点云技术在建筑施工管理领域研究进展与展望*

梁阳泽,蔡伟浪,杨超杰,杨兴宇,孔文硕,徐 照

(1.东南大学土木工程学院,江苏 南京 211189; 2.东南大学软件学院,江苏 苏州 215000)

0 引言

随着建筑信息化和智能化技术的不断发展,点云技术逐渐广泛应用于建筑施工领域。点云中的每个点不仅可描述位置3D坐标,还可分配强度、RGB颜色和语义信息等属性[1],能作为建筑领域数字化发展的关键数据支撑。视觉三维技术的发展,激光扫描、倾斜摄影等技术,拓宽了数据采集途径,使其可满足各建筑施工场景下的数据需求。从激光雷达或影像中获得的点云数据能准确快速地记录建筑相关对象的三维几何信息,相对于传统技术,在建筑三维重建、质量监测乃至施工进程等精度、速度及整体性方面均有巨大优势。

点云作为目标表面特性的海量点集,如何高效利用点云数据始终是研究热点,如对点云数据进行预处理、语义分割最终实现逆向建模。在此基础上进行施工质量检验是目前主流的点云数据应用方向。点云的高精度及可视化功能可为操作人员提供更丰富、准确的施工质量信息,加快推动建筑施工领域数字化转型。此外,有研究更加深入地探讨了点云技术在施工管理领域应用的可行性,在施工进度、安全、质量等方面,将点云技术作为数据源,结合管理学理论,对建筑施工过程进行优化管理。

本文针对研究现状,主要从三维重建、质量检验及现场管理方面归纳梳理了目前研究成果。最后分析点云技术在建筑施工领域应用面临的瓶颈问题,并提出和探讨3个未来主要发展方向:基于点云的数字化建造、通用点云数据平台建设及基于深度学习的点云数据处理。

1 点云技术在建筑施工领域研究进程

点云技术在建筑施工领域应用研究最先由美国国家标准与技术研究院提出[2],当时通过激光雷达影像为施工过程构建三维模型从而对工程进行实时状况评估和记录,并表示该方法可节省大量用于施工质量控制与进度监测的成本。后续点云技术逐步开始尝试应用于建筑施工过程。2001年,Vosselman采用扩展至三维空间的霍夫变换算法分割出机载雷达不规则点云簇的屋顶平面并结合当地房屋结构图进行大规模城市场景三维重建[3]。这一研究最先实现点云数据语义分割与三维重建。2002年由Autodesk最早推出BIM软件,但使用手工建模方式始终在时效性上欠佳,而使用激光扫描仪和摄影测量可获得施工实况。因此,学术界一直在探索如何利用点云自动构建完整而准确的3D几何模型。2003年,Gordon在案例中将从激光扫描仪和嵌入式传感器采集到的施工场景信息整合至工程数字模型中,与拟建模型比对检测施工过程中出现的与设计不相符的曲率偏差等结构缺陷[4]。从2005年到2018年,点云在建筑行业的实际应用涵盖了三维场景建模、几何质量监测、工程进度及安全管理、建筑力学分析等多个方面。近些年,研究热点集中在机器学习、深度学习等算法与点云结合应用,这为点云技术在建筑施工过程中的应用提供了新思路[5-7]。

2 基于点云技术的建筑施工三维重建

2.1 点云预处理

由于建筑施工过程复杂,且受物体遮挡、噪声干扰、背景及视点变化等因素影响,使获取的原始点云数据具有显著多样性,不可避免地包含一些非目标点云。因此,原始点云数据需进行配准、去噪、滤波和精简的预处理过程提高后续点云处理效率和精度。

1)点云数据配准拼接

点云配准主要分为刚性配准和非刚性配准。而在建筑领域,由于不涉及对点云进行变形的非刚性操作,一直是以刚性配准为主要研究对象,即通过平移和旋转等不改变任何两点之间距离的变换实现点云配准过程。经典点云配准策略是一个由粗到精的过程[8]。

粗配准通常为全局配准,当前点云粗配准算法包括基于穷举搜索和基于特征匹配2类。基于深度学习的方法已被证明在室内和小规模室外点云配准中取得较好效果[9]。但对于建筑施工过程这样大规模且复杂性较高的室外点云数据配准仍然存在障碍,需在未来研究中付出更多努力。精配准通常为局部配准。其中,最近点迭代法(iterative closest point,ICP)是最经典及应用最广泛的精配准方法,但其高度依赖良好的粗配准效果且对于具有密度变化的点云数据适用性较差。大量研究者从精确度和效率2个方面对ICP算法进行改进。

