A BIM-Enabled Digital Twin Framework For Real-Time Indoor

Machine Translated by Google
Revista de Ingeniería de la Construcción 86 (2024) 108901
Listas de contenidos disponibles en ScienceDirect
Revista de ingeniería de la construcción
página de inicio de la revista: www.elsevier.com/locate/jobe
Un marco de gemelo digital habilitado para BIM para monitoreo y

visualización del ambiente interior en tiempo real mediante la
integración de robótica autónoma, mapeo móvil 3D basado en LiDAR,
detección de IoT y tecnologías de posicionamiento en interiores.
a
Xihu , Rayan H. Assaad ,*
a
Laboratorio de Construcción Inteligente y Sistemas de Infraestructura Inteligente (SCIIS), Departamento de Ingeniería Civil y Ambiental John A. Reif, Jr., Nuevo
Instituto de Tecnología de Jersey, Newark, Nueva Jersey, 07102, EE. UU.
INFORMACIÓN DEL ARTÍCULO ABSTRACTO
Palabras clave: Los métodos existentes de monitoreo del ambiente interior a menudo se quedan cortos debido a la falta de uso de
Modelado de información de construcción métodos de evaluación estandarizados, la falta de información espacial o la ausencia de interfaces de visualización
Monitoreo ambiental interior fáciles de usar. Para abordar estas limitaciones, este artículo propone un novedoso marco de gemelos digitales para
Posicionamiento, seguimiento y localización en interiores el monitoreo y visualización del ambiente interior en tiempo real mediante la integración del modelado de información
Robótica
de construcción (BIM), Internet de las cosas, mapeo y detección móviles autónomos basados en robots y tecnologías
Internet de las cosas (IoT)
de posicionamiento en interiores. El objetivo es monitorear de forma autónoma las condiciones ambientales interiores
Gestión de instalaciones del edificio.
y proporcionar visualización en tiempo real utilizando un índice de evaluación estandarizado con información espacial
estimada en software BIM. El marco propuesto se demostró y validó en dos escenarios interiores para aplicaciones
relacionadas con el monitoreo de la calidad del aire y la visualización. Los resultados de la implementación revelaron
que: el marco capturó de manera efectiva las características espaciales de la calidad del aire en espacios interiores
pequeños y medianos y las visualizó intuitivamente utilizando un modelo de gemelo digital BIM; y el sistema de
posicionamiento en interiores basado en banda ultraancha logró una precisión de posicionamiento de casi un
centímetro. Las interpretaciones prácticas de los resultados demostraron que el marco propuesto no sólo puede
detectar y localizar las fuentes potenciales de contaminantes del aire sino que también puede identificar las posibles
causas de la baja calidad del aire interior. En última instancia, este estudio contribuye al conjunto de conocimientos al
ofrecer un marco de gemelo digital novedoso y genérico que une a la perfección varias tecnologías populares pero
previamente aisladas para informar mejor las decisiones relacionadas con la gestión de instalaciones de edificios. Este
artículo es el primer trabajo de investigación que integra varias tecnologías emergentes (es decir, BIM, gemelos
digitales, detección de IoT, localización/posicionamiento/seguimiento en interiores y robótica) para avanzar en el
monitoreo y visualización en tiempo real de las condiciones ambientales interiores. Si bien el marco propuesto se
aplicó para el monitoreo de la calidad del aire interior, podría ampliarse y utilizarse para diversas aplicaciones
relacionadas con la visualización y la evaluación ambiental interior.
1. Introducción
La gestión de instalaciones del edificio (BFM) es fundamental para proporcionar a los ocupantes y usuarios un entorno seguro, cómodo, funcional y productivo.
* Autor correspondiente.
Direcciones de correo electrónico: xh32@njit.edu (X. Hu), rayan.hassane.assaad@njit.edu (RH Assaad).
https://doi.org/10.1016/j.jobe.2024.108901 Recibido el
28 de noviembre de 2023; Recibido en forma revisada el 19 de febrero de 2024; Aceptado el 20 de febrero de 2024 Disponible
en línea el 21 de febrero de 2024
23527102/© 2024 Elsevier Ltd. Todos los derechos reservados.
X. Hu y RH Assaad Revista de Ingeniería de la Construcción 86 (2024) 108901
ambiente [1]. Muchos estudios (p. ej., referencias [2 a 4]) revelaron que el monitoreo del ambiente interior (IEM) desempeña un papel vital en el BFM de
muchas maneras, tales como (1) garantizar la salud, la seguridad, la satisfacción y la productividad de los ocupantes del edificio, y (2) optimizar la eficiencia
energética dentro de un edificio. Específicamente, IEM es un proceso de evaluación y análisis continuo de múltiples condiciones ambientales interiores. Estas
condiciones ambientales podrían ser la calidad del aire interior (IAQ), el confort térmico, las condiciones de iluminación y los niveles de ruido, entre otras [5].
Como tal, es necesario informar a los administradores de las instalaciones sobre las condiciones ambientales interiores para tomar rápidamente decisiones
efectivas para gestionar y optimizar el rendimiento de un edificio [6].
Las técnicas existentes para IEM se pueden clasificar en enfoques objetivos y subjetivos. Los enfoques objetivos aprovechan métodos cuantitativos como
redes de sensores y servicios de registro de datos para medir y evaluar diferentes parámetros ambientales interiores (por ejemplo, concentración de CO2).
Centrándonos en las redes de sensores para IEM, se han aplicado ampliamente tanto sensores portátiles como no portátiles. Por ejemplo, se han utilizado
sensores portátiles como sensores de electroencefalograma [7] y sensores de temperatura de la piel [8] para medir las respuestas fisiológicas de los ocupantes
para evaluar las condiciones térmicas interiores. Mientras tanto, las redes de sensores inalámbricos no portátiles son populares para que IEM evalúe la calidad
del aire interior [9] y los niveles de contaminación acústica [10]. Por otro lado, los enfoques subjetivos se basan en encuestas y comentarios de los ocupantes
del edificio para obtener información cualitativa que refleje las experiencias y opiniones subjetivas de los ocupantes con respecto a su nivel de comodidad y
satisfacción en los espacios interiores.
Aunque ambos tipos de enfoques han logrado cierto nivel de éxito para IEM debido a sus beneficios únicos, cada uno de ellos todavía está sujeto a
algunas limitaciones. Por ejemplo, el enfoque objetivo basado en redes de sensores es una técnica integral con alta escalabilidad y flexibilidad para recopilar
datos en tiempo real para caracterizar las condiciones del ambiente interior [1113]. Sin embargo, las redes de sensores masivas pueden requerir una gran
cantidad de sensores y otros equipos necesarios, lo que a menudo se asocia con altos gastos para implementar y mantener dichas redes [14]. Además, los
sensores de las redes masivas de sensores sólo pueden detectar el ambiente interior en posiciones estacionarias, por lo que carecen de la capacidad de
capturar completamente las características espaciales del ambiente interior [1518]. Con respecto al enfoque subjetivo basado en encuestas, si bien es
rentable, simple y a menudo se basa en los comentarios de los ocupantes, posee los siguientes inconvenientes: (1) alta subjetividad en los resultados de la
evaluación del ambiente interior debido a las respuestas autoinformadas [19] y (2) conocimientos limitados sobre los cambios dinámicos de las condiciones
ambientales interiores [20]. Con el apoyo de la robótica, se han desarrollado diferentes plataformas robóticas móviles de detección (por ejemplo, Ref. [16])
para medir parámetros ambientales (por ejemplo, temperatura) en espacios interiores. Sin embargo, estas plataformas a menudo se centran en la recopilación
de datos y, por lo general, carecen del procesamiento de datos en tiempo real para evaluar las condiciones ambientales interiores utilizando métodos de
evaluación estándar.
Por lo tanto, existe la necesidad de desarrollar un sistema IEM como una herramienta objetiva y rentable para proporcionar a los administradores de instalaciones
de edificios una evaluación estandarizada de las condiciones ambientales interiores junto con información espacial en tiempo real. Para abordar esta necesidad de
investigación, este artículo propone un marco de gemelo digital habilitado para el modelado de información de construcción (BIM) que capitaliza las ventajas de los
métodos existentes y al mismo tiempo aborda sus limitaciones para mejorar las prácticas existentes de IEM. El marco propuesto puede (1) monitorear de forma
autónoma y dinámica el ambiente interior en diferentes ubicaciones a través de sensores móviles para mejorar la resolución espacial de IEM, y (2) visualizarlo
intuitivamente utilizando un modelo de gemelo digital en software BIM para informar mejor las decisiones relacionadas con BFM. .
2. Meta y objetivos
El objetivo de este documento es desarrollar un marco de gemelo digital habilitado para BIM mediante la integración de sensores móviles basados en
robots, Internet de las cosas (IoT), tecnología de posicionamiento en interiores (IPT), SCANtoBIM basado en mapeo móvil robótico 3D y Gemelos digitales
para evaluar y visualizar objetivamente las condiciones ambientales interiores en tiempo real. Los objetivos de la investigación incluyen: (1) desarrollar una
unidad de detección de IoT para medir diferentes parámetros ambientales para la evaluación ambiental interior utilizando métodos de evaluación estándar; (2)
configurar un robot móvil con total autonomía para proporcionar movilidad a la unidad de detección para detectar datos libremente en diferentes ubicaciones;
(3) desarrollar un sistema de posicionamiento interior para rastrear la unidad sensora y capturar la información espacial de las condiciones ambientales
interiores; (4) crear un prototipo de un sistema robótico de mapeo móvil en 3D para generar un modelo basado en nube de puntos para soportar SCANto
BIM; y (5) crear un modelo de gemelo digital para visualizar dinámicamente las condiciones ambientales interiores y sus interacciones con la instalación física
utilizando BIM.
3. Revisión de la literatura
Esta sección presenta la literatura relevante y describe las brechas de conocimiento identificadas que se abordan en este documento.
3.1. Redes masivas de sensores para IEM
Muchos estudios existentes han aplicado y/o desarrollado varias redes de sensores cableados o inalámbricos para monitorear las condiciones de los
ambientes interiores (por ejemplo, la calidad del aire y el confort térmico). Por ejemplo, Chen y Lu [21] desarrollaron un sistema basado en web para detectar
y visualizar datos de parámetros interiores como la temperatura del aire y la intensidad de la luz. Bamodu et al. [22] propusieron una red de sensores de bajo
costo con sensores (por ejemplo, sensor de temperatura y humedad DHT11) que se pueden colocar en diferentes ubicaciones de una habitación para medir
la temperatura y la humedad interior para la evaluación del confort térmico humano. A pesar de los sensores aplicados por Bamodu et al. [22] al ser fácilmente
asequible, el costo total y el consumo de energía de dicha red de sensores pueden seguir siendo altos cuando se implementa en una instalación grande con
múltiples pisos. Curiosamente, para disminuir el consumo de energía de las redes de sensores, Tran et al. [23] desarrollaron un módulo de sensor sin batería
utilizando una etiqueta de sensor inteligente y tecnología de recolección de energía de radiofrecuencia para el monitoreo de la calidad del aire interior. Woo et
al. [24] integraron el uso de dispositivos sensores portátiles (es decir, Testo 480) y encuestas mediante cuestionarios para evaluar exhaustivamente la calidad
del ambiente interior (por ejemplo, niveles de iluminancia y sonido) en espacios de oficinas en relación tanto con los parámetros ambientales como con las
percepciones de los ocupantes. En general, los sistemas IEM basados en redes masivas de sensores se han ido desarrollando hacia una solución más asequible y más
2
dirección interactiva debido al uso de plataformas de visualización basadas en web y dispositivos de detección más avanzados que son portátiles y/o requieren
menos consumo de energía.
3.2. Detección móvil basada en robots para IEM
La detección móvil basada en robots (RBMS) se refiere a la combinación de plataformas robóticas móviles y tecnologías de detección de IoT para permitir
tabla 1
Aplicaciones de la robótica para el seguimiento de las condiciones del ambiente interior.
Referencia Aplicación específica plataforma robótica Lleno Sistema Plataforma de
autonomía de posicionamiento plataforma en la nube visualización

