首页/文章/ 详情

数字孪生中的人工智能——技术现状、挑战和未来研究课题(下)

7月前浏览35156

本文摘要(由AI生成):

本文综述了数字孪生技术在交通领域的应用研究。包括船舶交通服务系统、高速公路交通数字孪生系统、城市交通数字孪生、地方道路数字孪生开发过程、自动驾驶安全性能评估、小间距主干道交通组织、基于数字孪生的脑图像融合、无人机数字孪生、以及数字孪生技术的更多应用。这些研究展示了数字孪生技术在交通领域的广泛应用前景和潜力。


作者:吕志涵、谢淑轩(音译)


摘要

随着数字化进程的推进,大数据、人工智能(AI)、云计算、数字孪生、边缘计算等先进的计算机技术已应用于各个领域。为研究数字孪生与AI结合的应用现状,本文通过研究当前已发表文献的研究成果,对AI在数字孪生中的应用和前景进行了分类。本文从航空航天、生产车间智能制造、无人驾驶汽车、智慧城市交通四大领域探讨了数字孪生体的应用现状,并回顾了当前面临的挑战和未来需要期待的话题。


研究发现,数字孪生与AI的融合在航空航天飞行探测仿真、故障预警、飞机组装甚至无人飞行方面具有显著效果。在汽车自动驾驶的虚拟仿真测试中,可以节省80%的时间和成本,相同的路况降低了实际车辆动力学模型的参数尺度,大大提高了测试精度。在生产车间的智能制造中,建立虚拟工作场所环境可以提供及时的故障预警,延长设备的使用寿命,确保车间整体运行安全。在智慧城市交通中,模拟真实的道路环境,恢复交通事故,使交通状况清晰高效,快速准确地进行城市交通管理。最后,我们展望了数字孪生和人工智能的未来,希望为未来相关领域的研究提供参考。

介绍

本文旨在综述数字孪生结合人工智能技术在各个领域的应用现状,以及当前面临的挑战和未来需要研究的课题。我们希望为数字孪生在各行业的应用研究提供理论依据,并具有一定的启发性效果。        

       
上一期我们分享了:数字孪生中的人工智能——技术现状、挑战和未来研究课题(上)接下来我们分享(下)篇        


   

   

数字孪生中
人工智能面临的挑战


   


   


数字孪生在
汽车自动驾驶领域面临的挑战


由于全球智能互联网汽车产业的快速发展,汽车互联网相关技术的研究对推动汽车互联网的发展具有重要意义。交通场景仿真的参数化和泛化技术表明,自动驾驶仿真的测试过程和工况可以说是无边界的。无论汽车是否正常运行,都可以反复测试,以方便发现和定位问题。然而,在车辆动态仿真测试过程中,仿真传感器和传感系统进入自动驾驶控制,决定通过纯软件形成闭环测试和系统验证测试设备,这也是当前自动驾驶硬件设备面临的重要挑战。  

自动驾驶的主要功能是通过接收数据采集可视化系统发送的实车实时位置、速度、加速度、航向角等信息,控制仿真系统中与实车对应的仿真车。在虚拟场景中实现实车控制和仿真车运行,使两者的运动状态同步,实现实车在循环中的基本功能。虽然现阶段的研究已经形成了高度开放的数字孪生自动驾驶测试能力,但也建立了友好开放的测试验证环境,支持各种自动驾驶算法实验,为自动驾驶相关研究公司提供开放的测试服务。但是,解决测试解决方案仍然存在挑战:

测试成本问题。目前的自动驾驶测试系统尚未完成,但已经产生了高昂的测试成本。这对汽车制造商来说是一个非常大的挑战。对于汽车制造商来说,最重要的问题是如何实现效益最大化和成本最小化。因此,建立高效低成本的测试环境、结构化的测试流程和强大的测试标准都是降低测试成本的关键问题。

测试灵活性问题。汽车的自动驾驶系统涵盖摄像头、激光雷达、毫米波雷达等各种传感器、处理器和控制器。虚拟测试环境不再是单一场景,需要满足多车驾驶测试方案的要求。因此,这就要求测试环境不仅要支持单车测试,还要支持多车同时行驶,确保不发生交通事故。事故对试验环境提出了更高的要求。

测试系统的顺利推进。未来,汽车自动驾驶技术解决方案必将面临巨大的变革和变革。首先,测试系统需要平稳地适应技术进步。在测试过程中,系统中的车辆、行人、路况、交通标志等必须保持稳定有序。当然,也需要根据测试进行测试。对象数量不断增加,汽车类型不时进行系统升级。

