點云技術在建筑施工管理領域研究進展與展望*

梁陽澤,蔡偉浪,楊超杰,楊興宇,孔文碩,徐 照

(1.東南大學土木工程學院,江蘇 南京 211189; 2.東南大學軟件學院,江蘇 蘇州 215000)

0 引言

隨著建筑信息化和智能化技術的不斷發展,點云技術逐漸廣泛應用于建筑施工領域。點云中的每個點不僅可描述位置3D坐標,還可分配強度、RGB顏色和語義信息等屬性[1],能作為建筑領域數字化發展的關鍵數據支撐。視覺三維技術的發展,激光掃描、傾斜攝影等技術,拓寬了數據采集途徑,使其可滿足各建筑施工場景下的數據需求。從激光雷達或影像中獲得的點云數據能準確快速地記錄建筑相關對象的三維幾何信息,相對于傳統技術,在建筑三維重建、質量監測乃至施工進程等精度、速度及整體性方面均有巨大優勢。

點云作為目標表面特性的海量點集,如何高效利用點云數據始終是研究熱點,如對點云數據進行預處理、語義分割最終實現逆向建模。在此基礎上進行施工質量檢驗是目前主流的點云數據應用方向。點云的高精度及可視化功能可為操作人員提供更豐富、準確的施工質量信息,加快推動建筑施工領域數字化轉型。此外,有研究更加深入地探討了點云技術在施工管理領域應用的可行性,在施工進度、安全、質量等方面,將點云技術作為數據源,結合管理學理論,對建筑施工過程進行優化管理。

本文針對研究現狀,主要從三維重建、質量檢驗及現場管理方面歸納梳理了目前研究成果。最后分析點云技術在建筑施工領域應用面臨的瓶頸問題,并提出和探討3個未來主要發展方向:基于點云的數字化建造、通用點云數據平臺建設及基于深度學習的點云數據處理。

1 點云技術在建筑施工領域研究進程

點云技術在建筑施工領域應用研究最先由美國國家標準與技術研究院提出[2],當時通過激光雷達影像為施工過程構建三維模型從而對工程進行實時狀況評估和記錄,并表示該方法可節省大量用于施工質量控制與進度監測的成本。后續點云技術逐步開始嘗試應用于建筑施工過程。2001年,Vosselman采用擴展至三維空間的霍夫變換算法分割出機載雷達不規則點云簇的屋頂平面并結合當地房屋結構圖進行大規模城市場景三維重建[3]。這一研究最先實現點云數據語義分割與三維重建。2002年由Autodesk最早推出BIM軟件,但使用手工建模方式始終在時效性上欠佳,而使用激光掃描儀和攝影測量可獲得施工實況。因此,學術界一直在探索如何利用點云自動構建完整而準確的3D幾何模型。2003年,Gordon在案例中將從激光掃描儀和嵌入式傳感器采集到的施工場景信息整合至工程數字模型中,與擬建模型比對檢測施工過程中出現的與設計不相符的曲率偏差等結構缺陷[4]。從2005年到2018年,點云在建筑行業的實際應用涵蓋了三維場景建模、幾何質量監測、工程進度及安全管理、建筑力學分析等多個方面。近些年,研究熱點集中在機器學習、深度學習等算法與點云結合應用,這為點云技術在建筑施工過程中的應用提供了新思路[5-7]。

2 基于點云技術的建筑施工三維重建

2.1 點云預處理

由于建筑施工過程復雜,且受物體遮擋、噪聲干擾、背景及視點變化等因素影響,使獲取的原始點云數據具有顯著多樣性,不可避免地包含一些非目標點云。因此,原始點云數據需進行配準、去噪、濾波和精簡的預處理過程提高后續點云處理效率和精度。

1)點云數據配準拼接

點云配準主要分為剛性配準和非剛性配準。而在建筑領域,由于不涉及對點云進行變形的非剛性操作,一直是以剛性配準為主要研究對象,即通過平移和旋轉等不改變任何兩點之間距離的變換實現點云配準過程。經典點云配準策略是一個由粗到精的過程[8]。