Tipo de aplicacion Tarea realizada Plataforma nombre del robot
interior
tipo
a C F
[26] IAQM Toma de datos de gases UGV rasmus mi
Y norte norte norte
interiores: CO, CO2, CH4,

etc.
b
[2] IEM Recogida de datos de parámetros UGV TortugaBot 2 Y El norte
Matplotlib de Python
ambientales: temperatura sistema de
del aire, iluminancia, CO2, 1 etiquetas de
realidad aumentada
PM2.5 y COV
d
[27] IAQM Recopilación de datos UAV g NA Locomotora norte norte
de gases interiores: etanol y Posicionamiento
compuestos volátiles Cuadricóptero Crazyflie 2.0 Sistema
orgánicos totales
[28] IAQM Recopilación de datos UGV Robot Y norte norte norte
de parámetros vacío
ambientales: limpiador
temperatura del aire,

humedad relativa y aire
presión
[29] IEM Recopilación de datos de Robot humanoide Nao norte norte norte norte
parámetros
ambientales:
temperatura del
aire, iluminancia y presión
sonora.
[30] IAQM Recogida de datos de UGV norte norte norte norte
parámetros Autopersonalizado
ambientales:
temperatura del aire y CO.

[15] IAQM Recopilación de datos de UGV N/A Y norte norte norte
gas interior: CO2

[dieciséis] IEM Recopilación de datos y UGV Autolabor Y mente marvel norte norte
localización de PM1 Baliza HW
parámetros v4.9
ambientales:
temperatura del aire y
humedad relativa.
[31] IAQM Recopilación de datos y UGV TortugaBot 2 Y norte norte norte
localización de
parámetros
ambientales: etanol.
[32] IAQM Recopilación de datos de UGV ENVIHbot Y norte
Hablar de cosas; Aplicación MIT Inventor:
parámetros Partícula Visualización de datos
ambientales: ambientales;
temperatura del aire, humedad ThingSpeak: Seguimiento del
relativa, CO y protocolo sanitario

CO2
Escaneo de la
Seguimiento temperatura corporal
del protocolo sanitario. de los ocupantes; Detección de
mascarilla facial; Ejecutando