航空航天领域
数字孪生面临的挑战

尽管数字孪生的人工智能应用在航空航天领域有广泛的研究,但仍存在一些技术挑战。以航空发动机气路系统为例。基于认知加工创新和产业化水平的进步,航空发动机数据分析正向全方位、多层次、可视化方向发展。发动机参数分析范围从发动机部件到整体发动机,从发动机状态监测到整体健康管理。数据分析也从传统的集成转变为结合了大量数据、方法和模型的数字孪生过程。目前,发动机状态监测和授权数字电控系统的检测、故障检测和定位基本可以完成,但分析发动机整体健康状况的方法有限,这也成为世界各国学者面临的重大挑战。

数字化研发战略的概念似乎是陈词滥调。在过去的10年里,随着工业软件制造商的努力,中国的各个行业,包括航空航天工业,已经“相当”熟悉数字孪生的概念,但我们熟悉数字研发应用。收获的深度、广度和价值如何,我们还有相当大的改进空间。飞机的生命周期可以达到几十年,因此记录和分析整个生命周期的数据不仅有价值,而且是必要的。基于文档的部门协作模型必须转变为基于模型的数字孪生数字协作模型。这也给相关行业带来了巨大的挑战。

关于数字孪生的使用,最好的概括是构建和维护大量超现实的模型和数据。他们最能够通过实时仿真来预测整个生命周期中的产品行为。这些模型根据不同的应用情况以多种比例和示例构建,集成了多个方面,包括最佳和物理描述,并反映了真实的产品寿命。当数字孪生部署到全范围时,它将跟踪影响产品运行的所有参数信息。它包括初始设计和进一步改进,与制造相关的偏差,修改,不确定性,更新,以及从机载结合交通健康监控系统的传感器数据中可以获得的所有历史数据和航空数据,管理以前的记录,实现数据挖掘。

因此,只有利用完整的数字孪生技术,建立大量的超现实模型和数据,包括数字产品模型、数字制造模型、数字性能模型,实时、双向、透明、系统地考虑设计、制造和性能。可以控制和缩短开发周期,否则随着研发难度的增加,延迟交付的风险会越来越大。此外,只有全数字化才能突破性能设计的瓶颈。

数字孪生在
智能制造领域面临的挑战


随着许多智能生产施工技术越来越成熟,智能制造技术越来越普及,实现车间设备生产过程的高效智能实时监控仍然是研究的重点。目前,工业生产已经发展到高度自动化、信息化的阶段,但仍存在许多问题需要改进和优化。例如,许多工厂对信息系统的建设程度不同,系统之间的渠道没有完全打通,存在大量的信息孤岛,存在数据管理不完善、数据标准不一致等问题。具体来说,工厂生产的产品多样化,高度个性化,通用性差。这直接导致频繁的产品设计和工艺变更,给生产、采购、仓库、质量带来巨大挑战。

在工业产品设计过程中,如果没有数字化的帮助,设计一个产品就要经过多次迭代,消耗资源,影响交货时间。在高度集成的工业生产线设计中,需要基于精确节拍对各种设备、材料、质检、人工装配等环节进行优化协调,以提高整体效率。传统的规划流程只能依靠实际生产线中的手动模拟或验证。

数字孪生在

智慧城市交通领域面临的挑战


事实上,在数字孪生工具和平台的构建方面,目前的工具和平台大多侧重于某些特定方面,缺乏系统性的考虑。但打造城市规划、建设、管理全过程可视化,采集城市“脉搏”数据,反映城市及时运行情况,为信息资源共享、整合、有效利用、跨部门业务协同提供根解决方案。数字孪生技术具有巨大的潜力。


   

   

数字孪生中
人工智能的未来前景


   

   

数字孪生在

汽车自动驾驶领域的未来展望


在未来推广数字孪生汽车自动驾驶虚拟环境测试系统时,使用开放式模拟接口控制基于代码的交通场景是未来的一大趋势。未来的研究课题将围绕测试平台的推广进行。毕竟目前自动驾驶测试环境的利用率并没有那么高。未来需要大量全面的市场调研,准确把握市场需求,制定合理的市场推广计划,包括科研成果转化方法、产品推广应用方法、产品定价等,制定合理的产品开发计划,建立软硬件一体化数字孪生自动驾驶测试平台。

通过联合汽车制造企业、汽车供应商、科研机构等建立数字孪生自动驾驶测试系统,共同攻克其技术难关,逐步形成自动驾驶测试系统共识,推动自动驾驶测试行业发展。另一方面,面向车企、汽车供应商、科研机构推出了数字孪生自动驾驶测试平台。采用联合单位会员制,低成本使用,共同开发;对于非联合单位,采用检测服务按次收费、平台设立年费或永久授权费两种方式。建立完整的售前咨询-平台建立-检测服务-售后维护团队和体系,进行检测平台适应性调整和售后问题的收集和解决。

