用于数字建筑领域中基于边缘AI的工人跟踪与生产效率监测的增量学习框架

《AUTOMATION IN CONSTRUCTION》:Incremental learning framework for edge AI–enabled worker tracking and productivity monitoring in digital construction

【字体: 大 中 小 】 时间:2026年07月17日 来源:AUTOMATION IN CONSTRUCTION 12.6

编辑推荐:

  Saeed Malaekeh|Parviz Ghoddousi|Ali Akbar Shirzadi Javid•基于BLE的边缘AI框架,可实现施工现场区域内工人的实时定位。•结合CNN与MLP的混合模型通过增量学习方式,可适应施工过程的动态变化。•该系统定位准确率可达97%左

  
Saeed Malaekeh|Parviz Ghoddousi|Ali Akbar Shirzadi Javid
  • •
    基于BLE的边缘AI框架,可实现施工现场区域内工人的实时定位。
  • •
    结合CNN与MLP的混合模型通过增量学习方式,可适应施工过程的动态变化。
  • •
    该系统定位准确率可达97%左右,边缘端推理延迟低于80毫秒。
  • •
    通过增量更新,校准和训练工作量可减少约46%。
  • •
    低成本ESP32硬件可将定位功能与生产节拍规划流程相结合。

引言

建筑行业在追踪工人工作效率及资源分配方面面临诸多难题。复杂的施工现场环境要求采用能够保障安全、提升效率并优化工作流程的实时定位技术。BIM-Tracker研究表明,通过将摄像头拍摄的图像序列与三维建筑模型匹配,无需额外基础设施即可实现室内定位[1]。基于物联网的BIM研究显示,实时的环境数据与工人位置信息可整合到云端BIM平台中,为施工作业和设施管理提供支持[2]。基于BLE的移动定位技术可与云端BIM系统结合,用于检测工人是否处于危险区域,从而实现自动化的施工安全监控[3]。此外,基于BLE的实时室内定位技术还可通过将工人所在位置与任务级生产控制相关联,用于监测施工任务的进展情况[4]。
精益生产控制方法进一步说明了可靠的空间信息对建筑管理的重要性。“最后计划者系统”通过前瞻性规划、承诺规划以及学习机制,为提升工作流程的可靠性提供了框架[5]。关于劳动力流动可靠性的研究指出,确保材料、信息及设备的稳定供应对于提升精益施工中的劳动力效率至关重要[6]。重复性调度和平衡线法则通过维持各工序之间的资源连续性,为具有重复性作业的项目提供支持[7]。基于位置的需求拉动式规划研究则展示了如何将位置作为建筑与设计领域通用的规划要素,以此优化信息流并减少在制品数量[8]。基于位置的管理系统研究则表明,将基于位置的控制机制与“最后计划者系统”相结合,可降低工作流程的波动性,进而提升生产控制水平[9]。
与生产节拍相关的研究也强调了及时获取基于位置的数据的必要性。生产系统中的节拍时间研究显示,可变的节拍时间有助于在需求和定制化条件不断变化的情况下平衡工作负荷[10]。针对建筑行业的节拍规划研究指出,为在项目中落实节拍要求,需要开展包括设备选型、布局风险分析、材料管理以及每日路线规划在内的物流规划工作[11]。近期的节拍生产评估研究提出了基于时间、位置及工作数据的指标,用以评估节拍规划的合理性及其执行效果[12]。另有研究对比了在重复性住宅项目中基于位置的管理系统逻辑与“最后计划者系统”的规划方式[13];而节拍时间规划的相关案例研究则表明,通过将工作分解为更小的批次,并围绕节拍计划安排各项活动,可有效优化室内施工进度[14]。工作区域划分的研究进一步表明,为了实现基于节拍的负荷均衡,需根据工作密度信息将实际作业区域划分为不同的平衡区域[15]。综上所述,这些研究都表明,有效的生产控制离不开对工人、资源及工作包所在位置的精准掌握,这也凸显了在建筑项目中实现可靠实时定位的必要性。

章节摘要

背景

目标跟踪相关研究显示,室内/室外部署环境、传感器类型以及处理方式会显著影响跟踪系统的可行性和性能[16]。工业室内定位研究则将精度、成本、覆盖范围、扩展性以及应用需求视为选择室内定位及基于位置的服务技术时的关键标准[17]。无需专用设备的室内定位研究进一步指出,环境因素、传感器存在的模糊性以及物体身份识别等问题也会影响定位精度。

方法论

本节介绍了用于开发与评估所提出的基于BLE的边缘AI定位系统的方法框架。首先阐述了该系统的整体架构及数据收集流程,随后说明了用于准备特征数据、构建混合学习模型、采用增量更新策略,以及在不同施工环境条件下评估定位性能的具体方法。

结果

本节展示了基于BLE的定位系统在不同施工场景下的性能表现,重点分析了其定位准确率、对结构及环境变化的适应能力以及系统的扩展性。相关结果得到了经过优化的基于边缘端的机器学习模型的详细分析数据及性能指标的支持。通过在多层楼面进行的逐步数据收集,得出了若干重要结论,进一步凸显了增量学习方法的作用。

讨论

本节对主要研究结果进行了解读,将该系统的贡献与以往基于BLE/UWB/视觉技术的实时定位研究进行了对比,同时阐述了该系统在动态施工场所的生产控制中的应用价值。此外,还总结了该系统存在的局限性以及未来的研究方向。

结论

本文介绍了一种专为动态施工环境设计的自适应工人定位系统,该系统结合了基于BLE的实时定位技术、边缘计算以及增量机器学习技术。该框架已在结构与环境复杂度逐渐增加的多个施工阶段接受了测试。实验结果表明,所提出的基于CNN与MLP的增量学习模型能够实现约97%的区域级定位准确率,且实时推理延迟低于80毫秒。

数据与代码获取方式

数据集的匿名化样本及示例代码已存放在公共仓库中(参见参考文献[36])。提供这些资料旨在提升研究的透明度并便于他人复现实验结果。

CRediT作者贡献说明

Saeed Malaekeh:负责撰写原文初稿、可视化分析、结果验证、软件开发、项目管理工作,同时还参与了方法设计、相关研究以及正式的分析工作。Parviz Ghoddousi:负责项目监督工作。Ali Akbar Shirzadi Javid:同样承担项目监督职责。

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财务利益关系或个人关联关系。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号