【原】數(shù)字孿生中的人工智能——技術(shù)現(xiàn)狀、挑戰(zhàn)和未來研究課題

智能交通技術(shù) 2022-10-31 發(fā)布于北京

展開全文

作者：呂志涵、謝淑軒（音譯）

摘要

隨著數(shù)字化進程的推進，大數(shù)據(jù)、人工智能（AI）、云計算、數(shù)字孿生、邊緣計算等先進的計算機技術(shù)已應(yīng)用于各個領(lǐng)域。為研究數(shù)字孿生與AI結(jié)合的應(yīng)用現(xiàn)狀，本文通過研究當(dāng)前已發(fā)表文獻的研究成果，對AI在數(shù)字孿生中的應(yīng)用和前景進行了分類。本文從航空航天、生產(chǎn)車間智能制造、無人駕駛汽車、智慧城市交通四大領(lǐng)域探討了數(shù)字孿生體的應(yīng)用現(xiàn)狀，并回顧了當(dāng)前面臨的挑戰(zhàn)和未來需要期待的話題。研究發(fā)現(xiàn)，數(shù)字孿生與AI的融合在航空航天飛行探測仿真、故障預(yù)警、飛機組裝甚至無人飛行方面具有顯著效果。在汽車自動駕駛的虛擬仿真測試中，可以節(jié)省80%的時間和成本，相同的路況降低了實際車輛動力學(xué)模型的參數(shù)尺度，大大提高了測試精度。在生產(chǎn)車間的智能制造中，建立虛擬工作場所環(huán)境可以提供及時的故障預(yù)警，延長設(shè)備的使用壽命，確保車間整體運行安全。在智慧城市交通中，模擬真實的道路環(huán)境，恢復(fù)交通事故，使交通狀況清晰高效，快速準(zhǔn)確地進行城市交通管理。最后，我們展望了數(shù)字孿生和人工智能的未來，希望為未來相關(guān)領(lǐng)域的研究提供參考。

介紹

數(shù)字孿生（DT）最重要的靈感來自真實物理系統(tǒng)和數(shù)字網(wǎng)絡(luò)空間模型之間反饋的需求[1]。人們試圖在數(shù)字空間中重現(xiàn)物質(zhì)世界中發(fā)生的事情。只有使用循環(huán)反饋的全生命周期跟蹤才是整個生命周期的真正概念[2]–[4]。通過這種方式，可以在整個生命周期中真正確保與物質(zhì)世界的數(shù)字一致性?；跀?shù)字模型的各種模擬、分析、數(shù)據(jù)積累、挖掘，甚至人工智能應(yīng)用，都可以確保它適用于真實的物理系統(tǒng)[5]–[7]。智能系統(tǒng)的智能必須首先被觀察、建模、評估和推理。如果數(shù)字孿生體沒有對實際生產(chǎn)系統(tǒng)的準(zhǔn)確建模描述，就無法實現(xiàn)智能制造系統(tǒng)[8]。

基于機器學(xué)習(xí)（ML）的AI應(yīng)用程序通常被認為是制造業(yè)中一項有前途的技術(shù)[9]。然而，ML方法需要大量高質(zhì)量的訓(xùn)練數(shù)據(jù)集。在監(jiān)督式 ML 的情況下，通常需要手動輸入來標(biāo)記這些數(shù)據(jù)集[10]。這種方法成本高、容易出錯且耗時，尤其是在復(fù)雜而動態(tài)的制造環(huán)境中[11]。阿列克斯普等人(2020)[12]指出數(shù)字孿生模型可以通過生成適當(dāng)?shù)挠?xùn)練數(shù)據(jù)集并通過模擬工具鏈自動標(biāo)記來加速ML訓(xùn)練階段，從而減少用戶對訓(xùn)練過程的參與。這些合成數(shù)據(jù)集可以使用不需要大量使用的廣泛真實世界數(shù)據(jù)進行擴展和交叉驗證。范等人(2021)[13]研究并提出災(zāi)難城市數(shù)字孿生概念的愿景，該概念可以實現(xiàn)信息和通信技術(shù)（ICT）在危機信息學(xué)和災(zāi)難響應(yīng)中的跨學(xué)科集成。這涉及結(jié)合人工智能算法和方法，以加強不同利益相關(guān)者之間的情況評估、決策和協(xié)調(diào)，從而提高對復(fù)雜災(zāi)害響應(yīng)和人道主義援助動態(tài)的可見性。根據(jù)拉希德等人的（2019）[14]研究，數(shù)字孿生是復(fù)雜系統(tǒng)的自適應(yīng)模型。計算管道、多物理場求解器、人工智能、大數(shù)據(jù)控制論、數(shù)據(jù)處理和管理工具的最新發(fā)展使數(shù)字孿生的前景及其對社會的影響更接近現(xiàn)實。數(shù)字孿生目前在廣泛的應(yīng)用中是一個顯著上升的趨勢。也稱為計算巨型模型、設(shè)備影子、鏡像系統(tǒng)、化身或同步虛擬原型。因此，數(shù)字孿生不僅在我們?nèi)绾螛?gòu)建和管理網(wǎng)絡(luò)物理智能系統(tǒng)方面發(fā)揮著變革性的作用，而且在我們?nèi)绾未龠M多學(xué)科系統(tǒng)的模塊化以解決基本障礙方面也發(fā)揮著變革作用。

本文旨在綜述數(shù)字孿生結(jié)合人工智能技術(shù)在各個領(lǐng)域的應(yīng)用現(xiàn)狀，以及當(dāng)前面臨的挑戰(zhàn)和未來需要研究的課題。我們希望為數(shù)字孿生在各行業(yè)的應(yīng)用研究提供理論依據(jù)，并具有一定的啟發(fā)性效果。

數(shù)字孿生中人工智能技術(shù)的研究現(xiàn)狀

數(shù)字孿生中的人工智能

密歇根大學(xué)的Michael Grieves教授博士在2003年[15]首次提出了數(shù)字孿生的概念。它也被稱為數(shù)字鏡像和數(shù)字映射。它是一個物理對物理世界或數(shù)字表達的系統(tǒng)。理解它在虛擬世界中是簡單明了的。在現(xiàn)實世界中復(fù)制真實事物是一個超越現(xiàn)實的概念[15]。它是一個數(shù)字仿真過程，使用物理模型、傳感器設(shè)備和歷史操作數(shù)據(jù)集成了多個學(xué)科、物理量、尺度和概率。據(jù)Gartner稱，數(shù)字孿生是2019年十大關(guān)鍵技術(shù)趨勢之一。據(jù)估計，到2020年，將有超過200億個傳感器和終端連接起來，數(shù)字孿生將連接數(shù)十億個物理設(shè)備，試圖在虛擬世界中盡可能多地模擬物理世界的實際情況。[3]、[16]、[17]。這一預(yù)測已經(jīng)得到驗證，筆者認為，2021年該技術(shù)將使用更多的傳感器和終端設(shè)備。由于數(shù)字孿生的優(yōu)勢越來越突出，數(shù)字孿生的研究領(lǐng)域多樣，主要集中在計算機集成制造領(lǐng)域，發(fā)展過程經(jīng)歷了多個階段[18]，如下圖 1所示。

圖 1.數(shù)字孿生的發(fā)展歷史

數(shù)據(jù)采集、數(shù)據(jù)建模和數(shù)據(jù)應(yīng)用是數(shù)字孿生的三個主要方面。數(shù)據(jù)采集是指充分利用衛(wèi)星遙感、傾斜航空攝影測量、激光雷達測量、相機等技術(shù)，從完整的物理空間場景中獲取三維數(shù)據(jù)[19]。傳感器的功能是獲取現(xiàn)實世界中不同種類的真實數(shù)據(jù)[20]。數(shù)據(jù)收集的技術(shù)難點和關(guān)鍵是數(shù)據(jù)收集的高精度和高效率，這決定了數(shù)據(jù)收集的質(zhì)量、效率和成本。

在獲取大量原始物理世界數(shù)據(jù)后，進行數(shù)據(jù)建模，并利用自動建模工具進行進一步處理，生成物理世界實際恢復(fù)的三維模型。除了環(huán)境的高精度虛擬重建外，數(shù)字孿生數(shù)據(jù)在支持各種操作流程方面也更有效。數(shù)據(jù)建?？煞譃閮刹糠郑嚎梢暬?D建模[21]和語義建模[22]?？梢暬?3D 建模是對物理世界的 3D 再現(xiàn)。數(shù)字孿生的語義建模包括“結(jié)構(gòu)化”收集的數(shù)據(jù)并識別車輛、道路、人員和內(nèi)部對象等對象。映射概念如圖2 所示。

圖2.數(shù)字孿生的概念

人工智能作為計算機科學(xué)的一門學(xué)科，不僅改變了我們的生活，也改變了許多行業(yè)。它試圖理解智能的基礎(chǔ)，以便創(chuàng)造一種新的智能機器，能夠以類似于人類智能的方式做出反應(yīng)。機器人、語言識別、圖像識別、自然語言處理和專家系統(tǒng)都是該學(xué)科的研究領(lǐng)域[23]。計算機、機器人、經(jīng)濟和政治決策、控制系統(tǒng)和模擬系統(tǒng)都采用人工智能。如圖3所示，它正在悄悄地改變我們的生活方式。我們可以使用地圖軟件來避免外出開車時的擁堵；我們佩戴的智能手表可以幫助我們監(jiān)測和預(yù)測健康風(fēng)險；我們家里的機器人可以用父母的聲音給我們的寶寶講故事；我們的掃地機器人可以輕松清潔大型復(fù)式房屋。將人工智能與數(shù)字孿生相結(jié)合將在我們生活的方方面面產(chǎn)生難以想象的變化[24]–[26]。

圖3.人工智能在數(shù)字孿生生態(tài)仿真分析中的應(yīng)用

基于數(shù)字孿生的AI技術(shù)應(yīng)用現(xiàn)狀

數(shù)字孿生中的人工智能是一個普遍適用的理論和技術(shù)體系，應(yīng)用廣泛，如產(chǎn)品設(shè)計、設(shè)備制造、醫(yī)學(xué)分析、航空航天等領(lǐng)域。目前，我國應(yīng)用最深入的是工程建設(shè)領(lǐng)域，智能制造在研究領(lǐng)域獲得了最大的吸引力。應(yīng)用領(lǐng)域的分類圖如圖4所示。

圖4.數(shù)字孿生中人工智能應(yīng)用領(lǐng)域的分類

數(shù)字孿生在航空航天領(lǐng)域的使用。數(shù)字孿生的概念最初是為了在航空航天領(lǐng)域使用而提出的。例如，數(shù)字孿生用于飛行模擬和航空航天飛行機器的維護和質(zhì)量保證過程[27]。在數(shù)字空間中建立真實的飛機模型，然后利用傳感器對數(shù)字空間進行整合。飛機的狀態(tài)與現(xiàn)實中飛行飛機的狀態(tài)同步。通過這種方式，每架飛機起飛和降落的過程都被模擬并存儲在數(shù)字空間中。通過數(shù)字空間的數(shù)據(jù)分析，可以清楚地了解飛機是否需要維護，是否可以進行下一次飛行[27]–[29]。