对于建筑施工过程中的点云配准,存在严重遮挡及大量噪点是主要应用难点,目前取得了一定研究进展,如ICP方法、语义和几何信息约束等方法都很好地提升了配准效率。而基于深度学习的方法在配准具有严重遮挡及有限重叠的场景方面具有巨大潜力,也是目前该领域研究热点。

2)点云去噪精简

点云滤波去噪可在有效消除噪声点云产生影响的同时很好地保持点云模型在几何上的显著特征,从而为后续应用提供高质量的点云模型。目前的点云滤波算法研究较为成熟,主流方法包括基于统计、邻域、投影、偏微分、信号处理及混合策略技术。

点云精简可在保证模型完整性和关键特征基础上,提升计算机硬件处理效率,降低硬件成本。常见的点云简化算法包括基于网格的和基于点的两大类。前者需生成大量网格,时间和空间复杂度较高;后者占用资源较少,但对点云细节特征的保持性较差。现有方法大多是基于点的精简方法,如最小包围盒法、曲率采样法、K-means聚类方法等。

对于建筑施工过程中的点云去噪过程,由于其环境复杂性需在去噪效率和效果两方面进行深入研究。建筑施工场景点云数据往往数据量巨大,提升三维点云滤波算法的计算效率是未来研究的主要方向之一。目前点云精简算法大多侧重于保留模型完整性及提高效率,往往忽略大量细部特征。而在建设施工过程中,需在完整点云场景中提取目标个体点云数据。因此,在保留原始点云细节几何特征的前提下,尽可能多地删减冗余点仍是点云精简未来的研究重点。

2.2 点云语义分割

点云分割是三维场景理解的关键步骤,尤其是在施工阶段,将目标对象高效准确地分割能为后续研究提供数据基础。点云分割主要分为传统点云分割和语义分割。

1)传统点云分割

传统点云分割是将点云分割成具有相似特征的点集,无法同时给予语义信息,需以人工方式对这些点云集合赋予语义信息,主要有基于边缘检测、区域增长、模型拟合及属性聚类4类方法。边缘检测适用于如道路边缘检测等拥有特定边缘特征的特定场景任务对象;区域增长方法较稳定,但参数调整困难,种子点选取和属性特征定义直接影响最终效果;模型拟合方法计算效率较高但局限于规则几何形状属性聚类分割方法,但在处理大规模点云场景时,时间复杂度较大。

传统点云分割方法无须大量训练样本进行学习,计算量较小,且可充分利用人工经验和对象本身特征,提高分割精度和效率。因此,在建筑施工过程中常被用于特定任务中对目标对象的高精度、高效率分割[10]。

2)语义分割

点云语义分割则是指从一个点云场景中分割出各种物体,并同时赋予其语义标签。早期点云语义分割方法主要是通过人工提取点云特征,再输入到分类器中进行点云分割与分类,此类方法需大量人工参与,严重依赖人工经验。随着卷积神经网络的出现并开始应用于三维场景,可以实现点云特征的自动提取。目前应用神经网络实现点云语义分割的方法主要有基于二维多视图、基于三维体素化及基于点云本身。前两种方法核心思想均是将无序点云预处理,转换成规则的、传统的神经网络可直接处理的结构,但均不可避免地带来点云信息损失并对计算机性能提出了更高要求。基于点云本身的方法能很好地保留原始点云信息,最先采用这一方法的是PointNet网络[11]。PointNet模型存在无法很好地提取局部特征问题。目前有许多研究者基于PointNet 模型提出了系列解决方案以改进基于点云本身的语义分割方法,如PointNet++,RandLA-Net,PointCNN等。

基于深度学习的点云语义分割在建筑施工领域已得到一定应用,如利用点的几何和颜色特征进行分割[12]。但由于点云自身固有特性和建筑施工场景存在严重遮挡与大量噪声点云的问题,均对深度学习模型提出了更高要求[13]。未来构造具有更高分割精度和更广泛适用场景的语义分割模型仍是主要研究方向。同时,进一步通过目标检测和语义分割的结合以实现实例分割,从而实现对同类物体中不同个体有效分割,而不是分割具有相同语义同类物体。由于建筑施工过程中对单个物体点云模型提取的需要,深入实例分割研究具有重要意义。