la función de saneamiento.
a
IAQM: Monitorización de la calidad del aire interior.
b
COV: Compuesto orgánico volátil.
C
UGV: Vehículo terrestre no tripulado.
d
UAV: Vehículo aéreo no tripulado.
mi
Y: aplicable.
F
N: no aplicable. g NA:
información desconocida o no disponible.
3
robots para recopilar datos de su entorno mientras se mueven [16,25]. La Tabla 1 resume los estudios previos que involucran RBMS para monitorear las condiciones de los ambientes interiores.
Además de los sensores necesarios (por ejemplo, sensores de gas) para aplicaciones específicas, los robots también están equipados con otros dispositivos de detección como sensores
de detección y alcance de luz (LiDAR) y unidades de medición inercial, lo que les permite percibir y comprender los entornos circundantes. La Tabla 1 muestra que se han utilizado tres categorías
de plataformas robóticas para IEM, incluido el vehículo terrestre no tripulado (UGV) (p. ej., Ref. [32]), el vehículo aéreo no tripulado (UAV) [27] y el robot humanoide [29]. Entre estas plataformas
robóticas, los UGV son los que se aplican con más frecuencia para realizar sensores móviles de parámetros ambientales para evaluar las condiciones ambientales interiores. Mientras tanto, se
han utilizado diferentes sistemas de posicionamiento interior para capturar las características espaciales de los parámetros ambientales interiores y/o para ayudar en la localización de la propia
plataforma robótica. Estos sistemas de posicionamiento en interiores incluyen un sistema de etiquetas de realidad aumentada [2], un sistema de posicionamiento Loco [27] y Marvelmind Beacon
HW v4.9 [16]. A pesar de que la mayoría de las plataformas robóticas reportadas están configuradas con total autonomía para realizar sensores móviles, los datos detectados por estos robots a
menudo se almacenan localmente, lo que resulta en una falta de análisis de datos en tiempo real que son facilitados por la comunicación inalámbrica o las plataformas en la nube.
Por lo tanto, el desfase temporal entre las tareas de detección de datos y las tareas de análisis de datos puede conducir a una baja eficiencia a la hora de informar las decisiones relacionadas
con la gestión de las instalaciones. Además, sólo un número limitado de sistemas IEM han incorporado la visualización de los datos detectados para mejorar la experiencia del usuario. Por
ejemplo, Nagayo et al. [32] aplicaron la aplicación MIT Inventor para visualizar los datos detectados de cuatro parámetros ambientales (es decir, temperatura del aire, humedad relativa, CO y
CO2) para el monitoreo de la calidad del aire interior. Sin embargo, la herramienta de visualización de Nagayo et al. [32] carece de visualización de las interacciones entre el ambiente interior
monitoreado con su entorno circundante. Por lo tanto, existe la necesidad de desarrollar un marco y una interfaz más fáciles de usar para visualizar dinámicamente las condiciones ambientales
interiores, así como sus interacciones con el mundo físico circundante.
3.3. Gemelos digitales habilitados para BIM para BFM
Los gemelos digitales habilitados para BIM son la integración de BIM y tecnologías de gemelos digitales al aprovechar la rica información (por ejemplo, semántica, geometría e información
de textura) dentro de un modelo BIM para crear una representación dinámica y basada en datos de los activos construidos [33 ]. Esta integración mejora las capacidades de ambas tecnologías,
ofreciendo una visión holística y una mejor comprensión del ciclo de vida del activo físico.
Muchos estudios han examinado los gemelos digitales habilitados para BIM para diferentes aplicaciones relacionadas con BFM. Por ejemplo, Lu et al. [34] propusieron un sistema de
detección de anomalías digital habilitado para gemelos para detectar y visualizar dinámicamente las anomalías dentro de las bombas centrífugas del sistema HVAC (calefacción, ventilación y
aire acondicionado) en el software BIM. Basado en una red de sensores de IoT, Wang et al. [35] desarrollaron un marco de gemelo digital impulsado por IoT basado en BIM para el monitoreo de
las condiciones ambientales interiores. Arsiwala et al. [36] propusieron un marco de gemelo digital con aprendizaje automático para monitorear y visualizar dinámicamente las emisiones de CO2
equivalentes de las instalaciones construidas mediante la integración de BIM, IoT e inteligencia artificial. Hosamo et al. [37] desarrollaron un marco de gemelo digital habilitado para BIM que
incorpora datos de sensores en tiempo real, comentarios de los ocupantes y detección y predicción automatizada de fallas de HVAC para el monitoreo y visualización del confort térmico interior.
Estos estudios comúnmente revelaron que los marcos de gemelos digitales habilitados para BIM han recibido cada vez más atención en los últimos años para crear mejores experiencias de
usuario para propósitos de BFM. Por lo tanto, resulta prometedor ampliar el potencial de los gemelos digitales habilitados por BIM para más aplicaciones combinándolos con otras tecnologías
emergentes como la robótica y la IPT.
3.4. Brecha de conocimiento
A pesar de la importancia de los estudios existentes relacionados con el uso de redes masivas de sensores y robótica para gemelos digitales habilitados para IEM y BIM, todavía existen tres
grandes lagunas de conocimiento, como se explica a continuación.
En primer lugar, los sistemas IEM existentes basados en redes masivas de sensores o RBMS se centraban exclusivamente en medir parámetros ambientales interiores. Por lo tanto, carecen
del uso de métodos de evaluación estandarizados para evaluar de manera integral las condiciones ambientales interiores. Específicamente, como se muestra en la Tabla 1 (consulte la columna
de "Tarea realizada"), el UGV, UAV o robot humanoide aplicado tenía como objetivo recopilar datos sobre varios parámetros ambientales, como los contaminantes del aire interior (por ejemplo,
CO y CO2). iluminación, temperatura del aire y humedad relativa. Luego, la evaluación se realizó basándose en los datos detectados de uno o varios parámetros ambientales. Como resultado, la
evaluación de las condiciones ambientales interiores tiende a ser sesgada y poco fiable ya que no se consideran las interacciones entre diferentes parámetros ambientales. De hecho, la IAQ se
ve afectada por múltiples contaminantes del aire; por lo tanto, una evaluación basada en un contaminante del aire lleva a ignorar otros contaminantes del aire que pueden tener una influencia
más grave en la calidad del aire. Por lo tanto, al aprovechar los datos de los sensores, se necesitan métodos de evaluación estandarizados para evaluar el ambiente interior considerando
múltiples parámetros ambientales. Estos métodos de evaluación podrían ser la función lineal por partes junto con la regla de clasificación IAQ para calcular el índice IAQ [38] o el voto medio