粗配準通常為全局配準,當前點云粗配準算法包括基于窮舉搜索和基于特征匹配2類。基于深度學習的方法已被證明在室內和小規模室外點云配準中取得較好效果[9]。但對于建筑施工過程這樣大規模且復雜性較高的室外點云數據配準仍然存在障礙,需在未來研究中付出更多努力。精配準通常為局部配準。其中,最近點迭代法(iterative closest point,ICP)是最經典及應用最廣泛的精配準方法,但其高度依賴良好的粗配準效果且對于具有密度變化的點云數據適用性較差。大量研究者從精確度和效率2個方面對ICP算法進行改進。

對于建筑施工過程中的點云配準,存在嚴重遮擋及大量噪點是主要應用難點,目前取得了一定研究進展,如ICP方法、語義和幾何信息約束等方法都很好地提升了配準效率。而基于深度學習的方法在配準具有嚴重遮擋及有限重疊的場景方面具有巨大潛力,也是目前該領域研究熱點。

2)點云去噪精簡

點云濾波去噪可在有效消除噪聲點云產生影響的同時很好地保持點云模型在幾何上的顯著特征,從而為后續應用提供高質量的點云模型。目前的點云濾波算法研究較為成熟,主流方法包括基于統計、鄰域、投影、偏微分、信號處理及混合策略技術。

點云精簡可在保證模型完整性和關鍵特征基礎上,提升計算機硬件處理效率,降低硬件成本。常見的點云簡化算法包括基于網格的和基于點的兩大類。前者需生成大量網格,時間和空間復雜度較高;后者占用資源較少,但對點云細節特征的保持性較差。現有方法大多是基于點的精簡方法,如最小包圍盒法、曲率采樣法、K-means聚類方法等。

對于建筑施工過程中的點云去噪過程,由于其環境復雜性需在去噪效率和效果兩方面進行深入研究。建筑施工場景點云數據往往數據量巨大,提升三維點云濾波算法的計算效率是未來研究的主要方向之一。目前點云精簡算法大多側重于保留模型完整性及提高效率,往往忽略大量細部特征。而在建設施工過程中,需在完整點云場景中提取目標個體點云數據。因此,在保留原始點云細節幾何特征的前提下,盡可能多地刪減冗余點仍是點云精簡未來的研究重點。

2.2 點云語義分割

點云分割是三維場景理解的關鍵步驟,尤其是在施工階段,將目標對象高效準確地分割能為后續研究提供數據基礎。點云分割主要分為傳統點云分割和語義分割。

1)傳統點云分割

傳統點云分割是將點云分割成具有相似特征的點集,無法同時給予語義信息,需以人工方式對這些點云集合賦予語義信息,主要有基于邊緣檢測、區域增長、模型擬合及屬性聚類4類方法。邊緣檢測適用于如道路邊緣檢測等擁有特定邊緣特征的特定場景任務對象;區域增長方法較穩定,但參數調整困難,種子點選取和屬性特征定義直接影響最終效果;模型擬合方法計算效率較高但局限于規則幾何形狀屬性聚類分割方法,但在處理大規模點云場景時,時間復雜度較大。

傳統點云分割方法無須大量訓練樣本進行學習,計算量較小,且可充分利用人工經驗和對象本身特征,提高分割精度和效率。因此,在建筑施工過程中常被用于特定任務中對目標對象的高精度、高效率分割[10]。

