新智元报道
编辑：泽正 静音
【新智元导读】AI在赋能艺术设计、文本撰写等领域后，也给城建规划与城市动态实时监测注入了新的活力。
东京高分辨率点云3D数字孪生模型现已公开发布！任何人都可以免费下载。
项目地址：https://github.com/tokyo-digitaltwin
这一数字孪生模型的规模非常大，而且它对东京的刻画也非常之精细——其绝对位置精度大约在10cm以内。
路上的斑马线
对此，英伟达高级研究科学家Jim Fan表示，「越来越多的城市、房屋和工厂被导入模拟环境将是一个必然的趋势」。
未来，机器人将不会孤立地进行训练。它们将作为「钢铁舰队」在实时图形引擎中进行模拟，并通过一个巨大的集群进行扩展，以生成下一个数万亿级别的高质量训练数据。
也就是说，将物理环境数字化并导入虚拟模拟世界，将极大加速机器人技术的发展。
通过在高精度模拟环境中训练，机器人能获得丰富的训练数据，并在复杂场景中快速学习。
这种方法将推动机器人从虚拟世界到现实世界的顺利迁移，提升其在实际应用中的效率和智能。
什么是城市数字孪生？
简单来讲，数字孪生就是将物理空间中的实体搬到网络空间中进行重现。
当这种重现的精度达到了一定层次后，人们就可以通过使用从实体对象上的传感器发送的实时数据来模拟行为并监控操作，实现构建和利用「孪生」城市。
对于城市进行的数字孪生其实也就是基于感知的城市数据，在网络空间上像「孪生」一样再现建筑物、道路等基础设施与经济活动、人流等各种要素。
也就是说，就像下图这种连续循环的状态一样，可以通过基于从物理空间各个领域的活动中获取的实时数据，在网络空间中进行高级分析和模拟，并将其结果以交互式的形式高速反馈到物理空间。
根据Werner Kritzinger等人的研究，数字孪生有三个阶段。
第一阶段被称为数字模型，现有的物理对象和表现它的虚拟空间之间的相互转换是手动进行的状态。在城市的数字孪生中，则是将已经拥有的历史数据（例如：车流数据的再现等）在三维城市上再现的状态。
第二阶段被称为数字阴影，是一种单向数据流的状态，支持将物理对象自动转换为数字对象。
第三阶段是数字孪生，物理对象和数字对象，实现双向完全融合，每一个对象变化，都会自动反映在另一个对象上。在城市的数字孪生中，是指在现实的物理空间和网络空间中，进行双向数据交换的状态。
对于城市的数字孪生，其价值主要有：
- 与现实联动的实时数据获取：利用先进的传感器技术和通信技术实时收集各种数据
- 利用3D空间的分析和模拟：在再现现实的空间中进行试验等高级分析和模拟
- 反馈现实：将结果实时反馈到现实空间，用于决策、系统控制等
例如，新南威尔士州中将数字孪生技术与AI预测引擎应用于交通拥堵分析调控中，可以大幅降低因为交通拥堵而损失的社会效益成本。
数字孪生与模拟的对比
城市数字孪生是通过构建一个城市的数字化复制品，实时反映物理世界的状态。
它随着城市的实时运行而不断变化，就像一个与现实城市同呼吸共命运的「影子」。这个模型不仅能够反映城市的现状，还能够根据现实中的突发情况迅速做出反应。
相比之下，城市模拟是一个相对静态的、基于假设和预设规则的模型。
它是对过去城市运行数据的提炼和总结，虽然能够反映一定的规律，但相较于数字孪生的实时数据，精准度会稍逊一筹。城市模拟更像是依据城市过去的「病历」来推测未来可能出现的病情。
总的来说，数字孪生和模拟都是基于虚拟模型的模拟，但存在一些关键差异。
模拟通常用于设计，在某些情况下还用于离线优化。设计人员将更改输入到模拟中，以观察假设情景。而数字孪生则是复杂的虚拟环境，人们可以与之交互并实时更新。它们的规模更大，应用更广泛。
以汽车模拟为例，新驾驶员可以获得身临其境的训练体验，学习各种汽车零件的操作，并在虚拟驾驶时面对不同的真实场景。但是，这些场景与实际的实体汽车没有关联。
汽车的数字孪生则与实体车辆相关联，并了解实际汽车的所有信息，例如重要的性能统计数据、过去更换的零件、传感器观察到的潜在问题、以前的维修记录等。