2.3 逆向模型建立

现阶段较成熟和主流的模型重建方式包括在建模软件中参照点云模型进行手动创建、模型拟合建模、边界表达建模、先验假设建模和曲面建模。

模型拟合的主要应用对象是可以用简明标准数学表达式或参数表示的几何对象。边界表达建模则是提取几何对象边界线并在此基础上进一步简化和规则化边界拓扑关系,从而完成模型建立。基于先验假设建模往往事先假设所创建的模型为遵循特定几何形状关系、语法规则或与预定义模型基元库模型相匹配,然后结合建筑点云本身,构建遵循上述先验约束下的三维建筑模型。基于网格建模利用构造丰富的网格(如三角形和矩形)拟合点云表面,从而实现模型建立,其最大特点在于能对复杂模型结构进行重建。

总体而言,三维模型重建算法的发展趋势是自动化程度越来越高,所需人工干预越来越少,且应用面越来越广。然而,现有算法依然存在运算复杂度较高、只能针对单个物体且对背景干扰敏感等问题。研究具有较低运算复杂度且不依赖先验知识的全自动三维模型重建算法,是目前主要难点。同时,上述方式虽然能满足建筑施工过程模型重建的部分需要,但涉及大量人工操作,耗时且主观易出错,并多为几何或表面建模,不包含语义信息,不能充分发挥模型重建后的价值及不能用于BIM模型重建。因此,包含语义信息的体积建模方式是目前研究热点,也是难点。

适用于BIM模型重建的体积建模方式主要分为两类,分别为自上而下方式和自下而上方式。自上而下方式也称Scan vs BIM,是利用已有的先验知识进行点云解释,通过实际点云和虚拟点云比较提取并匹配圆形截面以生成既有建筑BIM模型。然而在建筑施工过程中,并未针对现有场景先验信息,因此并不符合施工过程中的应用场景。自下而上方式也称Scan to BIM,是在无先验知识情况下,只以扫描获得的点云模型为输入,并不断提取相关信息,直至可构建预期的BIM模型,是一种依靠建模逻辑来解释和利用点云数据的通用方法,也是该领域研究热点。核心步骤包括对象识别、几何建模与拓扑重建,如图1所示。

图1 自动模型重建核心步骤

3个步骤均需事先获取不同类别信息,包括建筑元素几何结构、对象类别和材质属性等非几何信息、建筑元素之间几何关系。对象识别的目的在于提取需要的目标点云和参数信息,方法则是语义分割。几何信息表示方法中可按参数与非参数、显性与隐性、全局与局部3个独立维度进行分类。参数化是指用参数表示,如用半径和圆心来表示圆;非参数化则可以用三角网格来表示物体。显性表示直接编码表示的对象;隐性则表示需通过中间参数来间接表示对象,如直方图。由于BIM模型通常由参数化的几何图元表示,因此显性参数化建模是BIM模型重建采用的策略。

对于全局或局部方法,前者通常是基于整个点云模型。该类几何重建方法的优点是可在点云中直接观察到对象几何结构,并且对象均可单独重建且不必担心结构中复杂连接问题。然而,这些方法产生的模型不易修改,而且在复杂对象中生成参数化的模型可能有挑战性。局部方法则是将点云模型分割或聚类成独立建筑元素进行处理,其策略是建造1组局部构件模型,这是目前广泛采用的一种方法,优点是能实现参数化建模,是目前建筑行业所需要的。拓扑重建目前有3种常用方法:单元分解、连接评估和形状语法[14]。

总体而言,基于点云数据进行BIM模型的自动化重建过程仍在探索中。但对于建筑施工领域,BIM模型的应用对项目管理、结构设计、方案审查等具有重要意义。因此,结合施工场景特点建立一个自动化重建系统,在输入点云数据和先验知识后可自动生成语义丰富的BIM模型是需要在未来不断推进点云和BIM技术协同应用于建筑施工过程中的关键。

3 基于点云技术的建筑施工质量检测

点云数据在建筑施工质量检测领域应用广泛,目前对于建筑质量检测研究主要分为建筑部件质量检测、建筑整体质量检测及建筑施工辅助结构质量检测3个方面。

3.1 建筑部件质量检测

建筑部件质量检测主要分为表面检测和尺寸检测,表面检测主要检测建筑部件裂缝、平整度等。但建筑施工过程的点云数据存在不准确性,很难克服噪点对扫描结果的影响。点云数据在建筑构件表面检测的逻辑性如图2所示,该方法虽系统性整理了建筑构件表面检测,但主要针对规则矩形及均匀厚度预制混凝土构件,对于更复杂的建筑结构,该体系应用表现较差。复杂建筑部件检测多通过辅助算法参与。辅助算法参与保证了结果鲁棒性和稳定性,实现了很好的可视化效果,为建筑部件质量检测提供了新思路。