尤爾克維奇等人的研究目的(2021)[30]是開發(fā)用于數(shù)字空中交通管制的神經(jīng)模型。該方法采用分布式組織和技術(shù)系統(tǒng)的物理自組織社交網(wǎng)絡(luò)的概念，其組件連接到無線4G和5G網(wǎng)絡(luò)。這種方法的優(yōu)點是分析和管理的原理非常有前途，并且與混合人工智能具有復(fù)雜的集成。

戴等人(2021)[31]表明自動駕駛無人機（UAV）系統(tǒng)作為安全關(guān)鍵系統(tǒng)，需要不斷提高其可靠性和安全性。另一方面，測試復(fù)雜的自動駕駛控制系統(tǒng)是一個時間和金錢密集型項目，需要在項目增長期間進行多次外部飛行測試[32]。因此，提出了一種自動駕駛平臺內(nèi)部自動化測試系統(tǒng)，以提高無人機開發(fā)的效率和安全性[33]。隨著無人駕駛飛機技術(shù)的發(fā)展，無人駕駛飛機的應(yīng)用越來越多，并被視為未來智慧城市基礎(chǔ)設(shè)施的重要組成部分[34]–[36]。同時，與基于無人機的應(yīng)用程序相關(guān)的安全和隱私威脅需要適當(dāng)?shù)臏y試和監(jiān)視技術(shù)。對于一個在通用無人機架構(gòu)上促進基于無人機的應(yīng)用程序的管理和性能的平臺，Grigoropoulos等人(2020)[37]提供模擬環(huán)境和數(shù)字孿生支持。首先，仿真環(huán)境可以對平臺本身和平臺上運行的應(yīng)用程序的功能進行深入測試，然后可以部署到現(xiàn)實世界中。部署后，數(shù)字孿生用于發(fā)現(xiàn)應(yīng)用程序之間的差距和預(yù)期行為，從而在執(zhí)行仿真測試或未發(fā)現(xiàn)故障時用作錯誤指示器。維護已經(jīng)從“事后維護”和“預(yù)防性維護”演變?yōu)椤邦A(yù)測性維護”，使其成為航空業(yè)最關(guān)鍵的組成部分之一。精準(zhǔn)維護是未來的發(fā)展路徑，目的是保證運行安全，降低協(xié)同優(yōu)化目標(biāo)和運營成本[38]。為了提高發(fā)動機預(yù)測性維護的效果，熊等人(2020)[39]研究了數(shù)字孿生驅(qū)動的飛機發(fā)動機預(yù)測性維護框架，發(fā)現(xiàn)了隱式數(shù)字孿生IDT（隱式數(shù)字孿生）模型。模型的有效性是通過評估虛擬和實際數(shù)據(jù)資產(chǎn)的一致性來確定的。通過集成數(shù)據(jù)驅(qū)動的深度學(xué)習(xí)（DL）方法[40]證明了該方法的有效性。使用LSTM（長短期記憶）模型[41]并以航空發(fā)動機為例。

如圖5所示，與其他行業(yè)相比，飛機總成具有結(jié)構(gòu)復(fù)雜、零件數(shù)量龐大、對產(chǎn)品空氣動力學(xué)形狀要求極其嚴格等特點[42]。因此，必須使用專業(yè)的裝配架，以確保零件在安裝過程中不會受到人為因素的影響，從而導(dǎo)致變形和裝配錯誤的問題[43]。僅以傳統(tǒng)的工程圖紙進行工藝設(shè)計和生產(chǎn)裝配為基礎(chǔ)，很難保證嚴格的精度要求。數(shù)字孿生技術(shù)的出現(xiàn)為飛機裝配過程與現(xiàn)場信息反饋控制之間及時有效的交互提供了可能性[44]。梁等人(2020)[45]指出飛機核心部件和數(shù)字孿生的全場位移感知在精密生產(chǎn)（如航空制造）中起著至關(guān)重要的作用。在研究中，提出了一種結(jié)合在線多點位移監(jiān)測與矩陣完備理論相結(jié)合的實時全場位移傳感方法，建立了基于多點觀測信息的全場位移感知概念模型。HPP（高精度產(chǎn)品）[46]是一種多學(xué)科耦合的高精度產(chǎn)品，經(jīng)常應(yīng)用于航空航天、海洋、化工等行業(yè)。正是因為HPP的內(nèi)芯復(fù)雜而緊湊，而包含跨學(xué)科耦合的裝配過程對精度要求很高。依靠手工經(jīng)驗的傳統(tǒng)裝配方法效率低下，質(zhì)量不一致。針對上述問題，孫等人(2020)[47]研究并提出了一種數(shù)字孿生驅(qū)動的HPP組裝和調(diào)試方法。提供了數(shù)字孿生驅(qū)動裝配與調(diào)試的理論架構(gòu)，以及基于數(shù)字孿生技術(shù)的裝配與調(diào)試全元信息模型構(gòu)建方法。

圖5.基于數(shù)字孿生的飛行壽命預(yù)測

針對民用航空器質(zhì)量偏差控制系統(tǒng)存在的問題，質(zhì)量偏差控制數(shù)據(jù)分散在眾多管理系統(tǒng)中，無法從有關(guān)航空器整個生命周期中收集質(zhì)量數(shù)據(jù)相關(guān)信息；缺乏用于質(zhì)量數(shù)據(jù)分析和質(zhì)量偏差控制的閉環(huán)網(wǎng)絡(luò)物理融合系統(tǒng)[48]。因此，定位質(zhì)量偏差問題很困難，處理這些問題需要很長時間。蔡等人(2021)[48]研究并提出了基于數(shù)字孿生的質(zhì)量偏差控制模型。利用基于資產(chǎn)管理技術(shù)的數(shù)字孿生建模，檢索和合并多源異構(gòu)定性偏差數(shù)據(jù)，構(gòu)建質(zhì)量偏差體系。該系統(tǒng)采用FP-growth關(guān)聯(lián)規(guī)則算法對飛機質(zhì)量偏差數(shù)據(jù)進行評估，系統(tǒng)可以提供結(jié)果，以輔助裝配現(xiàn)場，并最大限度地提高在現(xiàn)實世界中糾正質(zhì)量問題的性能和正確性[49]。

根據(jù)上述討論，數(shù)字孿生在航空航天工業(yè)中提供了廣泛的用途，包括飛機飛行路線的數(shù)字模擬，故障和維修的及時報告以及無人機性能的測試。這些領(lǐng)域取得了重大突破和進展。

數(shù)字孿生在自動駕駛智能化中的應(yīng)用。隨著深度學(xué)習(xí)和大數(shù)據(jù)分析技術(shù)的進步，人工智能應(yīng)用正在迅速發(fā)展。其中，必須使用人工智能算法開發(fā)自動駕駛系統(tǒng)。在現(xiàn)實生活中，自動駕駛技術(shù)可以減少交通事故，實現(xiàn)時空等資源利用的效率，甚至為殘疾人的駕駛過程提供極大的便利。然而，由于自動駕駛的技術(shù)要求很高，在虛擬仿真環(huán)境中對數(shù)字孿生進行模擬駕駛的需求已成為不可或缺的一步[50]。

在自動駕駛汽車真正上路之前，必須經(jīng)過嚴格的虛擬仿真測試，以確保安全[51]。在傳統(tǒng)的虛擬仿真測試環(huán)境中，HTL（高閾值邏輯）設(shè)備[52]通常用于安全和主動性能測試。但在這種測試中，只有控制器是真實的，其他因素，如駕駛員、變速箱、動力、道路環(huán)境和其他與控制器相關(guān)的內(nèi)容都是在虛擬環(huán)境中模擬的。由于目前計算機水平有限，仿真環(huán)境不能設(shè)置得太復(fù)雜，所以被測車對象的性能不是那么準(zhǔn)確，測試精度有一定的偏差。當(dāng)然，在真實環(huán)境中進行測試無疑是最好的選擇，但由于物理條件的各種限制，不可能每次都保持統(tǒng)一的測試場景。因此，應(yīng)實施基于數(shù)字孿生技術(shù)與實際道路環(huán)境相結(jié)合的自動駕駛仿真測試測試評估系統(tǒng)]53]。數(shù)字孿生測試架構(gòu)圖如圖6所示。

圖6.自動駕駛數(shù)字孿生虛擬場景測試的整體架構(gòu)

拉林等人(2019)[54]指出，基于物聯(lián)網(wǎng)（IoT）技術(shù)的自動駕駛汽車的目標(biāo)是整合互聯(lián)汽車，并將它們變成可以自動移動的“物體”。該技術(shù)面臨的重要挑戰(zhàn)之一是確保各種組件和物聯(lián)網(wǎng)系統(tǒng)的兼容性，例如為車輛和道路設(shè)備以及傳感器提供服務(wù)。采用的解決方案是使用物聯(lián)網(wǎng)領(lǐng)域的國際標(biāo)準(zhǔn)化組織聯(lián)合物聯(lián)網(wǎng)平臺和oneM2M互操作性平臺，以確保所有組件之間的通信沒有障礙。阿爾梅貝等人(2021)[55]指出，數(shù)字化轉(zhuǎn)型時代帶來的新工業(yè)革命使得在制造和運輸過程中使用越來越多的人工智能和自動化技術(shù)成為可能。數(shù)字孿生概念在自動駕駛汽車上的應(yīng)用得益于數(shù)字時代推動的結(jié)果。而且，確保自動駕駛汽車的安全可以有效減少交通事故的發(fā)生。此外，在駕駛時保持駕駛員與行人之間的安全距離也有顯著的好處。

為使能智能制造安全運輸系統(tǒng)，實現(xiàn)端到端運輸模式，研究提出采用全新的安全設(shè)計，增強整個自動駕駛系統(tǒng)的靈活性和安全性。云等人的研究.(2021)[56]指出，基于數(shù)字孿生的計算機仿真是自動駕駛汽車設(shè)計中不可或缺的一步。但是，要設(shè)計出與真實路況完全相同的模擬環(huán)境需要付出很多努力，而且成本效益非常低，因為必須實現(xiàn)很多東西。在這項研究中，提出了一種使用網(wǎng)絡(luò)游戲“GTA5”（俠盜獵車手V）作為自動駕駛汽車模擬基礎(chǔ)的方法。GTA5 在線游戲可以用作適當(dāng)?shù)哪M工具，因為它具有一系列理想的物品、行人和高速公路。通過使用OpenCV捕獲GTA5游戲屏幕[57]并用Python的YOLO分析它（你只活一次）[58]和張量流[59]，通過設(shè)計算法可以建立高精度的物體識別系統(tǒng)，避免物體碰撞和不同車道識別。

將數(shù)字孿生應(yīng)用于自動駕駛領(lǐng)域，城市或市級數(shù)字孿生數(shù)據(jù)可以作為高精度地圖，即汽車運行的基礎(chǔ)環(huán)境數(shù)據(jù)。筆者認為，汽車制造商、自動駕駛設(shè)備制造商和綜合解決方案提供商都需要這項技術(shù)的普及。一方面，由于自動駕駛的測試環(huán)境非常有限且成本高昂，數(shù)字孿生可以為客戶提供自動駕駛仿真系統(tǒng)作為解決方案。使用虛擬仿真的自動駕駛系統(tǒng)可以驗證傳感器性能和車輛算法的可靠性。另一方面，它可以作為實際自動駕駛環(huán)境中的映射數(shù)據(jù)之一。汽車制造商可以使用數(shù)字測試場對車輛性能進行虛擬測試，例如車輛動力學(xué)、舒適性和耐用性。虛擬測試軌道是在地面上進行測試的道路。虛擬環(huán)境和真實場景要求盡可能逼真，包括固定車輛、路標(biāo)、行人、斑馬線、障礙物、移動車輛以及場景中的車道數(shù)。當(dāng)然，隨著自動駕駛領(lǐng)域技術(shù)的不斷提升，對虛擬測試場景的技術(shù)復(fù)雜度的要求也越來越高，因此我們需要開發(fā)更完整的架構(gòu)。