2)語義分割

點云語義分割則是指從一個點云場景中分割出各種物體,并同時賦予其語義標簽。早期點云語義分割方法主要是通過人工提取點云特征,再輸入到分類器中進行點云分割與分類,此類方法需大量人工參與,嚴重依賴人工經驗。隨著卷積神經網絡的出現并開始應用于三維場景,可以實現點云特征的自動提取。目前應用神經網絡實現點云語義分割的方法主要有基于二維多視圖、基于三維體素化及基于點云本身。前兩種方法核心思想均是將無序點云預處理,轉換成規則的、傳統的神經網絡可直接處理的結構,但均不可避免地帶來點云信息損失并對計算機性能提出了更高要求。基于點云本身的方法能很好地保留原始點云信息,最先采用這一方法的是PointNet網絡[11]。PointNet模型存在無法很好地提取局部特征問題。目前有許多研究者基于PointNet 模型提出了系列解決方案以改進基于點云本身的語義分割方法,如PointNet++,RandLA-Net,PointCNN等。

基于深度學習的點云語義分割在建筑施工領域已得到一定應用,如利用點的幾何和顏色特征進行分割[12]。但由于點云自身固有特性和建筑施工場景存在嚴重遮擋與大量噪聲點云的問題,均對深度學習模型提出了更高要求[13]。未來構造具有更高分割精度和更廣泛適用場景的語義分割模型仍是主要研究方向。同時,進一步通過目標檢測和語義分割的結合以實現實例分割,從而實現對同類物體中不同個體有效分割,而不是分割具有相同語義同類物體。由于建筑施工過程中對單個物體點云模型提取的需要,深入實例分割研究具有重要意義。

2.3 逆向模型建立

現階段較成熟和主流的模型重建方式包括在建模軟件中參照點云模型進行手動創建、模型擬合建模、邊界表達建模、先驗假設建模和曲面建模。

模型擬合的主要應用對象是可以用簡明標準數學表達式或參數表示的幾何對象。邊界表達建模則是提取幾何對象邊界線并在此基礎上進一步簡化和規則化邊界拓撲關系,從而完成模型建立。基于先驗假設建模往往事先假設所創建的模型為遵循特定幾何形狀關系、語法規則或與預定義模型基元庫模型相匹配,然后結合建筑點云本身,構建遵循上述先驗約束下的三維建筑模型。基于網格建模利用構造豐富的網格(如三角形和矩形)擬合點云表面,從而實現模型建立,其最大特點在于能對復雜模型結構進行重建。

總體而言,三維模型重建算法的發展趨勢是自動化程度越來越高,所需人工干預越來越少,且應用面越來越廣。然而,現有算法依然存在運算復雜度較高、只能針對單個物體且對背景干擾敏感等問題。研究具有較低運算復雜度且不依賴先驗知識的全自動三維模型重建算法,是目前主要難點。同時,上述方式雖然能滿足建筑施工過程模型重建的部分需要,但涉及大量人工操作,耗時且主觀易出錯,并多為幾何或表面建模,不包含語義信息,不能充分發揮模型重建后的價值及不能用于BIM模型重建。因此,包含語義信息的體積建模方式是目前研究熱點,也是難點。

適用于BIM模型重建的體積建模方式主要分為兩類,分別為自上而下方式和自下而上方式。自上而下方式也稱Scan vs BIM,是利用已有的先驗知識進行點云解釋,通過實際點云和虛擬點云比較提取并匹配圓形截面以生成既有建筑BIM模型。然而在建筑施工過程中,并未針對現有場景先驗信息,因此并不符合施工過程中的應用場景。自下而上方式也稱Scan to BIM,是在無先驗知識情況下,只以掃描獲得的點云模型為輸入,并不斷提取相關信息,直至可構建預期的BIM模型,是一種依靠建模邏輯來解釋和利用點云數據的通用方法,也是該領域研究熱點。核心步驟包括對象識別、幾何建模與拓撲重建,如圖1所示。

圖1 自動模型重建核心步驟

3個步驟均需事先獲取不同類別信息,包括建筑元素幾何結構、對象類別和材質屬性等非幾何信息、建筑元素之間幾何關系。對象識別的目的在于提取需要的目標點云和參數信息,方法則是語義分割。幾何信息表示方法中可按參數與非參數、顯性與隱性、全局與局部3個獨立維度進行分類。參數化是指用參數表示,如用半徑和圓心來表示圓;非參數化則可以用三角網格來表示物體。顯性表示直接編碼表示的對象;隱性則表示需通過中間參數來間接表示對象,如直方圖。由于BIM模型通常由參數化的幾何圖元表示,因此顯性參數化建模是BIM模型重建采用的策略。