previsto (PMV) para cuantificar el nivel de confort térmico interior de los ocupantes [39, 40].
En segundo lugar, los gemelos digitales y la robótica habilitados para BIM están actualmente aislados entre sí para IEM, lo que resulta en una desconexión entre la detección móvil y la
visualización habilitada para BIM para monitorear y visualizar el ambiente interior en tiempo real. Estudios anteriores (por ejemplo, Ref. [37]) demostraron el éxito del marco de gemelo digital
habilitado para BIM para BFM debido a las múltiples características únicas de BIM. Estas características incluyen la representación digital precisa de los activos físicos, la capacidad de integrar
diversos datos (por ejemplo, información de geometría arquitectónica y datos de sensores) en un solo modelo y la poderosa capacidad de visualización que permite a los usuarios comprender
mejor los comportamientos de los activos. Por lo tanto, existe la necesidad de combinar gemelos digitales habilitados para BIM con sensores móviles para capturar, modelar y visualizar de
manera efectiva las diversas características (por ejemplo, información espacial) del entorno interior para informar mejor la toma de decisiones relacionadas con BFM.
En tercer lugar, inspeccionar manualmente una instalación construida para generar un modelo BIM para presentación digital es a menudo un proceso laborioso y que requiere mucho tiempo,
especialmente cuando la instalación es grande y tiene formas/estructuras complejas [41]. Aunque la tecnología de escaneo láser puede crear una
4
modelo de nube de puntos 3D preciso para respaldar la generación de modelos BIM semiautomáticos [36], a menudo requiere equipos de escaneo costosos y la dependencia de topógrafos
experimentados para mover y colocar el dispositivo de escaneo en diferentes ubicaciones dentro de una instalación mediante la implementación de un plan de escaneo predefinido. . Este proceso
de generación de modelos BIM semiautomático también se conoce como ScantoBIM, cuyo objetivo es convertir datos de nubes de puntos en un modelo BIM agregando más semántica a la nube
de puntos para crear un modelo BIM [42]. Más específicamente, con el uso de dispositivos de escaneo, el proceso topográfico de una instalación construida se automatiza completamente para
generar una representación digital basada en una nube de puntos sin mediciones manuales. Aunque esta representación digital es compatible con el software BIM, contiene información limitada
ya que las nubes de puntos representan principalmente datos geométricos [43]. Sin embargo, todavía falta más información relacionada con la semántica (por ejemplo, propiedades de los
materiales y detalles de construcción) de los objetos en las nubes de puntos, lo que requiere una cierta cantidad de trabajo manual como práctica común para generar un modelo BIM con
semántica utilizando el modelo de nube de puntos. como punto de referencia [44]. Por lo tanto, esta generación de modelos BIM semiautomática implica una topografía totalmente automatizada
mediante escaneo láser y un proceso manual para convertir datos de nubes de puntos en un modelo BIM para enriquecimiento semántico. La naturaleza costosa del equipo de escaneo para Scan
toBIM está relacionada con la complejidad del equipo y el hardware y/o software propietario. La complejidad de los equipos se debe a tecnologías sofisticadas como LiDAR y escaneo láser, que
a menudo conllevan un alto costo de compra/fabricación y mantenimiento. El hardware y/o software propietario son desarrollados por fabricantes y/o empresas específicas, por lo que las tarifas de
licencia o la exclusividad también pueden contribuir a los altos gastos de propiedad o uso del equipo de escaneo. Por ejemplo, en 2023, un pequeño escáner 3D portátil (por ejemplo, GeoSLAM
Zeb Revo RT) tendrá un precio normal de hasta 48.500 dólares, mientras que un escáner terrestre de alto rendimiento (por ejemplo, RIEGL VZ400i) puede costar más de 250.000 dólares.
Inspirándose en la localización y el mapeo simultáneos robóticos (SLAM) para la generación de mapas basados en nubes de puntos, es beneficioso expandir el uso de SLAM para la topografía
automatizada a gran escala en apoyo de una producción de modelos BIM más eficiente de manera no tripulada y más asequible. hardware y/o software de código abierto existente.
Para abordar las brechas de conocimiento identificadas, este documento propone un novedoso marco de gemelo digital para monitorear y visualizar dinámicamente el ambiente interior para
mejorar BFM al unir sin problemas la detección móvil autónoma, BIM, la generación de modelos BIM asistidos por SLAM e IPT.
4. Metodología
En esta sección se presentan los detalles de la metodología seguida por este artículo.
4.1. Descripción general
Como se muestra en la Fig. 1, hay cuatro módulos principales en el marco de gemelo digital habilitado para BIM propuesto para IEM. Estos módulos son (1) captura de instalaciones
construidas para la generación de modelos BIM, (2) detección móvil robótica autónoma, (3) comunicación inalámbrica y (4)
Generación de gemelos digitales habilitados para BIM.
En el nivel más alto de abstracción, la captura de instalaciones construidas se centra en el uso de nubes de puntos basadas en SLAM e imágenes de 360° para ayudar a dibujar la
representación digital de un activo construido (por ejemplo, un edificio educativo) utilizando BIM de forma semiautomática. La plataforma de detección móvil robótica autónoma desarrollada en
este documento aprovecha un UGV con autonomía de navegación total para proporcionar movilidad a un prototipo de detección de IoT para detectar de forma independiente los parámetros
ambientales en diferentes ubicaciones para una evaluación cuantitativa de los ambientes interiores. Mientras tanto, la plataforma robótica de detección móvil también es rastreada por un sistema
de posicionamiento interior desarrollado utilizando tecnología de detección de distancia de banda ultra ancha (UWB). La comunicación inalámbrica permite la transferencia de datos en tiempo real
desde una plataforma robótica de detección móvil al software BIM para generar gemelos digitales basados en BIM. Al final, la generación de gemelos digitales basados en BIM tiene como objetivo
Fig. 1. Descripción general del marco de gemelo digital habilitado para BIM propuesto para el monitoreo del ambiente interior.
5
recibir, procesar y visualizar dinámicamente los datos del sensor de transmisión en un modelo BIM para el monitoreo y visualización del ambiente interior.
Los detalles sobre cada uno de los cuatro módulos se proporcionan en las siguientes subsecciones.
4.2. Captura de instalaciones construidas para generación de modelos
BIM 4.2.1. SLAM basado en LiDAR para generación de nubes de puntos