因此，通過數(shù)字孿生自動駕駛測試至少可以節(jié)省80%的時間成本，并且可以重復(fù)測試相同的路況，從而減少了實際車輛動力學(xué)模型的參數(shù)尺度，大大提高了測試結(jié)果的準(zhǔn)確性[54]。筆者認為，在虛擬場景中操作的過程可以避免真實交通條件下可能發(fā)生的事故概率，還可以減少不必要的物質(zhì)損失，從而降低企業(yè)成本。因此，數(shù)字孿生在自動駕駛領(lǐng)域的使用為汽車制造和性能測試開辟了新的思路。

數(shù)字孿生在智能制造中的應(yīng)用。隨著世界各國智能制造技術(shù)的不斷發(fā)展，制造業(yè)的信息化水平正在逐步提高。為了提高產(chǎn)品生產(chǎn)率，及時處理生產(chǎn)過程中的突發(fā)事件，企業(yè)必須加強生產(chǎn)車間各模塊的管理和控制措施，提高企業(yè)對生產(chǎn)過程的控制能力。而且，消費者對產(chǎn)品的個性化要求更高，導(dǎo)致企業(yè)在生產(chǎn)過程中面臨大量的數(shù)據(jù)、數(shù)據(jù)需求和數(shù)據(jù)結(jié)構(gòu)，這使得企業(yè)難以管理和分析數(shù)據(jù)。因此，在制造過程中，如何有效及時地反饋生產(chǎn)車間設(shè)備的使用狀態(tài)和故障預(yù)警，成為當(dāng)前智能制造行業(yè)的一大難題。

大數(shù)據(jù)、人工智能、物聯(lián)網(wǎng)、邊緣計算等現(xiàn)代先進信息技術(shù)的發(fā)展，推動了傳統(tǒng)制造向智能制造的轉(zhuǎn)型。智能制造最關(guān)鍵的特點是自主性和主動自我優(yōu)化。周等人(2020)[60]研究并提出了面向智能制造的數(shù)字孿生制造單元轉(zhuǎn)型的知識驅(qū)動系統(tǒng)框架，可以智能感知、模擬、理解、預(yù)測、優(yōu)化和控制。它不僅可以最大限度地提高產(chǎn)品質(zhì)量，還可以降低生產(chǎn)成本。智能制造與其說是傳統(tǒng)制造業(yè)面臨的挑戰(zhàn)，不如說是機遇。智能制造的可持續(xù)性特征更加明顯。李等人(2020)[61]研究如何構(gòu)建面向智能制造項目的可持續(xù)發(fā)展評價數(shù)字孿生驅(qū)動系統(tǒng)，并基于經(jīng)典數(shù)字雙映射系統(tǒng)開發(fā)了數(shù)字孿生驅(qū)動系統(tǒng)。信息架構(gòu)是智能制造項目可持續(xù)增長的關(guān)鍵解決方案。隨著傳感器技術(shù)和數(shù)據(jù)處理的進步，基于信息物理系統(tǒng)的智能制造已成為制造業(yè)發(fā)展的主要趨勢。鑒于離散生產(chǎn)車間的多樣性和波動性，控制制造工作場所的碳排放存在某些問題。張等人(2019)[62]研究并提出了智能制造車間數(shù)字孿生驅(qū)動的碳排放預(yù)測控制模型，該模型結(jié)合了最新的計算機技術(shù)和低碳控制技術(shù)，在虛擬車間中對模型進行了驗證和優(yōu)化。

數(shù)字孿生車間是智能制造的核心組成部分。它們由實體車間、虛擬車間、車間服務(wù)系統(tǒng)和車間孿生數(shù)據(jù)組成，其中虛擬車間是最重要的組成部分。虛擬車間的建設(shè)從三個方向開始，由幾個要素組成：使用虛擬數(shù)字幾何模型來表示車間的環(huán)境元素，包括車間人員、機器、產(chǎn)品等。行為要素包括車間內(nèi)設(shè)備的速度軌跡和不同的生產(chǎn)指令等生產(chǎn)要素，模擬車間內(nèi)設(shè)備的運行狀態(tài)。規(guī)則元素利用車間現(xiàn)有的物理環(huán)境對生產(chǎn)過程進行評估、分析、預(yù)測和優(yōu)化，實現(xiàn)虛擬車間的建立。如圖7 所示。在實際生產(chǎn)過程中，設(shè)備故障時有發(fā)生，影響生產(chǎn)進度和成本。如果在故障發(fā)生后進行維修，往往很困難，需要大量的人力物力進行故障篩選。因此，對設(shè)備的故障和設(shè)備的使用壽命進行預(yù)警尤為重要。

圖7.虛擬車間設(shè)備故障預(yù)警示意圖

趙等人的研究(2019)[63]針對數(shù)字孿生車間的實時視覺監(jiān)控，提出了一種基于車間實時數(shù)據(jù)的三維視覺監(jiān)控方法。研究了數(shù)字孿生工作場所與三維可視化實時監(jiān)控之間的交互作用。提出了一種多級可視化監(jiān)控模式和實時數(shù)據(jù)驅(qū)動的虛擬車間運行模式。該文詳細介紹了車間幾何建模、車間實時數(shù)據(jù)管理、車間多級三維可視化監(jiān)控、車間狀態(tài)板施工方法。通過實際算例驗證了所提方法的有效性。吳等人的研究(2019)[64]指出，車間生產(chǎn)線在智能車間設(shè)備的基礎(chǔ)上，結(jié)合關(guān)鍵數(shù)字化技術(shù)的運用。主要采用虛實數(shù)據(jù)同步通信和虛實映射技術(shù)，實現(xiàn)物理實體數(shù)字仿真的超現(xiàn)實虛擬實時。車間中的物品可以根據(jù)實際應(yīng)用進行開發(fā)，并且可以在內(nèi)部構(gòu)建智能車間的虛擬模型。作業(yè)車間調(diào)度在生產(chǎn)過程中始終至關(guān)重要，也是影響制造效率的最關(guān)鍵因素之一。在實際生產(chǎn)調(diào)度過程中存在一些未知事件、信息不對稱、異常干擾等，會產(chǎn)生執(zhí)行偏差，損害調(diào)度執(zhí)行的效率和質(zhì)量。傳統(tǒng)的調(diào)度策略不足以有效解決這些問題。方等人(2019)[65]提出針對數(shù)字孿生的興起，具有虛擬現(xiàn)實交互、實時映射和共生進化的特點，提出一種基于數(shù)字孿生的作業(yè)車間調(diào)度新方法，以減少調(diào)度偏差。

基于以上研究，可以證明數(shù)字孿生在智能制造領(lǐng)域取得了突破，尤其是虛擬車間的使用，可以大大降低設(shè)備故障的概率，還可以幫助員工及時調(diào)整車間的整體調(diào)度，提高設(shè)備生產(chǎn)效率。數(shù)字孿生技術(shù)可以在智能制造領(lǐng)域?qū)崿F(xiàn)產(chǎn)品、制造過程乃至整個工廠的虛擬仿真，從而提高產(chǎn)品研發(fā)和制造企業(yè)制造的生產(chǎn)效率。此外，它還可以在虛擬三維空間中創(chuàng)建產(chǎn)品。通過修改各種尺寸和裝配關(guān)系的零部件和產(chǎn)品，可以大大簡化產(chǎn)品幾何驗證工作、裝配可行性驗證工作和工藝實施。同時，在迭代過程中物理原型的制造時間、時間和成本大大降低。

數(shù)字孿生在智慧城市中的使用。數(shù)字孿生的概念就是將現(xiàn)實世界中的人、物、關(guān)系、過程映射到虛擬世界，通過對虛擬空間中的數(shù)字孿生進行觀察和分析，實現(xiàn)對真實物體的研究和控制。將這一概念應(yīng)用于城市交通領(lǐng)域，無疑是智慧城市建設(shè)的福音，這反映在圖8中。城區(qū)的主要功能區(qū)管理是以空間控制為主要目標(biāo)，促進城市和區(qū)域發(fā)展的空間組織和策略。高等人的研究(2017)[66]表明：根據(jù)大數(shù)據(jù)和GIS（地理信息系統(tǒng)）對城市功能區(qū)建設(shè)方案進行優(yōu)化分析。城市功能區(qū)管理的首要目標(biāo)是限制或規(guī)范土地的合理利用，為城市區(qū)域的高效利用奠定基礎(chǔ)。城市規(guī)劃的主要依據(jù)包括區(qū)域?qū)Y源環(huán)境的承載能力、現(xiàn)有區(qū)域發(fā)展的密度數(shù)據(jù)、未來區(qū)域增長可能性等相關(guān)指標(biāo)。借助GIS技術(shù)，建筑師可以更好地優(yōu)化城市場所的功能位置。智慧交通是利用視頻監(jiān)控、融合毫米波雷達、機動車、非機動車、行人等交通要素的全息感知，實現(xiàn)數(shù)字空間中真實交通系統(tǒng)地圖模型的構(gòu)建。通過實時分析和跟蹤，可有效解決交通資源浪費、信號系統(tǒng)功能剛性、交通事故變幻莫測、交通問題快速響應(yīng)等問題[67]。數(shù)字孿生在智慧交通中的應(yīng)用可以分為三個方向：提高無人駕駛訓(xùn)練效率、輔助交通事故分析和輔助交通控制[68]。

圖8.數(shù)字孿生智慧城市示意圖

數(shù)字孿生提高無人駕駛培訓(xùn)效率[68]。目前，智能研究中心正在開展智能無人駕駛虛擬訓(xùn)練系統(tǒng)研究，為無人駕駛汽車駕駛算法的道路駕駛安全和智能駕駛能力提供開放的虛擬測試和培訓(xùn)平臺。這類項目的目標(biāo)是在數(shù)字空間中再現(xiàn)真實的交通場景，通過廣義衍生技術(shù)為無人駕駛車輛創(chuàng)造極端環(huán)境和關(guān)鍵高風(fēng)險場景，大幅提升無人駕駛訓(xùn)練的有效性。