對于全局或局部方法,前者通常是基于整個點云模型。該類幾何重建方法的優點是可在點云中直接觀察到對象幾何結構,并且對象均可單獨重建且不必擔心結構中復雜連接問題。然而,這些方法產生的模型不易修改,而且在復雜對象中生成參數化的模型可能有挑戰性。局部方法則是將點云模型分割或聚類成獨立建筑元素進行處理,其策略是建造1組局部構件模型,這是目前廣泛采用的一種方法,優點是能實現參數化建模,是目前建筑行業所需要的。拓撲重建目前有3種常用方法:單元分解、連接評估和形狀語法[14]。

總體而言,基于點云數據進行BIM模型的自動化重建過程仍在探索中。但對于建筑施工領域,BIM模型的應用對項目管理、結構設計、方案審查等具有重要意義。因此,結合施工場景特點建立一個自動化重建系統,在輸入點云數據和先驗知識后可自動生成語義豐富的BIM模型是需要在未來不斷推進點云和BIM技術協同應用于建筑施工過程中的關鍵。

3 基于點云技術的建筑施工質量檢測

點云數據在建筑施工質量檢測領域應用廣泛,目前對于建筑質量檢測研究主要分為建筑部件質量檢測、建筑整體質量檢測及建筑施工輔助結構質量檢測3個方面。

3.1 建筑部件質量檢測

建筑部件質量檢測主要分為表面檢測和尺寸檢測,表面檢測主要檢測建筑部件裂縫、平整度等。但建筑施工過程的點云數據存在不準確性,很難克服噪點對掃描結果的影響。點云數據在建筑構件表面檢測的邏輯性如圖2所示,該方法雖系統性整理了建筑構件表面檢測,但主要針對規則矩形及均勻厚度預制混凝土構件,對于更復雜的建筑結構,該體系應用表現較差。復雜建筑部件檢測多通過輔助算法參與。輔助算法參與保證了結果魯棒性和穩定性,實現了很好的可視化效果,為建筑部件質量檢測提供了新思路。

圖2 表面質量檢測邏輯

對于尺寸檢測多在點云數據基礎上檢測建筑部件特征邊界,如基于PCA幾何匹配、點云數據自動識別等。同樣對于復雜結構尺寸檢測結合貪心算法、蟻群算法、配準算法等多種算法的綜合運用,以達到大型建筑復雜部件智能化檢測的目的[15]。

建筑部件檢測更加精細,對檢測結果的準確性要求更高,傳統人工檢測模式也逐漸被淘汰,先進的掃描儀器和理論算法知識成為建筑部件質量檢測支撐,由于建筑部件本身結構復雜且精準度高,允許誤差范圍小,不同構件間也相互聯系影響,如何實現建筑部件高度精準性檢測仍然是需要解決的問題,未來將持續推進BIM技術、先進算法和激光掃描結合的研究。

3.2 建筑整體質量檢測

建筑整體質量檢測與建筑構件質量檢測不同,建筑整體質量檢測需站在全局高度,主要體現在建筑整體變形檢測。建筑整體變形受自然環境和地基等因素的相互作用影響,分為建筑位移、沉降、結構構造變形,即需對建筑整體垂直度和平整度進行檢測,傳統建筑整體檢測主要使用全站儀、水準儀等人工主導參與的檢測儀器,誤差較大,同時很難反映建筑質量真實情況,隨著傾斜攝影技術、三維激光掃描技術研究的深入,許多學者將其應用在建筑整體質量檢測上,取得了很好的檢測效果。