图2 表面质量检测逻辑

对于尺寸检测多在点云数据基础上检测建筑部件特征边界,如基于PCA几何匹配、点云数据自动识别等。同样对于复杂结构尺寸检测结合贪心算法、蚁群算法、配准算法等多种算法的综合运用,以达到大型建筑复杂部件智能化检测的目的[15]。

建筑部件检测更加精细,对检测结果的准确性要求更高,传统人工检测模式也逐渐被淘汰,先进的扫描仪器和理论算法知识成为建筑部件质量检测支撑,由于建筑部件本身结构复杂且精准度高,允许误差范围小,不同构件间也相互联系影响,如何实现建筑部件高度精准性检测仍然是需要解决的问题,未来将持续推进BIM技术、先进算法和激光扫描结合的研究。

3.2 建筑整体质量检测

建筑整体质量检测与建筑构件质量检测不同,建筑整体质量检测需站在全局高度,主要体现在建筑整体变形检测。建筑整体变形受自然环境和地基等因素的相互作用影响,分为建筑位移、沉降、结构构造变形,即需对建筑整体垂直度和平整度进行检测,传统建筑整体检测主要使用全站仪、水准仪等人工主导参与的检测仪器,误差较大,同时很难反映建筑质量真实情况,随着倾斜摄影技术、三维激光扫描技术研究的深入,许多学者将其应用在建筑整体质量检测上,取得了很好的检测效果。

在建筑整体平整度检测方面,目前主要采用依靠传统靠尺采集数据。特殊建筑结构则多基于点云数据通过数据配准逆向建模的方式和正向设计比对,以达到建筑平整度的智能化与精准化检测。在建筑垂直度方面,传统方法将传感器和激光点云结合,该方法实施过程较复杂,在实际操作过程中往往会出现偏差,进而影响到结果判断。为简化复杂检测程序,目前逐渐对不同空间数据捕捉技术[16]进行多模态融合。后续大量学者根据此类技术实现了对建筑群质量检测和扫描,防止建筑发生倾斜、沉降等损坏。对复杂建筑高层结构来说,传统检测方法在整体质量检测上存在很大局限性,复杂建筑高层结构亟需高效、精准、可操作性强的整体质量检测方法。目前的研究主要集中在数据采集过程创新、检测过程时效性改进及智慧化等方面。

在建筑整体质量检测方面,主导技术方向由传统人工参与逐渐过渡到智能化扫描参与,同时随着相关算法发展及更优化更精准的墙面拟合多项式等理论的进步,在检测扫描平整度和垂直度方面也取得了更大应用,但考虑到建筑整体质量检测相对于构件检测处理的数据量更大,在智能扫描和数据处理等方面受到的局限性问题,目前研究推进的重点仍放在如何进行复杂场景下复杂异形结构建筑检测及如何推进更快速、更精准的整体质量检测方法。

3.3 建筑施工辅助结构质量检测

建筑施工辅助结构是建筑安全施工的重要辅助,如基坑支撑、挡土墙等。目前随着高层及超高层建筑规模增加,基坑工程发展越来越快,但由于高层建筑往往涉及在城市建筑物附近,施工场地狭小,基坑深度大,再加上易受到天气等多种因素的影响,基坑在施工过程中的质量检测受限,而挡土墙质量检测由于现代施工特点的原因,点云应用质量检测研究相比较少。

点云最初在基坑变形监测过程应用方面并不乐观,由于技术受限,点云数据扫描方式误差过大,只能反映基坑基础变化,无法做到实时监测。为解决这一问题,在发展数据采集技术(如地面Lidar、二维激光雷达等)的同时,多种优化方案被应用到基坑等建筑施工辅助结构质量检测过程中,如Geomagic Studio软件、视觉传达理论等。但由于这类辅助结构构造原因及图像和点云数据获取可能受光线、遮挡、纹理等因素影响,近年来由于广角相机操作更简单,点云数据在建筑施工辅助结构检测中的应用范围也在逐渐扩大。

