差异。在特征层面，则引入了一种迭代自学习策略，逐步利用未标注的真实世界点云进行跨领域特征适配。在这一迭代过程中，还设计了一种基于概率的标签更新机制，利用机电系统中的结构信息和上下文信息，修正不确定的预测结果，从而实现更稳定的训练收敛。

本研究的主要贡献如下：

• 1)
  提出了一种统一的模拟到真实框架，用于无需手动标注的机电系统点云语义分割，提升了基于合成数据训练的模型在现实场景中的迁移能力。
• 2)
  开发了一种传感器感知模型，能够生成具有真实传感效果的合成点云，缩小了合成点云和真实数据在空间分布及几何特性上的差距。
• 3)
  提出了一种迭代自学习机制，能够利用未标注的真实世界点云，在复杂的机电系统中逐步实现跨领域特征适配。
• 4)
  构建了一个全面的、基于BIM的机电系统合成点云数据集，既用于本文的实验评估，也可为未来的点云分割研究和扫描转BIM应用提供支持。

本文的其余结构如下：第2节回顾相关研究，第3节详细介绍所提出的方法，第4节展示点云分割的实验结果，第5节对全文进行总结并探讨未来工作方向。

章节概要

相关研究

本节回顾与所提出的模拟到真实框架相关的现有文献。首先概述了点云语义分割和高效标签学习方面的最新进展，然后讨论了用于分割任务的合成点云生成和领域适配方法，同时指出了这些方法在机电系统场景中的局限性。

方法论

本节介绍了一种迭代式的模拟到真实框架，用于在合成数据和真实数据之间实现稳健的3D点云语义分割，如图1所示。给定一个3D模型后，首先通过直接的几何采样生成初始的带标签点云。然而，这种均匀采样的点云包含过多的内部几何细节，无法体现真实扫描过程中存在的遮挡现象和采样稀疏性问题。为了解决这一局限，本文采用了

实验研究

本节介绍了所提框架的实验设置及全面评估情况。4.1节描述了数据准备过程，4.2节介绍了评估方案。4.3节评估传感器感知模型，4.4节评估迭代自学习机制，4.5节分析基于概率的标签更新方法的有效性，这些内容对框架的关键组成部分进行了详细分析，包括传感器感知模型和迭代自学习机制等。

结论

本文提出了一种模拟到真实的领域适配框架，用于机电系统点云的语义分割。首先引入了一种传感器感知模型，通过明确建模采样密度、遮挡现象和传感器特性，生成能够近似真实扫描结果的合成点云。为进一步缩小合成点云和真实数据之间的差异，本文还开发了一种迭代自学习机制，以实现跨领域的特征表示学习，从而使特征表示能够

CRediT作者贡献说明

Mingkai Li：撰写——审阅与编辑，撰写——初稿，可视化，验证，软件，方法论，研究调查，形式分析，数据整理，概念构思。Vincent J.L. Gan：撰写——审阅与编辑，指导监督，资源协调，项目管理，资金筹措。

利益冲突声明

作者声明不存在任何可能影响本文研究结果的已知利益冲突或个人关系。

致谢

本研究得到了新加坡教育部的支持，属于第一级学术研究基金资助项目（参考编号：25-1133-A0001；CFG25-006）。本文中所表达的任何观点、发现、结论或建议均属于作者个人观点，并不代表资助方的立场。