在建筑整體平整度檢測方面,目前主要采用依靠傳統靠尺采集數據。特殊建筑結構則多基于點云數據通過數據配準逆向建模的方式和正向設計比對,以達到建筑平整度的智能化與精準化檢測。在建筑垂直度方面,傳統方法將傳感器和激光點云結合,該方法實施過程較復雜,在實際操作過程中往往會出現偏差,進而影響到結果判斷。為簡化復雜檢測程序,目前逐漸對不同空間數據捕捉技術[16]進行多模態融合。后續大量學者根據此類技術實現了對建筑群質量檢測和掃描,防止建筑發生傾斜、沉降等損壞。對復雜建筑高層結構來說,傳統檢測方法在整體質量檢測上存在很大局限性,復雜建筑高層結構亟需高效、精準、可操作性強的整體質量檢測方法。目前的研究主要集中在數據采集過程創新、檢測過程時效性改進及智慧化等方面。

在建筑整體質量檢測方面,主導技術方向由傳統人工參與逐漸過渡到智能化掃描參與,同時隨著相關算法發展及更優化更精準的墻面擬合多項式等理論的進步,在檢測掃描平整度和垂直度方面也取得了更大應用,但考慮到建筑整體質量檢測相對于構件檢測處理的數據量更大,在智能掃描和數據處理等方面受到的局限性問題,目前研究推進的重點仍放在如何進行復雜場景下復雜異形結構建筑檢測及如何推進更快速、更精準的整體質量檢測方法。

3.3 建筑施工輔助結構質量檢測

建筑施工輔助結構是建筑安全施工的重要輔助,如基坑支撐、擋土墻等。目前隨著高層及超高層建筑規模增加,基坑工程發展越來越快,但由于高層建筑往往涉及在城市建筑物附近,施工場地狹小,基坑深度大,再加上易受到天氣等多種因素的影響,基坑在施工過程中的質量檢測受限,而擋土墻質量檢測由于現代施工特點的原因,點云應用質量檢測研究相比較少。

點云最初在基坑變形監測過程應用方面并不樂觀,由于技術受限,點云數據掃描方式誤差過大,只能反映基坑基礎變化,無法做到實時監測。為解決這一問題,在發展數據采集技術(如地面Lidar、二維激光雷達等)的同時,多種優化方案被應用到基坑等建筑施工輔助結構質量檢測過程中,如Geomagic Studio軟件、視覺傳達理論等。但由于這類輔助結構構造原因及圖像和點云數據獲取可能受光線、遮擋、紋理等因素影響,近年來由于廣角相機操作更簡單,點云數據在建筑施工輔助結構檢測中的應用范圍也在逐漸擴大。

建筑施工輔助結構檢測隨著技術進步發展也趨于智能化,由于輔助結構構造特點和環境特征,點云數據獲取是需要解決的主要問題,因此,建筑施工輔助結構比建筑整體或構件本身更依賴掃描技術的發展,從數據采集階段的參數優化設計到數據處理階段的實時性與準確性,均需更穩定、更準確的設備技術。

4 基于點云技術的建筑施工現場管理

通過為建筑對象提供幾何和語義數據,點云數據在施工階段被用于提高生產效率、建筑質量和安全性[17]。

4.1 施工進度管理

基于點云數據的施工進度管理應用主要有2種:①事前基于點云數據建模分析,減少后續變更對進度產生的消極影響,優化工期;②施工過程中實時對現場信息進行采集、可視化和處理,輔助做出快速反應,實現施工過程中對施工進度的管理。

施工過程中遇到碰撞問題會造成財產與人力損失,并影響施工效率及進度。因此,在基于點云數據完成BIM逆向建模后,對于得到的能反映真實改造空間現狀的場景模型,可在此基礎上建立現有建筑物改造施工模型,在模型上進行深化設計或施工模擬[18],實現對進度的事前控制。

點云數據在施工過程中更多地被用于跟蹤和監測施工活動進度。這一過程通過實時進行點云數據采集,并與包含進度計劃的4D BIM模型進行比較,確定當前施工的實際進度,評估進度提前或滯后,輔助對現實做出快速反應,并進一步做出決策。