建筑施工辅助结构检测随着技术进步发展也趋于智能化,由于辅助结构构造特点和环境特征,点云数据获取是需要解决的主要问题,因此,建筑施工辅助结构比建筑整体或构件本身更依赖扫描技术的发展,从数据采集阶段的参数优化设计到数据处理阶段的实时性与准确性,均需更稳定、更准确的设备技术。

4 基于点云技术的建筑施工现场管理

通过为建筑对象提供几何和语义数据,点云数据在施工阶段被用于提高生产效率、建筑质量和安全性[17]。

4.1 施工进度管理

基于点云数据的施工进度管理应用主要有2种:①事前基于点云数据建模分析,减少后续变更对进度产生的消极影响,优化工期;②施工过程中实时对现场信息进行采集、可视化和处理,辅助做出快速反应,实现施工过程中对施工进度的管理。

施工过程中遇到碰撞问题会造成财产与人力损失,并影响施工效率及进度。因此,在基于点云数据完成BIM逆向建模后,对于得到的能反映真实改造空间现状的场景模型,可在此基础上建立现有建筑物改造施工模型,在模型上进行深化设计或施工模拟[18],实现对进度的事前控制。

点云数据在施工过程中更多地被用于跟踪和监测施工活动进度。这一过程通过实时进行点云数据采集,并与包含进度计划的4D BIM模型进行比较,确定当前施工的实际进度,评估进度提前或滞后,辅助对现实做出快速反应,并进一步做出决策。

部分研究通过对各种施工活动中的实体或具体构件进行跟踪监测施工进度。此外,还可对其他次要构件和临时构件等进行监测。

对施工进度跟踪监测的关键在于实现点云数据对象识别的自动化。通过优化数据采集准确率、提高生成点云精度、提高计划与竣工比较检测过程的准确性、实现竣工和计划数据的实时比较等进一步提高进度监控的自动化水平。

4.2 施工质量管理

点云数据在工程质量控制中的应用主要集中在预控阶段。在质量预控阶段,相比于传统BIM建模方式,应用点云数据辅助建模可有效解决复杂环境带来的问题,常用于幕墙施工、重难点工程、旧建筑保护、修缮、扩建、改造或拆除等。在施工过程中,BIM和激光扫描可有效应用于质量控制,但如果只提供特定地点和时间的数据,且需大量时间与人力,则限制了其在施工过程中识别和管理质量缺陷的能力。因此,不断有研究致力于解决场地、时间与人力等因素带来的障碍,以使点云数据能被充分利用于质量实时监测中,辅助进行施工过程中的质量管理。参与质量监测的工作流程如图3所示。点云数据也被应用于质量追溯,如通过基于案例推理(CBR)方法,结合数据挖掘算法从数据中提取质量问题解决知识,以提高解决质量问题的能力[19]。

图3 质量监测工作流程

4.3 施工安全管理

基于点云数据提供建筑相关对象的准确几何信息的特点,点云数据被广泛应用于施工安全管理中,主要围绕施工现场、作业人员行为与施工设备3个方面。施工现场存在的安全隐患严重影响作业人员健康与安全。通过点云数据提供的与施工相关对象的精确几何信息,可对现场存在的安全隐患进行识别,如塌方、堆放规范性、资源时空运动等。在识别到安全隐患后,可基于此对作业人员行为进行安全管理,通过对安全隐患模拟,使可能发生的危险可视化,进行对作业人员的安全教育,有利于改善工人本身及其安全行为。

施工设备对安全的影响则主要体现在:设备操作人员在操作时往往处于设备操作室中,存在视野盲点,由此导致较多施工事故[20]。了解盲点有助于提高建筑工地安全性。

5 结论及展望

5.1 结论

目前点云技术在建筑施工管理中的应用研究主要涵盖三维重建、质量检验及现场管理3个维度。三维重建的研究集中在点云数据预处理、语义分割及逆向重建,质量检验则根据检验对象划分为建筑部件、建筑整体及辅助结构等,点云数据在施工现场管理方向的研究主要集中在施工进度、质量及安全3个方面。点云技术的应用对于提高建筑施工过程生产力和安全性、提高建筑施工过程数字化水平具有重要推动作用,目前也取得了良好的应用效果,但仍存在一定难点和问题。

