多尺度几何语义建模在盾构隧道BIM和GIS中的应用

简介: 多尺度几何语义建模在盾构隧道BIM和GIS中的应用

《多尺度几何语义建模在盾构隧道BIM和GIS中的应用》


👨‍🏫 作者:Andre Borrmann(德国慕尼黑工业大学)


📅发表时间: 2015


📄 期刊:《Computer-Aided Civil and Infrastructure Engineering》(土木计算机技术顶刊)


🔗DOI:10.1111/mice.12090


大型基础设施的规划建设通过需要经过多维度的考量,以地铁轨道为例,我们要关心的重点大到以千米为计量的整体路线规划,小到厘米为计量的节点构造设计。这意味着一方面我们需要结合 GIS 和 BIM 技术,以达到分析、建模和可视化的目的;另一方面,我们需要一个稳定的基础架构来兼顾不同尺度下的模型表达。尽管多尺度建模的概念早已在 GIS 领域推广应用,但至今都未出现与基础设施 BIM 领域相对应的解决方案。但其实,BIM 环境中亟需引入多尺度的概念,因为不同设计阶段的信息细度呈递进式发展,在设计初期我们只有非常粗略的设计信息,而随着设计过程的不断深入,这些设计信息才会被逐步细化。为了解决这一需求,本文提出了多尺度 BIM 建模的概念,并将其运用在盾构隧道的几何语义建模中。本文详细分析了 CityGML 中的数据建模方法,并整理了基础设施规划项目的具体需求,在此基础上,探讨了对 BIM 数据标准( IFC) 的扩展,从而兼容盾构隧道的多尺度表达。而本文的侧重点则在于如何保存不同 Levels-of-Detail (LoD)模型之间的连续性,这其中包括两个方面,一是语义;二是几何。为了实现上述模型连续性机制,我们提出了采用几何过程描述的方法,从而使得不同 LoD 模型构件之间存在明确的依赖关系。这样一来,当我们修改低 LoD 的对象时,那些相关联的高 LoD 对象则会自动更新。最后,我们还研究了如何将多尺度盾构隧道模型转换为 CityGML 格式的文件。


7e2cce622d937303865fcfff2678a4f6.png


图1 GIS和BIM在不同尺度下的模型对比


174ea4dc7b1d8ca26e4905cc66d1af11.png


图2 草图的定义和后续的几何生成操作


b111f311a60d362ccc46dfa48a4de105.png


图3 当轨道的设计速度变化之后,超高形式和铁道轨距都会自动重新计算并生成


相关文章
|
3月前
|
安全 vr&ar
全息投影技术:三维影像的现实应用
【10月更文挑战第14天】全息投影技术以其独特的魅力和广泛的应用前景,正在逐步改变我们的生活和工作方式。通过深入了解其原理和应用,我们可以更好地利用这一技术,为各个领域的发展注入新的活力。让我们期待全息投影技术在未来带来的更多惊喜和变革。
|
4月前
|
知识图谱
KDD 2024:Emory提出最新PolygonGNN框架:可捕捉通用多边形内外的空间关系
【9月更文挑战第16天】近年来,多边形表示学习在形状编码、建筑模式分类和地理问答等应用中至关重要。然而,现有研究多聚焦于单个多边形,忽视了多边形间复杂关系。为解决此问题,Emory大学团队提出了PolygonGNN框架,通过异质可见性图整合内外关系,并引入异质生成树采样提升计算效率。该框架设计了旋转平移不变的几何表示,适用于多种场景。实验结果显示,PolygonGNN在多个任务上表现优异,但在处理大规模场景时仍面临计算复杂度挑战,并未充分考虑拓扑结构和语义信息的影响。
50 2
|
8月前
|
传感器 机器学习/深度学习 自动驾驶
【多模态融合】CRN 多视角相机与Radar融合 实现3D检测、目标跟踪、BEV分割 ICCV2023
本文介绍使用雷达与多视角相机融合,实现3D目标检测、3D目标跟踪、道路环境BEV分割,它是来自ICCV2023的。CRN,全称是Camera Radar Net,是一个多视角相机-雷达融合框架。 通过融合多视角相机和雷达的特性,生成语义丰富且空间精确的BEV特征图。实现3D物体检测、跟踪和BEV分割任务。
717 1
|
安全 知识图谱
三维点云的开放世界理解,分类、检索、字幕和图像生成样样行
三维点云的开放世界理解,分类、检索、字幕和图像生成样样行
296 0
|
编解码 人工智能 定位技术
联合NeRF与特征网格,实现超大规模城市渲染,高效且逼真
联合NeRF与特征网格,实现超大规模城市渲染,高效且逼真
171 0
|
算法 计算机视觉
传统图像处理之几何特征寻找算法(一)
传统图像处理之几何特征寻找算法(一)
229 0
|
算法 计算机视觉
传统图像处理之几何特征寻找算法(二)
传统图像处理之几何特征寻找算法(二)
182 0
|
数据挖掘
实验三:遥感影像目视解译与非监督分类
实验三:遥感影像目视解译与非监督分类
273 0
|
传感器 机器学习/深度学习 人工智能
ECCV2022 | 激光雷达点云的开放世界语义分割
三维激光雷达传感器在自主车辆感知系统中发挥着重要作用。近年来,激光雷达点云的语义分割发展非常迅速,受益于包括SemanticKITTI和nuScenes在内的注释良好的数据集。然而,现有的激光雷达语义分割方法都是封闭集和静态的。闭集网络将所有输入视为训练过程中遇到的类别,因此它会错误地将旧类的标签分配给新类,这可能会带来灾难性后果。
ECCV2022 | 激光雷达点云的开放世界语义分割
|
传感器 人工智能 数据可视化
点云配准新方案!SuperLine3D:激光雷达点云中的自监督线分割和描述子提取(ECCV2022)
电线杆和建筑物的轮廓是城市道路上随处可见的物体,可为计算机视觉提供可靠的提示。为了重复提取它们作为特征并在离散的LiDAR帧之间实现关联以进行点云匹配。本文提出了一个用于LiDAR点云中3D线的基于学习的特征分割和描述子模型。
点云配准新方案!SuperLine3D:激光雷达点云中的自监督线分割和描述子提取(ECCV2022)