部分研究通過對各種施工活動中的實體或具體構件進行跟蹤監測施工進度。此外,還可對其他次要構件和臨時構件等進行監測。

對施工進度跟蹤監測的關鍵在于實現點云數據對象識別的自動化。通過優化數據采集準確率、提高生成點云精度、提高計劃與竣工比較檢測過程的準確性、實現竣工和計劃數據的實時比較等進一步提高進度監控的自動化水平。

4.2 施工質量管理

點云數據在工程質量控制中的應用主要集中在預控階段。在質量預控階段,相比于傳統BIM建模方式,應用點云數據輔助建模可有效解決復雜環境帶來的問題,常用于幕墻施工、重難點工程、舊建筑保護、修繕、擴建、改造或拆除等。在施工過程中,BIM和激光掃描可有效應用于質量控制,但如果只提供特定地點和時間的數據,且需大量時間與人力,則限制了其在施工過程中識別和管理質量缺陷的能力。因此,不斷有研究致力于解決場地、時間與人力等因素帶來的障礙,以使點云數據能被充分利用于質量實時監測中,輔助進行施工過程中的質量管理。參與質量監測的工作流程如圖3所示。點云數據也被應用于質量追溯,如通過基于案例推理(CBR)方法,結合數據挖掘算法從數據中提取質量問題解決知識,以提高解決質量問題的能力[19]。

圖3 質量監測工作流程

4.3 施工安全管理

基于點云數據提供建筑相關對象的準確幾何信息的特點,點云數據被廣泛應用于施工安全管理中,主要圍繞施工現場、作業人員行為與施工設備3個方面。施工現場存在的安全隱患嚴重影響作業人員健康與安全。通過點云數據提供的與施工相關對象的精確幾何信息,可對現場存在的安全隱患進行識別,如塌方、堆放規范性、資源時空運動等。在識別到安全隱患后,可基于此對作業人員行為進行安全管理,通過對安全隱患模擬,使可能發生的危險可視化,進行對作業人員的安全教育,有利于改善工人本身及其安全行為。

施工設備對安全的影響則主要體現在:設備操作人員在操作時往往處于設備操作室中,存在視野盲點,由此導致較多施工事故[20]。了解盲點有助于提高建筑工地安全性。

5 結論及展望

5.1 結論

目前點云技術在建筑施工管理中的應用研究主要涵蓋三維重建、質量檢驗及現場管理3個維度。三維重建的研究集中在點云數據預處理、語義分割及逆向重建,質量檢驗則根據檢驗對象劃分為建筑部件、建筑整體及輔助結構等,點云數據在施工現場管理方向的研究主要集中在施工進度、質量及安全3個方面。點云技術的應用對于提高建筑施工過程生產力和安全性、提高建筑施工過程數字化水平具有重要推動作用,目前也取得了良好的應用效果,但仍存在一定難點和問題。

1)點云數據處理算法適用性 利用獲取的點云數據對建筑施工質量進行檢測相比于傳統檢測方案和儀器能取得很好的精準度和穩定性,但目前仍存在智能算法和統計模型的適用性問題。目前存在非常多的智能算法和統計模型,在推進建筑質量檢測中點云數據的缺陷檢測、缺陷分割等方面存在很多應用,但在建筑領域的適用性上仍存在空缺。質量檢測的實時性也是目前面臨的問題之一,建筑質量檢測需不斷推進實時監測內容,不允許存在滯后性,任何滯后性將有可能造成安全事故發生,而點云數據獲取和處理存在時間差。點云數據處理設備要求較高,而相關點云數據處理設備由于技術發展問題,缺少成熟的數據處理軟件。