En el contexto de los gemelos digitales, las técnicas SLAM (como el SLAM basado en LiDAR) ofrecen soluciones de bajo costo para generar representaciones de alta fidelidad de
espacios físicos o activos utilizando nubes de puntos [45]. SLAM basado en LiDAR, que también se conoce como Odometría y Mapeo LiDAR (LOAM), combina la tecnología de
detección LiDAR y los algoritmos de localización y mapeo para construir un mapa de un entorno desconocido y estimar la posición del sensor LiDAR dentro de ese entorno
simultáneamente. En este artículo se seleccionó LOAM para generar un modelo de nube de puntos de una instalación construida debido a sus múltiples ventajas, incluida (1) una
representación de nube de puntos 3D densa y precisa de la instalación construida gracias a mediciones directas de profundidad de sensores LiDAR, (2) alta robustez a las condiciones
de iluminación, (3) gran adaptabilidad ambiental y (4) alta resolución espacial para capturar las características geométricas de los objetos. Estudios anteriores (p. ej., Refs. [46,47])
también enfatizaron la necesidad y la importancia de planes y especificaciones de escaneo para la captura de la realidad 3D de edificios basada en nubes de puntos, independientemente
de los tipos de escaneo (p. ej., escaneo terrestre y escaneo móvil). . Por lo tanto, se desarrolló un plan de escaneo detallado con especificaciones de escaneo conocidas de los
dispositivos para garantizar la calidad del mapa basado en la nube de puntos. Los resultados sobre el plan de escaneo y las especificaciones se detallan en la sección "ESTUDIO DE
CASO" de este documento debido a sus variaciones según los diferentes tamaños de instalaciones y escenarios de aplicación. Luego, se utilizó el algoritmo LeGOLOAM desarrollado
por Shan y Englot [48] , ya que es un algoritmo liviano con capacidad de generación de mapas comparable y bajos costos computacionales. A pesar de que LOAM proporciona
información espacial/geométrica precisa sobre un objeto, no tiene la capacidad de capturar la información contextual de un objeto, como colores y texturas.
Por lo tanto, es posible que se necesite información visual adicional sobre los objetos para complementar el modelo de nube de puntos basado en LOAM para una
visualización mejorada y más realista de un objeto capturado. Un objeto capturado por el sensor LiDAR podría ser un componente del edificio (p. ej., pared y techo)
o un mueble (p. ej., mesa y armario) dentro de un edificio. Por lo tanto, se utilizaron enfoques de imágenes de 360º para abordar esta limitación, como se describe a
continuación.
4.2.2. Imágenes de 360°