当然,跟踪和记录过程也非常重要。持续跟踪记录数字孪生自动驾驶测试平台的外部使用情况,建立使用信息数据库,并根据使用情况数据进行各方面对比。对数字孪生自动驾驶测试系统进行模块化、平台化效果评估,实现数字孪生自动驾驶测试系统的针对性提升,实现“平台建立-跟踪回访-迭代升级”的闭环开发模式。

航空航天领域

数字孪生的未来研究课题


数字孪生在

智能制造方向的未来展望


城市智能交通中

数字孪生的未来研究课题


随着5G、6G等前沿通信技术的进步,再加上端侧云协同计算,可以提高数字孪生的实时性能,甚至可以在不依赖高精度地图的情况下实时对未知区域进行建模。其次,通过改进行为模拟和预测算法,可以使行为预测的推演更加准确,并且计算能力更强,可以一次推导出更多的平行世界。此外,随着V2X(车联网)技术的发展,将有更多类型的交通参与者和更复杂的场景。如何让仿真变得更好,也是一个值得研究的方向。最后,在实时决策和个人远程控制方面,对整个孪生系统的要求会更高。例如,数据是否可以即时安全地传输到云端和后端,以及通过态势感知,控制命令是否可以传回物理世界。这个过程必须足够快地完成,数据传输过程需要安全稳定。结合区块链等相关技术是使这些信息闭环过程安全稳定的可探索解决方案。

数字孪生城市也是城市信息化建设不断发展的产物,是城市信息化发展的高水平阶段。实体城市对应的数字孪生城市充分利用前期形成的全市大数据,为城市综合决策、智能化管理、全局优化提供平台、工具和手段。


   

   

讨论数字孪生
在相关领域的应用


   

   

根据研究人员的研究可以发现,数字孪生在不同领域的应用已经成熟,未来有良好的应用前景。这在目前的一些研究中也得到了证实。万等人(2021)[81]综述了半监督支持向量机(SVM)在脑图像融合数字孪生体中的特征检测、诊断和预测性能。针对脑图像中大量未标记数据,利用未标记和标记数据,提出一种半监督SVM。同时,该研究还描述了如何增强AlexNet模型,并利用数字孪生模型将实际空间中的大脑图像映射到虚拟空间。不难发现,尽管脑肿瘤图像具有复杂的边缘结构、伪影、偏移场和影响图像分割的其他缺陷,但数字孪生在医学领域的应用实现了脑肿瘤精准治疗的关键步骤,真正满足了临床需求。在脑肿瘤的后续临床诊疗中极为重要。

(2021)[82]讨论了UAV(无人机)在5G/B5G(超越5G)移动和无线通信中的应用和限制。根据5G通信,提出深度学习算法,在深度学习的基础上开发无人机数字孪生消息传递路径模型。协调多点传输技术利用无人机进行干扰抑制研究。采用物理层安全的基本算法来保证信息传输的安全性。最后,可以对构建的模型进行仿真和分析。该算法在收敛速度和收敛效果方面具有突出优势,具有较强的鲁棒性。研究进一步验证了互联网技术在航空航天工业发展中发挥着不可替代的作用。
(2021)[83]表明数字孪生——机器或系统的精确虚拟副本——正在彻底改变行业。在从传感器收集的实时数据的驱动下,这些复杂的计算机模型几乎反映了项目、程序或服务的各个方面。许多大公司都使用数字孪生来发现问题并提高效率。一位分析师预测,到2021年,一半的公司可能会使用它们。尽管如此,要实现数字孪生的潜力,仍有许多工作要做。仍然面临收集数据类型的困难,例如丢失或错误的数据会扭曲结果并隐藏故障。例如,如果振动传感器发生故障,风力涡轮机的振荡将被忽略。算法和模型的建立也面临着巨大的挑战。例如,当为不同目的编写的软件手动修补在一起时,可能会发生其他错误。没有标准和指南,很难验证生成的模型的准确性。许多数字孪生可能需要组合。例如,虚拟飞机可以将机身的3D模型与故障诊断系统以及空调和增压监控系统之一相结合。


   

   

结论


   

   

参考书目

  • 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


        


来源:数字孪生体实验室
System振动疲劳通用航空航天汽车通信云计算BIM理论材料数字孪生控制工厂试验
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2023-04-12
最近编辑:7月前
数字孪生体实验室
围绕数字孪生技术的创新研发,推...
获赞 446粉丝 364文章 586课程 2
点赞
收藏
作者推荐
未登录
还没有评论
课程
培训
服务
行家
VIP会员 学习 福利任务 兑换礼品
下载APP
联系我们
帮助与反馈