2)點云數據處理滯后性 點云數據獲取通常與點云數據可視化和處理分離。在施工現場采集到的數據需到辦公室使用計算機程序進行可視化和處理,因此,現場工程師無法及時從點云數據中獲得有關施工活動重要信息。這種延遲阻礙了現場問題的及時識別和處理,使點云數據在施工進度跟蹤、質量與安全實時管理等方面的應用效果大打折扣。目前有研究通過可穿戴設備在一定程度上實現了數據實時對比,但仍需進一步研究以發揮點云數據在實時施工管理上的潛力。

3)環境對識別準確率的影響 無論是進度、質量還是安全管理,對現場情況的準確識別都是點云數據應用的重要前提。三維點云數據的獲取方式普遍受到環境影響,在實際施工中如果遇到不良環境條件(如雨天、霧天、陰天等)會提高對施工現場的識別難度。高效高質點云數據預處理和分割是后續進行點云三維重建的基礎前提與保障。但建筑施工場景普遍存在嚴重遮擋、噪聲點多、環境動態性復雜性程度高等問題。因此,實現點云預處理和分割過程中各工序的技術突破,以及面向建筑施工具體場景的技術應用仍是需面對的問題。在點云的三維重建過程中,盡管目前有許多經典的三維重建算法,在建筑施工領域也能進行借鑒應用,但在適用性和效率上仍存在差距。同時,實現基于點云數據的BIM模型三維重建是未來不斷推進點云和BIM技術協同應用于建筑施工過程中的關鍵。但目前仍未形成成熟的技術應用,需要在未來不斷深入。

4)數據處理過程自動化程度低 施工過程管理尚未實現完全自動化。許多自動化手段在實際操作中受到很多局限,仍需人力參與。雖然有諸如Trimble,Faro等激光點云掃描設備及配套的點云數據處理軟件,但點云數據格式較多,不同軟件間數據交互困難。此外,建筑工程施工過程環境復雜,同樣會影響到點云數據自動化處理,導致諸如點云數據拼接過程中標靶點識別困難、拼接誤差加大等情況出現。

5.2 展望

點云技術的研究主要集中在三維重建、質量檢驗及建筑施工現場管理,這3個研究維度互相關聯緊密,但仍存在數據處理方面問題。本文對現有點云技術在建筑施工領域的研究進行綜述,可發現目前研究處于一個發展期,由于點云技術核心是提供數據上的支撐,結合目前建筑產業數字化轉型升級、建設“城市數據大腦”等數字化智慧化管理平臺,推動數據整合共享等政策性發展要求,其未來發展將集中在通用點云數據平臺、城市信息模型及施工過程數字孿生3個方面。

1)3個研究維度表現出的不同軟件設備、工程階段、不同利益相關方存在信息系統孤島、跨系統數據無法共享等問題,之后的研究方向首先需從點云數據治理入手,實現點云數據多專業之間的交互應用及數據規范化。同時,點云數據治理還應發展成為一個通用平臺進行管理,實現不同模態點云數據自由轉化與應用。

2)不同點云數據通常相互獨立,對數據進行三維建模后,同樣三維模型間的關聯信息少,目前點云數據主要應用于單體建筑施工。隨著社會不斷發展,不同三維模型間的位置關系、連接關系、建筑群與周邊環境的關系逐漸受到關注。所以點云數據更需描述位置 3D 坐標,對其本身蘊含的強度、RGB顏色和語義信息等屬性進行利用,為城市整體信息模型做數據支撐。高效、快速地實現點云數據通過語義擴充、逆向建模等方式構建城市信息模型將是今后研究的一大方向。

3)在建筑項目施工過程中會產生大量工程數據及點云數據,由于建筑施工場景普遍存在嚴重遮擋、噪聲點多、環境動態性復雜性程度高等問題,這些數據價值密度低,將這些點云數據提煉,實現建筑施工過程實時管理是后續研究重點之一。數字化建造要求實現建筑的全過程、全要素、全參與方的數字化、在線化、智能化,因此,在通用點云數據平臺基礎上進行進一步應用,實現施工過程虛實映射的“數字孿生”。