Para obtener información visual adicional sobre una instalación construida, en este estudio se aprovechó la tecnología de imágenes de 360°. Esta tecnología de imágenes puede
capturar una vista horizontal completa del entorno en todas las direcciones, lo que permite una representación panorámica perfecta de la instalación construida [49]. Además, con un
campo de visión completo, las imágenes de 360º mejoran la conciencia situacional de una instalación construida al ofrecer un contexto más amplio de la escena y permitir una
comprensión más completa del entorno [50].
En este artículo se utilizó la cámara panorámica Insta360 X2 360o .
4.3. Detección móvil robótica autónoma
4.3.1. Detección de datos de parámetros ambientales Se creó un

prototipo de una unidad de detección de IoT con un microcontrolador y múltiples sensores para medir parámetros ambientales interiores, como CO, CO2 y PM2,5. Esta unidad de
detección se montó en un UGV para tomar medidas en diferentes ubicaciones. El microcontrolador de la unidad sensora se puede conectar a una red de área local (LAN), como WiFi,
y tiene como objetivo (1) controlar los sensores para obtener mediciones de los parámetros ambientales y (2) establecer comunicación inalámbrica entre los usuarios y los sensores
para fines de transmisión de datos. Los usuarios podrían ser el propietario de una instalación, un administrador de instalaciones, un modelador BIM o un coordinador BIM que tenga
acceso a cualquier computadora que ejecute el software BIM y que pueda recibir datos de sensores de forma inalámbrica e introducir los datos en un modelo BIM para actualizar las
propiedades de los elementos en el. Modelo BIM. En última instancia, los datos del sensor de los parámetros ambientales interiores se transfieren de forma inalámbrica a los usuarios
para evaluar las condiciones ambientales interiores utilizando métodos de evaluación estandarizados.
4.3.2. Detección de distancia basada en UWB

Se desarrolló un sistema de posicionamiento interior 3D utilizando tecnología de detección de distancia basada en UWB para rastrear la unidad de detección y capturar la
información espacial de los parámetros ambientales interiores detectados. Específicamente, UWB es una técnica de detección de distancia que utiliza pulsos de ondas de radio de corta
duración para medir la distancia entre objetos cuantificando el tiempo que tardan las ondas de radio en viajar entre un transmisor y un receptor [1]. Esta tecnología de detección de
distancia se eligió en este estudio debido a su precisión extremadamente alta [51], resolución espacial fina [52] y gran resistencia a la interferencia de otros dispositivos inalámbricos [53].
El sistema de posicionamiento 3D desarrollado tiene una etiqueta y cuatro anclajes. La etiqueta se monta en el UGV para recibir información de distancia entre él y los demás
anclajes de forma periódica y sincronizada. Los anclajes funcionan como puntos de referencia fijos o estaciones base proporcionando información espacial conocida en el sistema de
posicionamiento para estimar las ubicaciones de las etiquetas cuando la información de distancia y las coordenadas de los anclajes están disponibles. Vale la pena mencionar que se
necesitan al menos cuatro anclajes para permitir la estimación de la posición de la etiqueta en el espacio 3D dentro del mismo sistema de coordenadas que los anclajes [54]. Esto se
debe a que cualquiera de los cuatro anclajes se puede elegir como origen para un sistema de coordenadas definido por el usuario, mientras que los otros tres se utilizan para estimar
una y única posición 3D para la etiqueta en términos del origen cuando los cuatro anclajes son no coplanar, evitando así la posibilidad de que se estimen múltiples posiciones para un
objeto móvil etiquetado cada vez. En este estudio, el objeto móvil es la plataforma robótica que lleva la unidad sensora y la etiqueta UWB.
4.3.3. Configuración de autonomía del UGV La