基于對靜態(tài)和動態(tài)數(shù)據(jù)的感知，我們可以創(chuàng)建數(shù)字孿生模型，實現(xiàn)基于孿生數(shù)據(jù)的場景再現(xiàn)，幫助無人駕駛車輛進行虛擬測試和訓(xùn)練。但是，僅僅為數(shù)字孿生體提供高保真場景是不夠的。更重要的是推導(dǎo)和概括雙場景，不斷豐富無人車的測試場景。馬夫羅馬蒂斯等人的研究(2020)[69]說明在人工智能徹底改變了推理、預(yù)測和判斷任務(wù)的世界里，數(shù)字孿生成為了影響游戲平衡的工具。一個典型的例子是CITS（協(xié)作智能交通系統(tǒng)）的創(chuàng)建和改進，這是網(wǎng)絡(luò)物理數(shù)字基礎(chǔ)設(shè)施和（半）自動化移動的集成。導(dǎo)數(shù)泛化是數(shù)字孿生技術(shù)的關(guān)鍵。它必須從現(xiàn)實中衍生出來，但也必須高于現(xiàn)實，并對現(xiàn)實做出一些改變。巴蒂等人(2020)[70]指出，智能電動汽車的普及可減少高達43%的二氧化碳排放。然而，為了使這些汽車主流化，需要一些支持基礎(chǔ)設(shè)施來長期增強它們。作為一種新興的架構(gòu)，數(shù)字孿生的相關(guān)方法基于虛擬地圖原理，可以作為擴展的基礎(chǔ)，可以進一步幫助研究虛擬環(huán)境中多系統(tǒng)主體的生命周期。在系統(tǒng)開發(fā)中，還基于雙場景對各種案例進行泛化仿真，如增加天氣變化、人類駕駛行為、場景案例的泛化等。作為場景案例泛化的示例，假設(shè)模擬了大型卡車碾壓人的事故場景，但模型完成后，它是一個固定的場景。也就是說，車輛在固定的時間到達固定位置，缺乏有關(guān)實際事故現(xiàn)場的原因和后果的信息。這時需要做一些智能處理，比如提高車速，或者增加交通參與度等，讓場景案例與真實場景相似但又不同。在這里，相似性是指真實事故場景的再現(xiàn)，而差異則體現(xiàn)在虛擬場景中更動態(tài)的過程再現(xiàn)上。

在交通事故分析中，以卡車交通事故為例。一旦對事故現(xiàn)場環(huán)境和交通參與者的軌跡進行跟蹤和恢復(fù)，就可以從多個角度觀察事故發(fā)生過程。魯?shù)滤箍埔?/span>等人(2020)[71]表明所有城市在涌現(xiàn)階段的交通監(jiān)管問題都非常嚴重。最初，控制中心負責(zé)解決此問題。目前，這些中心已逐步引入一些智能交通管理方法，以幫助解決交通網(wǎng)絡(luò)的關(guān)鍵問題。借助數(shù)字孿生和人工智能，實現(xiàn)現(xiàn)代交通控制的優(yōu)化發(fā)展。通過定格處理，從車輛的角度可以發(fā)現(xiàn)，卡車司機實際上看不到騎自行車經(jīng)過的人。道路數(shù)字孿生是實現(xiàn)未來智慧城市的重要一步，為此，ElMarai等人(2020)[72]在帶有 360° 攝像頭和一系列連接到唯一集線器車載計算機的物聯(lián)網(wǎng)設(shè)備上部署了數(shù)字孿生盒。數(shù)字孿生盒通過將實時數(shù)據(jù)（包括 360° 實時流、GPS（全球定位系統(tǒng)）位置以及溫度和濕度測量值）連續(xù)傳輸?shù)竭吘壔蛟?，將物理道路轉(zhuǎn)換為數(shù)字副本資產(chǎn)。實時流通過頭戴式設(shè)備或使用 360° 基于 Web 的播放器顯示。這些數(shù)據(jù)將用作交通狀況的實時監(jiān)控和其他分配，例如歷史交通數(shù)據(jù)查詢。還可以通過在汽車中安裝智能攝像頭來監(jiān)控交通事故的發(fā)生。至于智能汽車和駕駛員輔助技術(shù)的快速增長，在交通系統(tǒng)中，人類駕駛員的參與程度各不相同。在這種情況下，劉等人(2020)[73]指出駕駛員的視覺引導(dǎo)對于避免可能的危險至關(guān)重要。為了鼓勵視覺指導(dǎo)機制的發(fā)展，引入了一種創(chuàng)新的傳感器合并技術(shù)，以整合來自云的相機圖像和數(shù)字孿生知識。結(jié)合在車輛上運行的目標(biāo)探測器的發(fā)現(xiàn)和來自云端的位置信息，繪制并匹配目標(biāo)車輛的邊界框。因此，數(shù)字孿生在交通事故分析場景中具有很大的應(yīng)用價值，可以幫助追溯和分析事故的具體原因，找到責(zé)任人。

在整體交通控制方向，采用數(shù)字孿生技術(shù)模擬城市交通狀況，然后通過評價和演繹來優(yōu)化交通控制策略。這是數(shù)字孿生賦能智慧交通的重要應(yīng)用場景。它主要涉及三個級別的功能。

首先是監(jiān)控和發(fā)現(xiàn)。通過數(shù)字孿生系統(tǒng)，可以創(chuàng)建信息獲取和控制的閉環(huán)，并且可以控制整個過程。更重要的是，在一個非常龐大和復(fù)雜的場景中，一些關(guān)鍵問題可以及時發(fā)現(xiàn)和處理。例如，在秋冬季節(jié)，經(jīng)常出現(xiàn)某段高速段的霧。大霧具有能見度低、突發(fā)性強、天氣預(yù)報困難等特點，容易引發(fā)交通事故。利用數(shù)字孿生技術(shù)，實時檢測動態(tài)感知數(shù)據(jù)，可以及時發(fā)現(xiàn)集群霧的發(fā)生并發(fā)出預(yù)警。例如，機場交通管制也可以使用數(shù)字孿生。賽義夫迪諾夫等人(2020)[74]在機場集中運輸管理領(lǐng)域進行研究并進行了數(shù)字孿生實驗。使用特定的仿真模型來模擬車輛空間特征的數(shù)據(jù)流。該模型可用于解釋和模擬傳輸網(wǎng)絡(luò)中需要集中控制系統(tǒng)參與的某些情況。假設(shè)在使用數(shù)字孿生的早期階段，具有適當(dāng)交通管理能力的用戶可以執(zhí)行控制系統(tǒng)的功能，并且該用戶的決策保存在數(shù)字孿生的內(nèi)存中，該內(nèi)存可用于使用機器學(xué)習(xí)來教授控制系統(tǒng)。船舶交通服務(wù)系統(tǒng)的設(shè)計和集成以及新的VTS（Vandenberg Tracking Station）軟件開發(fā)的實施是一項艱巨的工作，在接口和時間方面存在許多障礙。üZüMCü等人的研究(2019)[75]指出指揮作戰(zhàn)中心的個人指令和機長作為參與者的信息參與，以及自動識別系統(tǒng)、雷達系統(tǒng)、光電系統(tǒng)、交通服務(wù)系統(tǒng)之外的物理安全以及不同系統(tǒng)的參與，使得整體系統(tǒng)設(shè)計難以管理。使用MBSE（基于模型的系統(tǒng)工程）技術(shù)系統(tǒng)和工具，使用數(shù)字孿生技術(shù)設(shè)計有助于簡化系統(tǒng)設(shè)計概述，并在執(zhí)行和組合階段開始之前檢查模型左側(cè)的接口定義[75]。

函數(shù)的第二個層次是演繹和預(yù)測。掌握數(shù)據(jù)后，可以為部分參與者創(chuàng)建微觀行為模型，然后通過對大量交通參與者的模擬計算，可以獲得宏觀模擬結(jié)果，推斷出情況的發(fā)展，實現(xiàn)預(yù)測功能。國家公路交通系統(tǒng)的快速發(fā)展，既有城市的智能化建設(shè)基礎(chǔ)，更是當(dāng)代信息技術(shù)不斷創(chuàng)新的結(jié)果，GIS技術(shù)有力地推動了國家公路交通信息化的發(fā)展。GIS技術(shù)作為一種重要的地理數(shù)據(jù)處理系統(tǒng)，在交通數(shù)據(jù)采集、分析和處理方面具有明顯的技術(shù)優(yōu)勢，鼓勵道路交通向信息化方向發(fā)展。為了加快道路交通系統(tǒng)的成熟，王等人(2021)[76]指出，借助GIS技術(shù)，可以逐步構(gòu)建道路交通數(shù)字孿生。數(shù)字技術(shù)作為道路交通發(fā)展的革命性技術(shù)，推動道路運輸向綠色、開放、共享方向發(fā)展，為道路建設(shè)質(zhì)量奠定堅實基礎(chǔ)。由于城市的復(fù)雜性，智慧城市是一個復(fù)雜的過程。城市不是一個易于理解和預(yù)測的計算機化系統(tǒng)，而是一個生命系統(tǒng)。雖然城市數(shù)字孿生的研究仍處于起步階段，但數(shù)字孿生的進展正在迅速發(fā)展，為促進智慧城市的發(fā)展做出了切實可行的貢獻。沙哈特等人(2021)[77]確定數(shù)字孿生城市當(dāng)前和未來的潛力和障礙，并提出研究議程，指導(dǎo)未來城市數(shù)字孿生的研究，以接近城市數(shù)字孿生全面性和完整性的巔峰。

第三級功能是評估和優(yōu)化對策。通過大規(guī)模并行計算，可以同時評估多個平行世界的仿真結(jié)果。然后，通過深入學(xué)習(xí)等技術(shù)，不斷完善交通控制方案，進行歷史回顧和回顧研究。當(dāng)事件發(fā)生時，我們可以利用數(shù)字孿生系統(tǒng)對交通事故的全過程進行還原，并探索響應(yīng)的每一步是否做得足夠好，是否有改進的空間。基礎(chǔ)設(shè)施的數(shù)字副本可用于在其整個生命周期中執(zhí)行模擬，從而實現(xiàn)更好的資產(chǎn)創(chuàng)建、管理和維護。這些數(shù)字孿生（定義為復(fù)雜產(chǎn)品的集成多物理場、多尺度和概率模擬）反映了其相應(yīng)孿生體的行為和環(huán)境響應(yīng)。斯泰恩等人(2021)[78]利用光學(xué)傳感器技術(shù)，同時以接觸式移動傳感器平臺為支撐，通過數(shù)字重建技術(shù)，通過數(shù)字重建技術(shù)，為創(chuàng)新物理基礎(chǔ)設(shè)施的數(shù)字孿生提供可行的低成本替代方案。布魯納等人(2019)[79]指出城市交通中自動駕駛功能的潛在安全關(guān)鍵情況范圍太廣，無法單獨通過自然駕駛或在受控的實驗室環(huán)境中進行全面測試。技術(shù)和交通道路條件受到限制。這些問題和類似問題可以通過在虛擬隨機對照試驗設(shè)計中使用廣泛且經(jīng)過驗證的隨機模擬來解決。虛擬測試可以創(chuàng)建一個大型數(shù)據(jù)庫，并提供檢測安全評估和“壓力測試”所需的高維交通場景空間所需的統(tǒng)計能力。英戈爾施塔特[79]打造了城市道路網(wǎng)絡(luò)的“數(shù)字孿生”。德國是虛擬測試的關(guān)鍵要求。高等人(2017)[80]通過研究得出結(jié)論，小距離干道具有網(wǎng)絡(luò)框架適應(yīng)性強的優(yōu)勢，有利于土地開發(fā)和交通開發(fā)。當(dāng)交通需求高，不符合傳統(tǒng)道路基礎(chǔ)設(shè)施布局標(biāo)準(zhǔn)時，應(yīng)結(jié)合實際情況，深入研究，根據(jù)區(qū)域情況編制路網(wǎng)規(guī)劃，優(yōu)化路網(wǎng)交通效率。