城市数字孪生的三大支柱
城市数字孪生的三大支柱定义为「数据维护」、「数据可视化」和「数据分析」。
- 数据维护
对3D数字地图、点云数据、GIS数据等数字孪生上处理的地理空间数据信息进行维护和聚合，其中包含数据收集、数据存储与管理。
- 数据可视化
通过3D查看器等可视化系统，将复杂的数据转化为直观的图形、图表和三维模型，使得城市管理者可以看到整个城市的「数字画像」。
例如，用热力图来展示城市不同区域的人口密度，用动态流线图来表示交通流量的流向和拥堵情况，用三维模型来模拟建筑物的能耗分布。
这些可视化的呈现方式，让城市管理者能够一眼看清城市的运行状态，仿佛拥有了一双能够透视城市的「慧眼」。
- 数据分析
通过各种应用模拟器，使用数字孪生上的数据进行分析，并将其用于措施。
以城市公共交通为例，通过分析乘客的出行时间、出行路线和出行频率等数据，可以调整公交线路、优化公交车辆的调度，提高公共交通的运营效率，减少乘客的候车时间和出行成本。
在能源管理方面，分析建筑物的能耗数据，可以制定出精准的节能方案，降低城市的能源消耗，实现城市的可持续发展。
数据维护、数据可视化以及数据分析
东京数字孪生
东京数字孪生项目计划于2030年实现，目前已经推出相关的beta版本。
体验链接：https://3dview.tokyo-digitaltwin.metro.tokyo.lg.jp/?_ga=2.180157796.1370176531.1735090358-57006728.1735090358
如下面演示，东京数字孪生通过将城市环境的高度、经度、维度作为建模参数，利用3D点云测绘，实现了可视化整个城市为「数字孪生」。
如下视频演示，东京数字孪生在灾害应急救助时，也能派上大用场。
由于在通过航空激光测量等获得的大规模点云数据中，存在激光无法到达的点云数据部分缺失的部分。
当需要点云数据的部分缺失时，可以通过使用易于使用的设备自行获取点云数据并将其上传到东京数字孪生项目中进行叠加来补充缺失部分。
例如在高架桥下、桥梁下、拱廊、隧道内等。下图为表示桥梁下的点云数据缺失部位的例子。
对于变换较快的环境，考虑到时间与费用成本，很难进行频繁的航空激光测量广域点云数据进行频繁更新。此时，用成本较小的简易点云数据就更为现实。例如由于大雨、山体滑坡等灾害而急剧变化的地形。
简易点云数据可以通过激光扫描仪获取。如下图所示，激光扫描仪以恒定的间隔径向地用激光束照射扫描目标区域。
其中，撞击物体的部分激光会被反射回激光扫描仪，接收到反射激光束的激光扫描仪可以利用从照射到接收的时间来计算其到物体的距离，并计算接收到激光的物体表面的相对位置信息。在每个激光束的计算位置上打一个点，这些点的集合就是扫描区域的点云数据。
为了进行比较验证，有研究人员使用在东京创建的参考点云（TLS/GNSS-static）进行了点云精度评估。他们使用CloudCompare的C2C距离函数来评估原始数据的准确性，而无需进行位置校正（ICP等）。
C2C距离的直方图
直方图中的蓝色代表1cm以下的误差，绿色则为2-3cm的误差，红色为4cm以上的误差。
通过C2C距离直方图，可以发现该点云数据具有着高精度水平的表现，这种精度水平足以具有广泛的应用。
目前，评估结果还仅在某些地区可用，但如果整个东京都能够获得类似的准确性，那么数字孪生东京将具有出色的模拟质量，并且足以用于商业目的。
参考资料：
https://x.com/DrJimFan/status/1871620755798233156
https://info.tokyo-digitaltwin.metro.tokyo.lg.jp/3dmodel/
https://3dview.tokyo-digitaltwin.metro.tokyo.lg.jp/?_ga=2.148828535.1370176531.1735090358-57006728.1735090358