navegación por puntos de ruta se configuró para permitir que un UGV navegue libremente evitando obstáculos en un entorno conocido. De hecho, la navegación por waypoints
permite a un UGV navegar de forma autónoma de un punto a otro, siguiendo una ruta predeterminada [55]. Allá
6
Hay dos pasos críticos para iniciar la navegación de waypoints, incluyendo (1) SLAM para la generación de mapas y (2) configuración de waypoints utilizando el mapa generado.
SLAM se centra en trazar un mapa de una instalación construida deseada, mientras que la configuración de puntos de referencia tiene como objetivo especificar los puntos de control
secuenciales para formar una ruta predeterminada en el mapa que el UGV debe seguir durante todo el proceso de navegación. En otras palabras, dados los puntos de ruta, la
navegación autónoma se completa secuencialmente entre dos puntos de ruta consecutivos desde el punto de ruta inicial hasta el punto de ruta final. Para cada navegación autónoma,
se utilizó el enfoque de ventana dinámica como algoritmo de planificación de ruta local para encontrar una ruta local óptima para evitar todos los posibles obstáculos dinámicos y/u
objetos invisibles, como ocupantes en movimiento. Mientras tanto, se implementó el algoritmo de localización adaptativa de Monte Carlo para permitir que el UGV estime
dinámicamente sus posiciones en el mapa creado. El algoritmo A* se utilizó como algoritmo de planificación de ruta global para buscar la ruta más corta y segura entre dos puntos de
referencia.
4.4. Comunicación inalámbrica
Para permitir una transferencia fluida de datos desde la plataforma robótica de detección móvil al software BIM, se desarrolló un servidor web HTTP [es decir, un servidor web
basado en el Protocolo de transferencia de hipertexto (HTTP)] dentro de una LAN. El servidor web HTTP actúa como una aplicación de software que se ejecuta en una computadora
o un microcontrolador que puede conectarse a Internet y es responsable de recibir y manejar las solicitudes HTTP de los clientes (por ejemplo, computadoras personales con software
BIM). Puede servir múltiples recursos, incluidas páginas web, archivos y datos a clientes a través de Internet a través de un mecanismo de solicitudrespuesta [56]. En el marco
propuesto, se crearon dos servidores HTTP independientes para la comunicación inalámbrica. Específicamente, un servidor se ejecutaba en el microcontrolador utilizado para la
detección de datos de los parámetros ambientales, mientras que el otro era para el microcontrolador que operaba la etiqueta UWB para la estimación del posicionamiento en
interiores. En este estudio, los datos transferidos por los servidores web HTTP incluyen (1) las mediciones de distancia entre la etiqueta UWB y los cuatro anclajes UWB, y (2) las
lecturas del sensor para los parámetros ambientales. Luego, los datos fueron recibidos por el software BIM (es decir, Revit en este documento) a través de solicitudes web y luego
procesados mediante programación Python y programación visual Dynamo para actualizar las propiedades de un objeto virtual 3D en el modelo BIM. El objeto virtual representa
digitalmente un pequeño espacio físico que rodea la unidad sensora en el mundo real.
4.5. Generación de gemelos digitales habilitados para
BIM 4.5.1. Generación de modelos BIM y transformación de coordenadas.

Se generó una representación virtual de la instalación construida como modelo BIM 3D de forma semiautomática. Específicamente, en lugar de un levantamiento manual, se
empleó SLAM robótico basado en LiDAR (es decir, LeGOLOAM) para crear automáticamente una representación geométrica de la instalación construida utilizando nubes de puntos
3D. De este modo, el levantamiento manual de las instalaciones construidas se automatizó mediante cartografía móvil. Luego, el modelo de nube de puntos 3D se importó al software
BIM con la transformación de coordenadas necesaria para que sirviera como punto de referencia para dibujar un modelo BIM. La transformación de coordenadas tiene como objetivo
transformar la posición estimada de una unidad de detección de un sistema de coordenadas definido por el usuario al sistema de coordenadas del proyecto de un modelo BIM en
Revit. Las posiciones conocidas de los anclajes están dentro del sistema de coordenadas definido por el usuario.
Para complementar la ineficiencia de la nube de puntos basada en LiDAR, que tiene dificultades para capturar información contextual, se hace referencia a una imagen RGB
panorámica de la instalación construida al colocar manualmente diferentes componentes en el modelo BIM. Estos componentes incluyen elementos de construcción (es decir, paredes,
techos, puertas y ventanas), muebles como mesas y sillas y dispositivos eléctricos (por ejemplo, monitores de computadora). En última instancia, esto permite la ubicación precisa de
diferentes componentes dentro del modelo BIM, lo que da como resultado una representación más realista de la instalación construida que combina la información geométrica de la
nube de puntos basada en LiDAR y la información contextual de la imagen panorámica.
4.5.2. Evaluación del ambiente interior
Se han establecido múltiples métodos de evaluación estandarizados para evaluar exhaustivamente las condiciones ambientales interiores para aplicaciones específicas. Estos
métodos podrían ser (1) la función lineal por partes junto con la regla de clasificación IAQ para la evaluación de la IAQ [38,57]; (2) PMV para evaluación del confort térmico interior
[39,40]; (3) el nivel de presión sonora para el confort acústico interior
Fig. 2. Estimación de la posición en interiores mediante trilateración 3D y optimización de mínimos cuadrados.
7
evaluación [58]; (4) el factor de luz natural para la evaluación del confort visual interior [59]; y (5) el índice de confort ambiental híbrido para evaluar el confort térmico,
acústico y visual en interiores [60]. El primer método de evaluación mencionado se adoptó en el marco propuesto en un estudio de caso para validar la eficacia y
aplicabilidad del marco. Más detalles en relación con el método de evaluación seleccionado se presentan en la sección “ESTUDIO DE CASO” de este artículo.
4.5.3. Estimación de posición interior y transformación de coordenadas.