綜上所述，數(shù)字孿生體廣泛應(yīng)用于城市智慧交通。數(shù)字孿生技術(shù)支撐城市信息模型的構(gòu)建，包括建筑信息、地理信息、新街景、真實三維場景等元素。其核心圍繞全球數(shù)據(jù)的端到端管理和運營，包括數(shù)據(jù)收集、訪問、治理、集成、輕量級、可視化和應(yīng)用。城市環(huán)境的可視化模型有助于更清晰、更高效、更快速和準(zhǔn)確的城市交通管理。

數(shù)字孿生中人工智能面臨的挑戰(zhàn)

數(shù)字孿生在汽車自動駕駛領(lǐng)域面臨的挑戰(zhàn)

由于全球智能互聯(lián)網(wǎng)汽車產(chǎn)業(yè)的快速發(fā)展，汽車互聯(lián)網(wǎng)相關(guān)技術(shù)的研究對推動汽車互聯(lián)網(wǎng)的發(fā)展具有重要意義。交通場景仿真的參數(shù)化和泛化技術(shù)表明，自動駕駛仿真的測試過程和工況可以說是無邊界的。無論汽車是否正常運行，都可以反復(fù)測試，以方便發(fā)現(xiàn)和定位問題。然而，在車輛動態(tài)仿真測試過程中，仿真?zhèn)鞲衅骱蛡鞲邢到y(tǒng)進入自動駕駛控制，決定通過純軟件形成閉環(huán)測試和系統(tǒng)驗證測試設(shè)備，這也是當(dāng)前自動駕駛硬件設(shè)備面臨的重要挑戰(zhàn)。

自動駕駛的主要功能是通過接收數(shù)據(jù)采集可視化系統(tǒng)發(fā)送的實車實時位置、速度、加速度、航向角等信息，控制仿真系統(tǒng)中與實車對應(yīng)的仿真車。在虛擬場景中實現(xiàn)實車控制和仿真車運行，使兩者的運動狀態(tài)同步，實現(xiàn)實車在循環(huán)中的基本功能。雖然現(xiàn)階段的研究已經(jīng)形成了高度開放的數(shù)字孿生自動駕駛測試能力，但也建立了友好開放的測試驗證環(huán)境，支持各種自動駕駛算法實驗，為自動駕駛相關(guān)研究公司提供開放的測試服務(wù)。但是，解決測試解決方案仍然存在挑戰(zhàn)：

測試成本問題。目前的自動駕駛測試系統(tǒng)尚未完成，但已經(jīng)產(chǎn)生了高昂的測試成本。這對汽車制造商來說是一個非常大的挑戰(zhàn)。對于汽車制造商來說，最重要的問題是如何實現(xiàn)效益最大化和成本最小化。因此，建立高效低成本的測試環(huán)境、結(jié)構(gòu)化的測試流程和強大的測試標(biāo)準(zhǔn)都是降低測試成本的關(guān)鍵問題。

測試靈活性問題。汽車的自動駕駛系統(tǒng)涵蓋攝像頭、激光雷達、毫米波雷達等各種傳感器、處理器和控制器。虛擬測試環(huán)境不再是單一場景，需要滿足多車駕駛測試方案的要求。因此，這就要求測試環(huán)境不僅要支持單車測試，還要支持多車同時行駛，確保不發(fā)生交通事故。事故對試驗環(huán)境提出了更高的要求。

測試系統(tǒng)的順利推進。未來，汽車自動駕駛技術(shù)解決方案必將面臨巨大的變革和變革。首先，測試系統(tǒng)需要平穩(wěn)地適應(yīng)技術(shù)進步。在測試過程中，系統(tǒng)中的車輛、行人、路況、交通標(biāo)志等必須保持穩(wěn)定有序。當(dāng)然，也需要根據(jù)測試進行測試。對象數(shù)量不斷增加，汽車類型不時進行系統(tǒng)升級。

航空航天領(lǐng)域數(shù)字孿生面臨的挑戰(zhàn)

盡管數(shù)字孿生的人工智能應(yīng)用在航空航天領(lǐng)域有廣泛的研究，但仍存在一些技術(shù)挑戰(zhàn)。以航空發(fā)動機氣路系統(tǒng)為例?；谡J知加工創(chuàng)新和產(chǎn)業(yè)化水平的進步，航空發(fā)動機數(shù)據(jù)分析正向全方位、多層次、可視化方向發(fā)展。發(fā)動機參數(shù)分析范圍從發(fā)動機部件到整體發(fā)動機，從發(fā)動機狀態(tài)監(jiān)測到整體健康管理。數(shù)據(jù)分析也從傳統(tǒng)的集成轉(zhuǎn)變?yōu)榻Y(jié)合了大量數(shù)據(jù)、方法和模型的數(shù)字孿生過程。目前，發(fā)動機狀態(tài)監(jiān)測和授權(quán)數(shù)字電控系統(tǒng)的檢測、故障檢測和定位基本可以完成，但分析發(fā)動機整體健康狀況的方法有限，這也成為世界各國學(xué)者面臨的重大挑戰(zhàn)。

數(shù)字化研發(fā)戰(zhàn)略的概念似乎是陳詞濫調(diào)。在過去的10年里，隨著工業(yè)軟件制造商的努力，中國的各個行業(yè)，包括航空航天工業(yè)，已經(jīng)“相當(dāng)”熟悉數(shù)字孿生的概念，但我們熟悉數(shù)字研發(fā)應(yīng)用。收獲的深度、廣度和價值如何，我們還有相當(dāng)大的改進空間。飛機的生命周期可以達到幾十年，因此記錄和分析整個生命周期的數(shù)據(jù)不僅有價值，而且是必要的?；谖臋n的部門協(xié)作模型必須轉(zhuǎn)變?yōu)榛谀Ｐ偷臄?shù)字孿生數(shù)字協(xié)作模型。這也給相關(guān)行業(yè)帶來了巨大的挑戰(zhàn)。

關(guān)于數(shù)字孿生的使用，最好的概括是構(gòu)建和維護大量超現(xiàn)實的模型和數(shù)據(jù)。他們最能夠通過實時仿真來預(yù)測整個生命周期中的產(chǎn)品行為。這些模型根據(jù)不同的應(yīng)用情況以多種比例和示例構(gòu)建，集成了多個方面，包括最佳和物理描述，并反映了真實的產(chǎn)品壽命。當(dāng)數(shù)字孿生部署到全范圍時，它將跟蹤影響產(chǎn)品運行的所有參數(shù)信息。它包括初始設(shè)計和進一步改進，與制造相關(guān)的偏差，修改，不確定性，更新，以及從機載結(jié)合交通健康監(jiān)控系統(tǒng)的傳感器數(shù)據(jù)中可以獲得的所有歷史數(shù)據(jù)和航空數(shù)據(jù)，管理以前的記錄，實現(xiàn)數(shù)據(jù)挖掘。

因此，只有利用完整的數(shù)字孿生技術(shù)，建立大量的超現(xiàn)實模型和數(shù)據(jù)，包括數(shù)字產(chǎn)品模型、數(shù)字制造模型、數(shù)字性能模型，實時、雙向、透明、系統(tǒng)地考慮設(shè)計、制造和性能。可以控制和縮短開發(fā)周期，否則隨著研發(fā)難度的增加，延遲交付的風(fēng)險會越來越大。此外，只有全數(shù)字化才能突破性能設(shè)計的瓶頸。

數(shù)字孿生在智能制造領(lǐng)域面臨的挑戰(zhàn)

隨著許多智能生產(chǎn)施工技術(shù)越來越成熟，智能制造技術(shù)越來越普及，實現(xiàn)車間設(shè)備生產(chǎn)過程的高效智能實時監(jiān)控仍然是研究的重點。目前，工業(yè)生產(chǎn)已經(jīng)發(fā)展到高度自動化、信息化的階段，但仍存在許多問題需要改進和優(yōu)化。例如，許多工廠對信息系統(tǒng)的建設(shè)程度不同，系統(tǒng)之間的渠道沒有完全打通，存在大量的信息孤島，存在數(shù)據(jù)管理不完善、數(shù)據(jù)標(biāo)準(zhǔn)不一致等問題。具體來說，工廠生產(chǎn)的產(chǎn)品多樣化，高度個性化，通用性差。這直接導(dǎo)致頻繁的產(chǎn)品設(shè)計和工藝變更，給生產(chǎn)、采購、倉庫、質(zhì)量帶來巨大挑戰(zhàn)。

此外，工廠在多品種產(chǎn)品小批量生產(chǎn)方面也存在亟待解決的問題：例如，一些多品種、小批量的離散生產(chǎn)模式限制了車間生產(chǎn)線規(guī)模化生產(chǎn)和智能化改造的步伐。工廠設(shè)備陳舊，難以重建，許多環(huán)節(jié)仍以人工操作為主。但是，如果工廠過于依賴人工操作，將導(dǎo)致自動化和智能化的降低。數(shù)字孿生平臺在工業(yè)產(chǎn)品設(shè)計和工業(yè)產(chǎn)品生產(chǎn)中起著非常重要的作用。在當(dāng)前高度信息化、一體化的工業(yè)生產(chǎn)模式中，當(dāng)生產(chǎn)線發(fā)生意外故障時，很容易導(dǎo)致整條生產(chǎn)線停產(chǎn)停產(chǎn)。例如，一條高度精細化的汽車生產(chǎn)線每天可能造成數(shù)百萬的損失。對于一些特殊工藝生產(chǎn)線，如高溫高壓下的化工生產(chǎn)線，甚至面臨嚴重的安全隱患和衍生災(zāi)害。因此，工業(yè)生產(chǎn)過程必須依靠大規(guī)模數(shù)據(jù)的幫助，如設(shè)備診斷、化工生產(chǎn)過程模擬、虛擬數(shù)字空間中對當(dāng)前設(shè)備狀態(tài)和生產(chǎn)過程結(jié)果的模擬預(yù)測，以防止現(xiàn)場故障和生產(chǎn)異常造成嚴重后果。

在工業(yè)產(chǎn)品設(shè)計過程中，如果沒有數(shù)字化的幫助，設(shè)計一個產(chǎn)品就要經(jīng)過多次迭代，消耗資源，影響交貨時間。在高度集成的工業(yè)生產(chǎn)線設(shè)計中，需要基于精確節(jié)拍對各種設(shè)備、材料、質(zhì)檢、人工裝配等環(huán)節(jié)進行優(yōu)化協(xié)調(diào)，以提高整體效率。傳統(tǒng)的規(guī)劃流程只能依靠實際生產(chǎn)線中的手動模擬或驗證。

數(shù)字孿生在智慧城市交通領(lǐng)域面臨的挑戰(zhàn)

