《AUTOMATION IN CONSTRUCTION》：Virtual trial assembly of prefabricated bridges: Mathematical control model-driven method using BIM and LiDAR
编辑推荐：
•借助BIM和k-NN引导的分割技术，可实现无需标注、无需训练的标记流程。•两阶段框架可实现对整个桥跨的虚拟试装优化。•数学模型可解决构件差异及误差耦合问题。•实验验证了该方法的准确性、高效性及可行性。引言预制桥是指在施工现场利用工厂预制的构件快速组装而成的桥梁结构，这些构件包括
- •
借助BIM和k-NN引导的分割技术，可实现无需标注、无需训练的标记流程。
- •
两阶段框架可实现对整个桥跨的虚拟试装优化。
- •
数学模型可解决构件差异及误差耦合问题。
- •
实验验证了该方法的准确性、高效性及可行性。
引言
预制桥是指在施工现场利用工厂预制的构件快速组装而成的桥梁结构，这些构件包括混凝土梁段、钢箱梁、桥墩以及高强度混凝土预制件[1]。其核心优势在于：由于施工周期短，能够显著缩短建设时间，因此非常适合用于更换有缺陷的高架桥等紧急项目[2]。标准化的施工流程有助于更精准地控制施工质量，提高成本效益，减少现场施工步骤，降低环境污染[3]，同时还能减少交通和天气条件等外部因素的干扰[4]。此外，当使用高强度混凝土等材料时，这类桥梁还具有更好的耐久性、可持续性以及更佳的结构性能，能够满足现代桥梁的建设要求[5]。
然而，预制桥在施工过程中仍面临诸多实际难题。其中之一就是累积误差，即指在工厂制造和现场组装过程中逐渐积累的尺寸和形状偏差[6]。这类偏差会导致组装时出现错位和碰撞，严重影响施工效率和质量[7]。桥梁组装具有不同于传统工业组装的特点，这源于桥梁工程独特的结构与施工环境。桥梁组装需要使用大型、重型且定制化的预制构件，而且组装空间呈线性延伸、开放且分散状态。长距离数据传递所导致的误差积累可能会直接影响整座桥梁的对齐精度。另一个问题是传统实体试装方法存在的局限性。传统的实体试装需要大量空间，耗费大量时间、资源和成本[8]。对于大型且结构复杂的桥梁构件而言，传统试装方法难以满足精度和效率的要求，从而制约了预制桥的工业化进程[9]。
因此，鉴于不同供应商之间存在的固有差异导致构件制造偏差[1]、由于构件数量庞大且接口复杂使得连接处处理难度高[10]，再加上实体试装效率低下等问题，预制桥的工厂预制与现场组装模式亟需采用虚拟试装技术。该方法需要通过虚拟组装预先验证构件的兼容性[11]。像钢箱梁[12]、预制柱[13]、钢桁架梁[14]以及桥墩[15]这类标准化设计的预制构件，为虚拟试装提供了可数字化分析的对象。它们的几何参数以及连接方式（如钢筋和套管）构成了虚拟试装的核心分析基础[13]。为了实现虚拟试装，就需要获取大规模点云中的设计模型数据以进行语义分割，同时还需要获取现浇构件和预制构件的实际数据，以此评估各部分无论是已组装还是未组装状态的组装可行性。
尽管预制桥具有诸多优势，但现有的虚拟试装方法存在两个关键缺陷，限制了其在学术研究中的应用价值以及实际应用效果。首先，构件点云的语义分割仍然是一个重大瓶颈：传统的几何方法无法处理复杂形状的点云，而基于监督学习的算法则需要大量经过人工标注的数据集，这类数据集不仅获取成本高昂，而且往往只适用于特定项目。因此，亟需一种高效、无需标注且无需训练的分割方法。其次，目前的虚拟试装优化框架大多是为单一构件的对齐问题设计的（比如梁与支撑结构的对齐）。这类框架无法解决同一桥跨内两个不同组装阶段（先是将梁与桥墩对接，再将面板与梁对接）中制造误差与组装误差之间的耦合问题，也无法充分利用标准化相同构件之间的互换性来减少碰撞并提升装配精度。对于预制桥施工而言，这些问题尤为突出，因为构件的标准化实际上蕴藏着巨大的优化潜力。
建筑信息模型是一种参数化数字建模技术，它能够整合建筑全生命周期内的几何信息、属性数据以及协同逻辑，从而构建出一个统一的数字模型平台[14]、[16]。通过整合构件的设计参数和偏差数据，建筑信息模型可以成为虚拟试装的主要工具[14]。此外，激光雷达技术可以通过发射激光束扫描目标物体，从而获取高精度的3D点云数据[17]，进而准确记录构件的实际几何形态[18]、尺寸偏差[19]以及空间位置[20]。之后，就可以利用这些实测的构件数据开展数字化分析，从而找出设计模型与实际构件之间的差异，这些构件包括预制桥板[21]、钢筋[22]、梁段[23]、复杂的钢结构[24]以及房屋单元[25]等。