1)点云数据处理算法适用性 利用获取的点云数据对建筑施工质量进行检测相比于传统检测方案和仪器能取得很好的精准度和稳定性,但目前仍存在智能算法和统计模型的适用性问题。目前存在非常多的智能算法和统计模型,在推进建筑质量检测中点云数据的缺陷检测、缺陷分割等方面存在很多应用,但在建筑领域的适用性上仍存在空缺。质量检测的实时性也是目前面临的问题之一,建筑质量检测需不断推进实时监测内容,不允许存在滞后性,任何滞后性将有可能造成安全事故发生,而点云数据获取和处理存在时间差。点云数据处理设备要求较高,而相关点云数据处理设备由于技术发展问题,缺少成熟的数据处理软件。

2)点云数据处理滞后性 点云数据获取通常与点云数据可视化和处理分离。在施工现场采集到的数据需到办公室使用计算机程序进行可视化和处理,因此,现场工程师无法及时从点云数据中获得有关施工活动重要信息。这种延迟阻碍了现场问题的及时识别和处理,使点云数据在施工进度跟踪、质量与安全实时管理等方面的应用效果大打折扣。目前有研究通过可穿戴设备在一定程度上实现了数据实时对比,但仍需进一步研究以发挥点云数据在实时施工管理上的潜力。

3)环境对识别准确率的影响 无论是进度、质量还是安全管理,对现场情况的准确识别都是点云数据应用的重要前提。三维点云数据的获取方式普遍受到环境影响,在实际施工中如果遇到不良环境条件(如雨天、雾天、阴天等)会提高对施工现场的识别难度。高效高质点云数据预处理和分割是后续进行点云三维重建的基础前提与保障。但建筑施工场景普遍存在严重遮挡、噪声点多、环境动态性复杂性程度高等问题。因此,实现点云预处理和分割过程中各工序的技术突破,以及面向建筑施工具体场景的技术应用仍是需面对的问题。在点云的三维重建过程中,尽管目前有许多经典的三维重建算法,在建筑施工领域也能进行借鉴应用,但在适用性和效率上仍存在差距。同时,实现基于点云数据的BIM模型三维重建是未来不断推进点云和BIM技术协同应用于建筑施工过程中的关键。但目前仍未形成成熟的技术应用,需要在未来不断深入。

4)数据处理过程自动化程度低 施工过程管理尚未实现完全自动化。许多自动化手段在实际操作中受到很多局限,仍需人力参与。虽然有诸如Trimble,Faro等激光点云扫描设备及配套的点云数据处理软件,但点云数据格式较多,不同软件间数据交互困难。此外,建筑工程施工过程环境复杂,同样会影响到点云数据自动化处理,导致诸如点云数据拼接过程中标靶点识别困难、拼接误差加大等情况出现。

5.2 展望

点云技术的研究主要集中在三维重建、质量检验及建筑施工现场管理,这3个研究维度互相关联紧密,但仍存在数据处理方面问题。本文对现有点云技术在建筑施工领域的研究进行综述,可发现目前研究处于一个发展期,由于点云技术核心是提供数据上的支撑,结合目前建筑产业数字化转型升级、建设“城市数据大脑”等数字化智慧化管理平台,推动数据整合共享等政策性发展要求,其未来发展将集中在通用点云数据平台、城市信息模型及施工过程数字孪生3个方面。

1)3个研究维度表现出的不同软件设备、工程阶段、不同利益相关方存在信息系统孤岛、跨系统数据无法共享等问题,之后的研究方向首先需从点云数据治理入手,实现点云数据多专业之间的交互应用及数据规范化。同时,点云数据治理还应发展成为一个通用平台进行管理,实现不同模态点云数据自由转化与应用。

2)不同点云数据通常相互独立,对数据进行三维建模后,同样三维模型间的关联信息少,目前点云数据主要应用于单体建筑施工。随着社会不断发展,不同三维模型间的位置关系、连接关系、建筑群与周边环境的关系逐渐受到关注。所以点云数据更需描述位置 3D 坐标,对其本身蕴含的强度、RGB颜色和语义信息等属性进行利用,为城市整体信息模型做数据支撑。高效、快速地实现点云数据通过语义扩充、逆向建模等方式构建城市信息模型将是今后研究的一大方向。

3)在建筑项目施工过程中会产生大量工程数据及点云数据,由于建筑施工场景普遍存在严重遮挡、噪声点多、环境动态性复杂性程度高等问题,这些数据价值密度低,将这些点云数据提炼,实现建筑施工过程实时管理是后续研究重点之一。数字化建造要求实现建筑的全过程、全要素、全参与方的数字化、在线化、智能化,因此,在通用点云数据平台基础上进行进一步应用,实现施工过程虚实映射的“数字孪生”。