數(shù)字孿生城市是在城市積累數(shù)據(jù)由量變向質(zhì)變的背景下，在感知建模、人工智能等信息技術(shù)取得重大突破的背景下，建設(shè)新型智慧城市的全新技術(shù)路徑。是城市智能化、可持續(xù)運營的新興技術(shù)路徑和先進模式。然而，面對當(dāng)前城市管理的諸多挑戰(zhàn)，如何突破傳統(tǒng)智慧城市的桎梏，逐步向“數(shù)字孿生城市”轉(zhuǎn)型升級，是一個值得思考的問題。數(shù)字孿生城市的核心是模型和數(shù)據(jù)，建立完整的數(shù)字模型是一個關(guān)鍵的起點。從目前傳統(tǒng)智慧城市建設(shè)的應(yīng)用來看，各個領(lǐng)域還存在數(shù)據(jù)碎片化。一般城市至少有3張底圖，即住房和城鄉(xiāng)建設(shè)體系推動的城市信息模型平臺、以自然資源和土地規(guī)劃為主導(dǎo)的時空大數(shù)據(jù)平臺、基于公安政法的城市安全與綜合治理城市底圖。每個底圖形成自己的系統(tǒng)，一般只支持系統(tǒng)中的應(yīng)用程序。其他部門不能按需隨時使用它。這個數(shù)字已經(jīng)積累了相當(dāng)長的一段時間，很難放棄和整合。這使得實施城市交通模擬過程變得困難和具有挑戰(zhàn)性。

事實上，在數(shù)字孿生工具和平臺的構(gòu)建方面，目前的工具和平臺大多側(cè)重于某些特定方面，缺乏系統(tǒng)性的考慮。但打造城市規(guī)劃、建設(shè)、管理全過程可視化，采集城市“脈搏”數(shù)據(jù)，反映城市及時運行情況，為信息資源共享、整合、有效利用、跨部門業(yè)務(wù)協(xié)同提供根解決方案。數(shù)字孿生技術(shù)具有巨大的潛力。

數(shù)字孿生中人工智能的未來前景

數(shù)字孿生在汽車自動駕駛領(lǐng)域的未來展望

在未來推廣數(shù)字孿生汽車自動駕駛虛擬環(huán)境測試系統(tǒng)時，使用開放式模擬接口控制基于代碼的交通場景是未來的一大趨勢。未來的研究課題將圍繞測試平臺的推廣進行。畢竟目前自動駕駛測試環(huán)境的利用率并沒有那么高。未來需要大量全面的市場調(diào)研，準(zhǔn)確把握市場需求，制定合理的市場推廣計劃，包括科研成果轉(zhuǎn)化方法、產(chǎn)品推廣應(yīng)用方法、產(chǎn)品定價等，制定合理的產(chǎn)品開發(fā)計劃，建立軟硬件一體化數(shù)字孿生自動駕駛測試平臺。

通過聯(lián)合汽車制造企業(yè)、汽車供應(yīng)商、科研機構(gòu)等建立數(shù)字孿生自動駕駛測試系統(tǒng)，共同攻克其技術(shù)難關(guān)，逐步形成自動駕駛測試系統(tǒng)共識，推動自動駕駛測試行業(yè)發(fā)展。另一方面，面向車企、汽車供應(yīng)商、科研機構(gòu)推出了數(shù)字孿生自動駕駛測試平臺。采用聯(lián)合單位會員制，低成本使用，共同開發(fā)；對于非聯(lián)合單位，采用檢測服務(wù)按次收費、平臺設(shè)立年費或永久授權(quán)費兩種方式。建立完整的售前咨詢-平臺建立-檢測服務(wù)-售后維護團隊和體系，進行檢測平臺適應(yīng)性調(diào)整和售后問題的收集和解決。

當(dāng)然，跟蹤和記錄過程也非常重要。持續(xù)跟蹤記錄數(shù)字孿生自動駕駛測試平臺的外部使用情況，建立使用信息數(shù)據(jù)庫，并根據(jù)使用情況數(shù)據(jù)進行各方面對比。對數(shù)字孿生自動駕駛測試系統(tǒng)進行模塊化、平臺化效果評估，實現(xiàn)數(shù)字孿生自動駕駛測試系統(tǒng)的針對性提升，實現(xiàn)“平臺建立-跟蹤回訪-迭代升級”的閉環(huán)開發(fā)模式。

航空航天領(lǐng)域數(shù)字孿生的未來研究課題

在航空航天領(lǐng)域，數(shù)字孿生的使用已經(jīng)顯示出令人印象深刻的好處。借助物理實體模型的構(gòu)建和相關(guān)數(shù)據(jù)的應(yīng)用，不僅可以減少飛機認證測試的次數(shù)和持續(xù)時間，消除意外的裂縫和故障，還可以減少對飛機整體結(jié)構(gòu)和頻率的維護檢查次數(shù)，實現(xiàn)前所未有的經(jīng)濟安全可靠。然而，數(shù)字孿生技術(shù)目前缺乏系統(tǒng)化、通用的參考模型作為指導(dǎo)，未來在數(shù)字孿生模型優(yōu)化的相關(guān)研究方面還有很長的路要走。此外，數(shù)字孿生將逐步向仿真和集成方向發(fā)展。這兩個也是未來研究的主題。虛擬化——對象數(shù)字孿生的完整性對于其在工業(yè)領(lǐng)域的應(yīng)用成功至關(guān)重要。每個物理模型都有一個特定的模型，常用的模型如流體力學(xué)、結(jié)構(gòu)力學(xué)、熱力學(xué)、應(yīng)用力學(xué)、疲勞損傷、材料狀態(tài)演化模型等，未來將不同的模型關(guān)聯(lián)在一起并實時反映在孿生模型中是數(shù)字孿生技術(shù)實施的關(guān)鍵。集成——模型與關(guān)鍵數(shù)據(jù)在產(chǎn)品各個階段和孿生生命周期的雙向交互的實現(xiàn)，決定了數(shù)字孿生技術(shù)能否成功應(yīng)用。這一突破的實現(xiàn)需要其他技術(shù)支持，數(shù)字孿生的愿景需要與其他先進技術(shù)相結(jié)合才能實現(xiàn)。

數(shù)字孿生在智能制造方向的未來展望

未來幾年，數(shù)字孿生的發(fā)展趨勢將不斷增強。越來越多的制造商開始利用數(shù)字孿生技術(shù)來改進程序，生成實時數(shù)據(jù)庫判斷，并開始尋找機會修改創(chuàng)新服務(wù)、產(chǎn)品和業(yè)務(wù)方法。制造業(yè)將慢慢成為數(shù)字孿生技術(shù)應(yīng)用的先驅(qū)。如果早期從業(yè)者在各個行業(yè)表現(xiàn)出先發(fā)優(yōu)勢，其他制造公司將跟隨他們的步伐。從長遠來看，要充分發(fā)揮數(shù)字孿生技術(shù)的潛力，可能需要整合生態(tài)系統(tǒng)所有部分的系統(tǒng)和數(shù)據(jù)。建立對客戶生命周期或供應(yīng)鏈的完整數(shù)字化模仿，并提供有見地的宏觀操作視角，包括一線供應(yīng)商和自有供應(yīng)商，但仍需將外在物質(zhì)融入內(nèi)在數(shù)字生態(tài)圈。現(xiàn)在，大多數(shù)制造商仍然對超越點對點連接的外部連接不滿意?？朔@種猶豫可能是一場長期的戰(zhàn)斗，但最終所有的努力都是值得的。未來，企業(yè)希望利用區(qū)塊鏈打破信息孤島，驗證信息，進入數(shù)字孿生。這將釋放大量以前無法訪問的數(shù)據(jù)，使模擬更加詳細和動態(tài)，并創(chuàng)造不可估量的潛在價值。

城市智能交通中數(shù)字孿生的未來研究課題

隨著信息技術(shù)的不斷迭代、5G標(biāo)準(zhǔn)的逐步完善和商用網(wǎng)絡(luò)的建立，大帶寬、高速度、低時延的網(wǎng)絡(luò)性能將進一步賦能數(shù)字孿生智能交通系統(tǒng)的升級。一方面，5G超高速網(wǎng)絡(luò)性能使車輛在高速運動中安全可靠地通信成為可能，確保實現(xiàn)車路協(xié)同自動駕駛、車輛編隊自動駕駛、遠程自動駕駛等功能。另一方面，5G的加速發(fā)展，協(xié)同了物聯(lián)網(wǎng)和人工智能，使交通系統(tǒng)具備“連接萬物”的能力，讓數(shù)字孿生從物理世界“遷移”“人-車-路-環(huán)境”交通四要素。在數(shù)字世界中，交通數(shù)據(jù)得到了極大的豐富，讓智慧交通的“數(shù)字化、網(wǎng)絡(luò)化、智能化”得以真正落地。雖然數(shù)字孿生是智慧交通的前沿趨勢，但與真正的全球管理、同步可視化、虛實交互的數(shù)字孿生交通系統(tǒng)之間仍存在一定差距。然而，在5G技術(shù)變革和需求升級的推動下，數(shù)字孿生產(chǎn)生了智慧交通的新思路、新方法、新理念，未來將持續(xù)發(fā)展，最終形成完整的技術(shù)運營體系。

隨著5G、6G等前沿通信技術(shù)的進步，再加上端側(cè)云協(xié)同計算，可以提高數(shù)字孿生的實時性能，甚至可以在不依賴高精度地圖的情況下實時對未知區(qū)域進行建模。其次，通過改進行為模擬和預(yù)測算法，可以使行為預(yù)測的推演更加準(zhǔn)確，并且計算能力更強，可以一次推導(dǎo)出更多的平行世界。此外，隨著V2X（車聯(lián)網(wǎng)）技術(shù)的發(fā)展，將有更多類型的交通參與者和更復(fù)雜的場景。如何讓仿真變得更好，也是一個值得研究的方向。最后，在實時決策和個人遠程控制方面，對整個孿生系統(tǒng)的要求會更高。例如，數(shù)據(jù)是否可以即時安全地傳輸?shù)皆贫撕秃蠖耍约巴ㄟ^態(tài)勢感知，控制命令是否可以傳回物理世界。這個過程必須足夠快地完成，數(shù)據(jù)傳輸過程需要安全穩(wěn)定。結(jié)合區(qū)塊鏈等相關(guān)技術(shù)是使這些信息閉環(huán)過程安全穩(wěn)定的可探索解決方案。

數(shù)字孿生城市也是城市信息化建設(shè)不斷發(fā)展的產(chǎn)物，是城市信息化發(fā)展的高水平階段。實體城市對應(yīng)的數(shù)字孿生城市充分利用前期形成的全市大數(shù)據(jù)，為城市綜合決策、智能化管理、全局優(yōu)化提供平臺、工具和手段。

討論數(shù)字孿生在相關(guān)領(lǐng)域的應(yīng)用

根據(jù)研究人員的研究可以發(fā)現(xiàn)，數(shù)字孿生在不同領(lǐng)域的應(yīng)用已經(jīng)成熟，未來有良好的應(yīng)用前景。這在目前的一些研究中也得到了證實。萬等人(2021)[81]綜述了半監(jiān)督支持向量機（SVM）在腦圖像融合數(shù)字孿生體中的特征檢測、診斷和預(yù)測性能。針對腦圖像中大量未標(biāo)記數(shù)據(jù)，利用未標(biāo)記和標(biāo)記數(shù)據(jù)，提出一種半監(jiān)督SVM。同時，該研究還描述了如何增強AlexNet模型，并利用數(shù)字孿生模型將實際空間中的大腦圖像映射到虛擬空間。不難發(fā)現(xiàn)，盡管腦腫瘤圖像具有復(fù)雜的邊緣結(jié)構(gòu)、偽影、偏移場和影響圖像分割的其他缺陷，但數(shù)字孿生在醫(yī)學(xué)領(lǐng)域的應(yīng)用實現(xiàn)了腦腫瘤精準(zhǔn)治療的關(guān)鍵步驟，真正滿足了臨床需求。在腦腫瘤的后續(xù)臨床診療中極為重要。