本研究探讨了一种基于建筑信息模型和激光雷达的预制桥虚拟试装方法。该方法包含以下步骤：首先，通过自动标注的建筑信息模型生成的点云，可以实现激光雷达扫描得到的构件的语义分割。其次，结合实际施工约束建立组装数学模型，并将构件的控制点作为模型变量。以最小化组装偏差为目标，求解出构件的最佳组装方向。最后，通过利用相同构件之间的位置互换性进一步优化模型，从而得出整个桥跨的最佳组装方案。
本文的独特之处体现在三个方面：第一，通过整合建筑信息模型和激光雷达技术，可以生成自动标注的建筑信息模型点云，从而无需依赖深度学习即可实现激光雷达扫描构件的语义分割。这类点云具有实例级标注功能，也就是说每个构件的点云都有唯一的全球标识，这使得可以利用建筑信息模型的先验信息。分割完成后，扫描得到的点云也会被赋予这些唯一的全球标识，从而便于数据管理。第二，本研究提出了一个两阶段的组装控制数学模型（先将梁与桥墩对接，再将面板与梁对接）。该模型能够将几何匹配要求转化为可求解的优化约束，同时还能充分考虑标准化构件之间的个体差异以及两个组装阶段中误差的累积情况。与以往仅针对单个构件的优化方法不同，所提出的模型支持在同一桥跨内进行协同组装优化。通过对比实验，最终选择了一种计算效率高且解决方案质量好的模拟退火算法来解决这一优化问题。第三，从实际应用角度来看，该方法对施工现场点云数据中的噪声和波动具有一定的抗干扰能力，能够提高组装精度，减少构件碰撞，提升施工效率，同时还提供了一种易于理解且适合工程师使用的数字化解决方案。通过将质量控制从传统的逐个构件检查转变为基于模型的两阶段定量控制，本研究推动了预制桥智能化建造技术的发展。
本文的结构如下：第2节为文献综述，明确了本研究需要填补的空白。第3节介绍了所提出方法的发展过程。第4节通过一个实际的施工案例对所提方法进行了验证。第5节分析了该方法存在的局限性。最后，第6节总结了研究结果，并提出了未来的研究方向。
章节摘要
文献综述
本节主要回顾了两类相关文献。首先，梳理了近年来关于预制构件点云语义分割的技术进展，重点分析了传统几何方法以及基于监督学习的算法各自存在的局限性。其次，总结了近期关于基于点云的虚拟试装研究，指出了现有系统化优化框架在处理多阶段组装误差以及桥梁预组装过程中的构件互换性问题方面的不足。
研究方法
如图1所示，这种基于建筑信息模型和激光雷达的预制桥虚拟试装方法包含三个主要部分：用于实例分割的建筑信息模型语义模型与点云构建、根据类型对实测构件进行基于先验信息的差异化实例分割，以及虚拟试装本身。首先，通过子元件组装模型和语义代码注入技术，可以自动获得带有标签的模型点云。接下来，通过激光雷达收集数据并
案例研究
为了验证所提出的基于建筑信息模型和激光雷达的预制桥虚拟试装方法的有效性，本研究选取了一个实际的施工项目作为试验对象。具体工作包括从项目模型中获取并处理点云数据，从实际施工构件中获取并处理点云数据，开展虚拟试装，评估组装误差，优化组装方案，以及分析该方法的实际效果。
讨论
所提出的基于建筑信息模型和激光雷达的预制桥虚拟试装方法取得了三项重要成果。首先，得益于自动标注的建筑信息模型点云，该方法实现了无需深度学习的语义分割功能，成功地对复杂的子构件（如抗剪钢板、横向连接钢板等）进行了分割。其次，两阶段的数学控制模型通过明确控制点和实际约束条件，能够帮助实现
结论与未来工作
本文提出了一种将建筑信息模型和激光雷达技术相结合的系统性数字化框架，用于预制桥工程，该框架涵盖了构件提取、语义实例分割以及两阶段虚拟试装等功能。首先，该方法无需人工进行语义标注，即可自动生成带有构件语义标签的建筑信息模型点云。遵循“扫描到建筑信息模型对比”的思路，该方法开发出了一种无需深度学习的点云分割算法。同时，该方法采用了kNN搜索技术来对应不同的语义标签
CRediT作者贡献说明
谭毅：撰写——审稿与编辑、可视化、验证、项目管理、研究方法、资金获取、概念构思。 李嘉宇：撰写——初稿撰写、可视化、形式分析、数据整理。 罗海月：撰写——初稿撰写、可视化、调研工作。 夏龙：资源协调、调研工作、数据整理。 龙桂华：软件应用、调研工作、数据整理。 郝达伟：资源协调、研究方法、调研工作。 王倩：撰写——审稿与编辑、监督工作，
利益冲突声明
作者声明，他们不存在任何可能影响本文研究成果的已知利益冲突或个人关系。
谭毅|李嘉宇|罗海月|夏龙|龙桂华|郝达伟|王倩