呂等人(2021)[82]討論了UAV（無人機）在5G/B5G（超越5G）移動和無線通信中的應(yīng)用和限制。根據(jù)5G通信，提出深度學(xué)習(xí)算法，在深度學(xué)習(xí)的基礎(chǔ)上開發(fā)無人機數(shù)字孿生消息傳遞路徑模型。協(xié)調(diào)多點傳輸技術(shù)利用無人機進行干擾抑制研究。采用物理層安全的基本算法來保證信息傳輸?shù)陌踩浴Ｗ詈?，可以對?gòu)建的模型進行仿真和分析。該算法在收斂速度和收斂效果方面具有突出優(yōu)勢，具有較強的魯棒性。研究進一步驗證了互聯(lián)網(wǎng)技術(shù)在航空航天工業(yè)發(fā)展中發(fā)揮著不可替代的作用。

陶等人(2021)[83]表明數(shù)字孿生——機器或系統(tǒng)的精確虛擬副本——正在徹底改變行業(yè)。在從傳感器收集的實時數(shù)據(jù)的驅(qū)動下，這些復(fù)雜的計算機模型幾乎反映了項目、程序或服務(wù)的各個方面。許多大公司都使用數(shù)字孿生來發(fā)現(xiàn)問題并提高效率。一位分析師預(yù)測，到2021年，一半的公司可能會使用它們。83.盡管如此，要實現(xiàn)數(shù)字孿生的潛力，仍有許多工作要做。仍然面臨收集數(shù)據(jù)類型的困難，例如丟失或錯誤的數(shù)據(jù)會扭曲結(jié)果并隱藏故障。例如，如果振動傳感器發(fā)生故障，風(fēng)力渦輪機的振蕩將被忽略。算法和模型的建立也面臨著巨大的挑戰(zhàn)。例如，當(dāng)為不同目的編寫的軟件手動修補在一起時，可能會發(fā)生其他錯誤。沒有標(biāo)準(zhǔn)和指南，很難驗證生成的模型的準(zhǔn)確性。許多數(shù)字孿生可能需要組合。例如，虛擬飛機可以將機身的3D模型與故障診斷系統(tǒng)以及空調(diào)和增壓監(jiān)控系統(tǒng)之一相結(jié)合。

結(jié)論

隨著大數(shù)據(jù)、物聯(lián)網(wǎng)、工業(yè)互聯(lián)網(wǎng)和智能控制技術(shù)的快速發(fā)展，數(shù)字孿生作為一種新型技術(shù)廣泛應(yīng)用于生活的方方面面。數(shù)字孿生已成為制造業(yè)現(xiàn)實世界與數(shù)字虛擬世界的理想連接，也是實現(xiàn)現(xiàn)實世界和信息世界互動與合作的有效技術(shù)途徑。數(shù)字孿生是以數(shù)字方式創(chuàng)建真實實體的虛擬實體，利用歷史數(shù)據(jù)、實時數(shù)據(jù)和算法模型對真實實體的整個生命周期進行仿真、驗證、預(yù)測和控制。數(shù)字孿生作為關(guān)鍵技術(shù)和提高效率的重要工具，可以在模型設(shè)計、數(shù)據(jù)采集、分析、預(yù)測和仿真中有效發(fā)揮作用，助力推動數(shù)字產(chǎn)業(yè)化和產(chǎn)業(yè)數(shù)字化，以及數(shù)字化與實體經(jīng)濟發(fā)展的融合。

數(shù)字孿生依靠知識機制、數(shù)字化等技術(shù)構(gòu)建數(shù)字模型，利用物聯(lián)網(wǎng)等技術(shù)將物理世界中的數(shù)據(jù)和信息轉(zhuǎn)換為通用數(shù)據(jù)，將AR/VR/MR/GIS（增強現(xiàn)實/虛擬現(xiàn)實/混合現(xiàn)實/地理信息系統(tǒng)）等技術(shù)完全結(jié)合，再現(xiàn)數(shù)字世界中的物理實體。在此基礎(chǔ)上，將數(shù)字孿生描述、診斷預(yù)調(diào)整/預(yù)測、利用AI、大數(shù)據(jù)、云計算等技術(shù)的智能決策等常見應(yīng)用賦能到各個垂直行業(yè)。由此可見，人工智能是數(shù)字孿生生態(tài)系統(tǒng)的底層核心技術(shù)之一。其必要性主要體現(xiàn)在數(shù)字孿生生態(tài)系統(tǒng)中的海量數(shù)據(jù)處理和系統(tǒng)自我優(yōu)化，使數(shù)字孿生生態(tài)系統(tǒng)有序智能云出行，是數(shù)字孿生生態(tài)系統(tǒng)的中心大腦。兩者的結(jié)合對于目前的研究現(xiàn)狀至關(guān)重要，未來的研究將給各個行業(yè)帶來不同程度的智能化改造。

參考書目

1. Rasheed A, San O, Kvamsdal T: Digital twin: Values, challenges and enablers from a modeling perspective. Ieee Access. 2020; 8: 21980–22012. Publisher Full Text
2. Fuller A, Fan Z, Day C, et al.: Digital twin: Enabling technologies, challenges and open research. IEEE access. 2020; 8: 108952–108971. Publisher Full Text
3. Khajavi SH, Motlagh NH, Jaribion A, et al.: Digital twin: vision, benefits, boundaries, and creation for buildings. IEEE access. 2019; 7: 147406–147419. Publisher Full Text
4. Madni AM, Madni CC, Lucero SD: Leveraging digital twin technology in model-based systems engineering. Systems. 2019; 7(1): 7. Publisher Full Text
5. Vaishya R, Javaid M, Khan IH, et al.: Artificial Intelligence (AI) applications for COVID-19 pandemic. Diabetes Metab Syndr. 2020; 14(4): 337–339. PubMed Abstract | Publisher Full Text | Free Full Text
6. Gunning D, Aha D: DARPA’s explainable artificial intelligence (XAI) program. AI Magazine. 2019; 40(2): 44–58. Publisher Full Text
7. Haenlein M, Kaplan A: A brief history of artificial intelligence: On the past, present, and future of artificial intelligence. Calif Manage Rev 2019; 61(4): 5–14. Publisher Full Text
8. Tao F, Zhang H, Liu A, et al.: Digital twin in industry: State-of-the-art. Ieee T Ind Inform. 2018; 15(4): 2405–2415. Publisher Full Text
9. Collins GS, Moons KG: Reporting of artificial intelligence prediction models. Lancet. 2019; 393(10181): 1577–1579. PubMed Abstract | Publisher Full Text
10. Bullock JA, Luccioni A, Luengo-Oroz M, et al.: Mapping the landscape of artificial intelligence applications against COVID-19. J Artif Intell Res. 2020; 69: 807–845. Publisher Full Text
11. Calo R: Artificial Intelligence policy: a primer and roadmap. UCDL Rev. 2017; 51: 399. Publisher Full Text
12. Alexopoulos K, Nikolakis N, Chryssolouris G: Digital twin-driven supervised machine learning for the development of artificial intelligence applications in manufacturing. Int J Comp Integ M. 2020; 33(5): 429–439. Publisher Full Text
13. Fan C, Zhang C, Yahja A, et al.: Disaster City Digital Twin: A vision for integrating artificial and human intelligence for disaster management. Int J Inform Manage. 2021; 56: 102049. Publisher Full Text
14. Rasheed A, San O, Kvamsdal T: Digital twin: Values, challenges and enablers. arXiv preprint arXiv. 2019; 1910,01719. Reference Source
15. Kousi N, Gkournelos C, Aivaliotis S, et al.: Digital twin for adaptation of robots’ behavior in flexible robotic assembly lines. Procedia manufacturing. 2019; 28: 121–126. Publisher Full Text
16. Liu Z, Meyendorf N, Mrad N: The role of data fusion in predictive maintenance using digital twin. In AIP Conference Proceedings. 2018; 1949(1): 020023. Publisher Full Text
17. Song EY, Burns M, Pandey A, et al.: IEEE 1451 smart sensor digital twin federation for IoT/CPS research. In 2019 IEEE Sensors Applications Symposium (SAS). 2019; 1–6. Publisher Full Text
18. Zhu J, Wu P: Towards Effective BIM/GIS Data Integration for Smart City by Integrating Computer Graphics Technique. Remote Sensing. 2021; 13(10): 1889. Publisher Full Text
19. Ajjour Y, Wachsmuth H, Kiesel J, et al.: Data acquisition for argument search: The args. me corpus. In Joint German/Austrian Conference on Artificial Intelligence (Künstliche Intelligenz). 2019; 48–59. Publisher Full Text
20. Kandris D, Nakas C, Vomvas D, et al.: Applications of wireless sensor networks: an up-to-date survey. Appl Syst Innov. 2020; 3(1): 14. Publisher Full Text
21. Dahlan AG, Muhammad Naim S, Luqman Zulhilmi AA: The Research of 3D Modeling between Visual & Creativity. International Journal of Innovative Technology and Exploring Engineering (IJITEE). 2019; 8: 180–186.
22. Bandara M, Rabhi FA: Semantic modeling for engineering data analytics solutions. Semantic Web. 2020; 11(3): 525–547. Publisher Full Text
23. Wu Y, Lu Y: An intelligent machine vision system for detecting surface defects on packing boxes based on support vector machine. Meas Control. 2019; 52(7–8): 1102–1110. Publisher Full Text
24. Marikyan D, Papagiannidis S, Alamanos E: A systematic review of the smart home literature: A user perspective. Technol Forecast Soc. 2019; 138: 139–154. Publisher Full Text
25. Gram-Hanssen K, Darby SJ: “Home is where the smart is”? Evaluating smart home research and approaches against the concept of home. Energy Research & Social Science. 2018; 37: 94–101. Publisher Full Text
26. Dorri A, Kanhere SS, Jurdak R, et al.: Blockchain for IoT security and privacy: The case study of a smart home. 2017 IEEE international conference on pervasive computing and communications workshops (PerCom workshops). 2017; 618–623. Publisher Full Text
27. Phanden RK, Sharma P, Dubey A: A review on simulation in digital twin for aerospace, manufacturing and robotics. Mater Today: Proc. 2021; 38: 174–178. Publisher Full Text
28. Ibrion M, Paltrinieri N, Nejad AR: On risk of digital twin implementation in marine industry: Learning from aviation industry. J Phys: Conf Ser. 2019; 1357(1): 012009. Publisher Full Text
29. Aydemir H, Zengin U, Durak U: The digital twin paradigm for aircraft review and outlook. AIAA Scitech 2020 Forum. 2020; 0553. Publisher Full Text
30. Yurkevich EV, Stepanovskaya IA: Controlling the security of the airport airspace using the digital twin. J Phys: Conf Ser. IOP Publishing, 2021; 1864(1): 012128. Publisher Full Text
31. An J, Mikhaylov A, Kim K: Machine learning approach in heterogeneous group of algorithms for transport safety-critical system. Appl Sci. 2020; 10(8): 2670. Publisher Full Text
32. Tu Z, Fei F, Deng X: Untethered flight of an at-scale dual-motor hummingbird robot with bio-inspired decoupled wings. IEEE Robot Autom Lett. 2020; 5(3): 4194–4201. Publisher Full Text
33. Dai X, Ke C, Quan Q, et al.: RFlySim: Automatic test platform for UAV autopilot systems with FPGA-based hardware-in-the-loop simulations. Aerosp Sci Technol. 2021; 114: 106727. Publisher Full Text
34. Singh KK, Frazier AE: A meta-analysis and review of unmanned aircraft system (UAS) imagery for terrestrial applications. Int J Remote Sens. 2018; 39(15–16): 5078–5098. Publisher Full Text
35. Zolanvari M, Jain R, Salman T: Potential data link candidates for civilian unmanned aircraft systems: A survey. IEEE Commun Surv Tut. 2020; 22(1): 292–319. Publisher Full Text
36. Barr LC, Newman R, Ancel E, et al.: Preliminary risk assessment for small unmanned aircraft systems. 17th AIAA Aviation Technology, Integration, and Operations Conference. 2017; 3272. Publisher Full Text
37. Grigoropoulos N, Lalis S: Simulation and digital twin support for managed drone applications. 2020 IEEE/ACM 24th International Symposium on Distributed Simulation and Real Time Applications (DS-RT). 2020; 1–8. Publisher Full Text
38. Reitenbach S, Vieweg M, Becker R, et al.: Collaborative Aircraft Engine Preliminary Design using a Virtual Engine Platform, Part A: Architecture and Methodology. AIAA Scitech 2020 Forum. 2020; 0867. Publisher Full Text
39. Xiong M, Wang H, Fu Q, et al.: Digital twin–driven aero-engine intelligent predictive maintenance. Int J Adv Manuf Tech. 2021; 114: 3751–3761. Publisher Full Text
40. Van Waarde HJ, Eising J, Trentelman HL, et al.: Data informativity: a new perspective on data-driven analysis and control. IEEE T Automat Contr. 2020; 65(11): 4753–4768. Publisher Full Text
41. Le XH, Ho HV, Lee G, et al.: Application of long short-term memory (LSTM) neural network for flood forecasting. Water. 2019; 11(7): 1387. Publisher Full Text
42. Pogarskaia T, Churilova M, Petukhova M, et al.: Simulation and optimization of aircraft assembly process using supercomputer technologies. Russian Supercomputing Days. 2018; 965: 367–378. Publisher Full Text
43. Zaitseva N, Lupuleac S, Petukhova M, et al.: High performance computing for aircraft assembly optimization. In: 2018 Global Smart Industry Conference (GloSIC). 2018; 1–6. Publisher Full Text
44. Qiuyue Z, Luling AN: Application of virtual reality and augment reality in aircraft assembly. Aeronautical Manufacturing Technology. 2017; 530(11): 40–45.
45. Liang B, Liu W, Liu K, et al.: A displacement field perception method for component digital twin in aircraft assembly. Sensors (Basel). 2020; 20(18): 5161. PubMed Abstract | Publisher Full Text | Free Full Text
46. Wagner R, Haefner B, Lanza G: Function-oriented quality control strategies for high precision products. Proc CIRP. 2018; 75: 57–62. Publisher Full Text
47. Sun X, Bao J, Li J, et al.: A digital twin-driven approach for the assembly-commissioning of high precision products. Robot Cim-Int Manuf. 2020; 61: 101839. Publisher Full Text
48. Cai H, Zhu J, Zhang W: Quality Deviation Control for Aircraft Using Digital Twin. J Comput Inf Sci Eng. 2021; 21(3): 031008. Publisher Full Text
49. Guo F, Liu J, Zou F, et al.: Aircraft Assembly Quality Control With Feedback Actions and Assembly Station Flowing Fluctuation Analysis. IEEE Access. 2020; 8: 190118–190135. Publisher Full Text
50. Lv C, Cao D, Zhao Y, et al.: Analysis of autopilot disengagements occurring during autonomous vehicle testing. IEEE/CAA Journal of Automatica Sinica. 2017; 5(1): 58–68. Publisher Full Text
51. Dikmen M, Burns C: Trust in autonomous vehicles: The case of Tesla Autopilot and Summon. In: IEEE Int Conf Syst Man Cybern. 2017; 1093–1098. Publisher Full Text
52. James A, Krestinskaya O, Maan A: Recursive Threshold Logic-A Bioinspired Reconfigurable Dynamic Logic System With Crossbar Arrays. IEEE Trans Biomed Circuits Syst. 2020; 14(6): 1311–1322. PubMed Abstract | Publisher Full Text
53. Dennis AR, Minas RK: Security on autopilot: Why current security theories hijack our thinking and lead us astray. ACM SIGMIS Database: The DATABASE for Advances in Information Systems. 2018; 49(SI): 15–38. Publisher Full Text
54. Larini G, Romano G, Falcitelli M, et al.: Autonomous Driving Progressed by oneM2M : The Experience of the AUTOPILOT Project. In: 2019 European Conference on Networks and Communications (EuCNC). 2019; 204–208. Publisher Full Text
55. Almeaibed S, Al-Rubaye S, Tsourdos A, et al.: Digital Twin Analysis to Promote Safety and Security in Autonomous Vehicles. IEEE Communications Standards Magazine. 2021; 5(1): 40–46. Publisher Full Text
56. Yun H, Park D: Simulation of Self-driving System by implementing Digital Twin with GTA5. In: 2021 International Conference on Electronics, Information, and Communication (ICEIC). 2021; 1–2. Publisher Full Text
57. Khan M, Chakraborty S, Astya R, et al.: Face Detection and Recognition Using OpenCV. In: 2019 International Conference on Computing, Communication, and Intelligent Systems (ICCCIS). 2019; 116–119. Publisher Full Text
58. Valeja Y, Pathare S, Patel D, et al.: Traffic Sign Detection using Clara and Yolo in Python. In: 2021 7th International Conference on Advanced Computing and Communication Systems (ICACCS). 2021; 1: 367–371. Publisher Full Text
59. Kumar N, Rathee M, Chandran N, et al.: Cryptflow: Secure tensorflow inference. In: IEEE Symp Secur Priv. 2020; 336–353. Publisher Full Text
60. Zhou G, Zhang C, Li Z, et al.: Knowledge-driven digital twin manufacturing cell towards intelligent manufacturing. Int J Prod Res. 2020; 58(4): 1034–1051. Publisher Full Text
61. Li L, Qu T, Liu Y, et al.: Sustainability Assessment of Intelligent Manufacturing Supported by Digital Twin. IEEE Access. 2020; 8: 174988–175008. Publisher Full Text
62. Zhang C, Ji W: Digital twin-driven carbon emission prediction and low-carbon control of intelligent manufacturing job-shop. Procedia CIRP. 2019; 83: 624–629. Publisher Full Text
63. Zhao H, Liu J, Xiong H, et al.: 3D visualization real-time monitoring method for digital twin workshop. Computer Integrated Manufacturing Systems. 2019; 25(06): 1432–1443.
64. Wu P, Qi M, Gao L, et al.: Research on the Virtual Reality Synchronization of Workshop Digital Twin. In: 2019 IEEE 8th Joint International Conference on information technology and artificial intelligence (itaic). 2019; 875–879. Publisher Full Text
65. Fang Y, Peng C, Lou P, et al.: Digital-Twin-Based Job Shop Scheduling Toward Smart Manufacturing. IEEE Trans Industr Inform. 2019; 15(12): 6425–6435. Publisher Full Text
66. Gao X, Cai J: Optimization analysis of urban function regional planning based on big data and GIS technology. Technical Bulletin. 2017; 55(11): 344–351. Reference Source
67. Zhu L, Yu FR, Wang Y, et al.: Big data analytics in intelligent transportation systems: A survey. IEEE trans Intell Transp Syst. 2018; 20(1): 383–398. Publisher Full Text
68. Veres M, Moussa M: Deep learning for intelligent transportation systems: A survey of emerging trends. IEEE trans Intell Transp Syst. 2019; 21(8): 3152–3168. Publisher Full Text
69. Mavromatis I, Piechocki RJ, Sooriyabandara M, et al.: Drive: digital network Oracle for collaborative intelligent transportation systems. Proc IEEE Symp Comput Commun. 2020; 1–7. Publisher Full Text
70. Bhatti G, Mohan H, Singh RR: Towards the future of smart electric vehicles: Digital twin technology. Renewable and sustainable energy review. 2021; 141: 110801. Publisher Full Text
71. Rudskoy A, Ilin I, Prokhorov A: Digital Twins in the Intelligent Transport Systems. Transportation Research Procedia. 2021; 54: 927–935. Publisher Full Text
72. El Marai O, Taleb T, Song J: Roads Infrastructure Digital Twin: A Step Toward Smarter Cities Realization. IEEE Network. 2021; 35(2): 136–143. Publisher Full Text
73. Liu Y, Wang Z, Han K, et al.: Sensor fusion of camera and cloud digital twin information for intelligent vehicles. In: 2020 IEEE Intelligent Vehicles Symposium (IV). 2020; 182–187. Publisher Full Text
74. Saifutdinov F, Jackson, I, Tolujevs J, et al.: Digital Twin as a Decision Support Tool for Airport Traffic Control. In 2020 61st International Scientific Conference on Information Technology and Management Science of Riga Technical University (ITMS). 2020; (1-5). Reference Source
75. üZüMCü S, MERT AA, ATAY F: Usage of Digital Twin Technologies during System Modeling and Testing in Vessel Traffic Services System Project. In INCOSE International Symposium. 2019; 29(1): 189–202. Publisher Full Text
76. Wang S, Zhang F, Qin T: Research on the Construction of Highway Traffic Digital Twin System Based on 3D GIS Technology. J Phys Conf Ser. 2021; 1802(4): 042–045. Publisher Full Text
77. Shahat E, Hyun CT, Yeom C: City digital twin potentials: A review and research agenda. Sustainability. 2021; 13(6): 3386. Publisher Full Text
78. Steyn WJ, Broekman A: Process for the Development of a Digital Twin of a Local Road–A Case Study. In: In Civil Infrastructures Confronting Severe Weathers and Climate Changes Conference. 2021; 11–22. Reference Source
79. Brunner P, Denk F, Huber W, et al.: Virtual safety performance assessment for automated driving in complex urban traffic scenarios. In 2019 IEEE Intelligent Transportation Systems Conference (ITSC). 2019; 679–685. Reference Source
80. Gao X, Cai J, Long Y, et al.: Study on traffic organization for primary roads with super small spacing. Advances in Transportation Studies. 2017; 2. Reference Source
81. Wan Z, Dong Y, Yu Z, et al.: Semi-Supervised Support Vector Machine for Digital Twins Based Brain Image Fusion. Front Neurosci. 2021; 15: 705323. PubMed Abstract | Publisher Full Text | Free Full Text
82. Lv Z, Chen D, Feng H, et al.: Beyond 5G for Digital Twins of UAVs. Computer Networks. 2021; 197: 108366. Publisher Full Text
83. Tao F, Qi Q: Make more digital twins. Nature. 2019; 573(7775): 490–491. PubMed Abstract | Publisher Full Text