Estudios anteriores (por ejemplo, Refs. [54,61]) revelaron que se necesitan al menos cuatro anclajes no coplanares con posiciones conocidas para estimar la
ubicación de un objeto móvil en el espacio 3D. En un sistema de posicionamiento 3D con cuatro anclajes y una etiqueta, este estudio aplicó la trilateración 3D junto con el
método de optimización de mínimos cuadrados [62,63] para aproximar la posición de la etiqueta. Como se muestra en la Fig. 2, entre los anclajes, se elige un anclaje
como origen de un sistema de coordenadas, mientras que el resto de los anclajes se aprovechan para estimar la posición de la etiqueta en el mismo sistema de
coordenadas.
En teoría, se requiere información precisa de la distancia para calcular la posición exacta de la etiqueta resolviendo las ecuaciones de trilateración.
Sin embargo, la información de la distancia detectada a menudo contiene ruidos causados por errores de medición del sensor, lo que no da como resultado una solución
analítica para las ecuaciones de trilateración. Por lo tanto, se utilizó el método de optimización de mínimos cuadrados para aproximar la posición de la etiqueta minimizando
los errores residuales entre las distancias detectadas y las distancias estimadas [64]. Debido a la necesidad de proporcionar información espacial para las condiciones
ambientales interiores, la posición estimada de la etiqueta se transformó aún más en un punto dentro del modelo BIM proyectando el origen del sistema de posición
interior 3D en el modelo BIM, que se analizó anteriormente. .
4.5.4. Generación de objetos virtuales rastreados

La funcionalidad principal del sistema de posicionamiento interior es capturar indirectamente la información espacial de la condición ambiental de una zona rastreada
en el interior mediante la ubicación dinámica de la etiqueta UWB montada en la plataforma de detección móvil robótica. En este estudio, una zona rastreada es un espacio
físicamente pequeño que rodea la etiqueta UWB, como un espacio cúbico con una longitud de borde de 60 cm (o una esfera con un diámetro de 60 cm) y con un centroide
que se superpone a la ubicación de la UWB. etiqueta. Dado que la unidad de detección y la etiqueta UWB están adyacentes entre sí y ambas están montadas en el
mismo robot, finalmente se utilizó una zona rastreada que rodea la etiqueta UWB como una aproximación para representar una pequeña zona de interés que rodea la
unidad de detección. Inspirándose en un estudio relevante [65], se representó digitalmente una zona rastreada utilizando un objeto virtual 3D generado en el modelo BIM.
Este objeto virtual es una réplica digital de una zona rastreada en el mundo físico, que se creó manualmente y se insertó en el modelo BIM utilizando un elemento de
masa de una familia de masas local en Revit. Se utilizó un elemento de masa en Revit como objeto virtual/proxy para representar digitalmente la zona rastreada porque
permite a los modeladores BIM crear y explorar rápidamente diferentes conceptos de diseño, así como realizar análisis espaciales entre la zona rastreada y un edificio
[66].
4.5.5. Monitoreo y visualización en tiempo real de las condiciones ambientales interiores.

Dado el modelo BIM, el objeto virtual generado de una zona rastreada y los datos de detección transmitidos desde la plataforma de detección móvil robótica, la
condición ambiental interior se puede monitorear y visualizar dinámicamente en BIM. Más específicamente, dos propiedades críticas (es decir, posición y color de la
superficie) del objeto virtual en el modelo BIM se actualizan cuando los datos del sensor ingresan al software BIM. Los microcontroladores publicaban automática y
constantemente los datos del sensor en los servidores HTTP cuando estaban encendidos. Los datos del sensor incluían las distancias detectadas y la concentración de
parámetros ambientales, que fueron recopilados por los microcontroladores simultáneamente y empaquetados como archivos JSON. Luego, los microcontroladores
publicaron los archivos JSON en los servidores HTTP a una frecuencia de 20 Hz (es decir, publicando 20 archivos JSON a partir de 20 marcas de tiempo por segundo).
El software BIM utilizado (es decir, Revit) que se ejecuta en una computadora solicita periódicamente los archivos JSON de los dos servidores HTTP a una frecuencia de
0,5 Hz. Posteriormente, los archivos JSON solicitados fueron analizados y procesados por un programa Python desarrollado en Dynamo de Revit para (1) separar los
datos de distancia y la concentración de parámetros ambientales, (2) calcular el índice IAQ utilizando la concentración de parámetros ambientales, y ( 3) estimar la
posición de la zona rastreada utilizando los datos de distancia. Finalmente, el índice IAQ calculado se utilizó para actualizar el color de la superficie del objeto virtual
basándose en un esquema de codificación de colores, mientras que la posición estimada se aplicó para actualizar las posiciones del objeto virtual en el modelo BIM. Vale
la pena señalar que la posición estimada inicialmente fue en términos de uno de los anclajes UWB con posiciones conocidas en un sistema de coordenadas definido por
el usuario. El objetivo era mapear una posición estimada desde la coordenada definida por el usuario a otra coordenada donde se encuentra el modelo BIM. Este estudio
seleccionó el sistema de coordenadas del proyecto para el modelo BIM en Revit. Como resultado, se desarrolló e implementó una función de mapeo simple utilizando el
mismo programa Python mencionado anteriormente para proyectar la posición estimada desde el sistema de coordenadas subdefinido al sistema de coordenadas del
proyecto en Revit.
5. Estudio de caso
Se implementó un estudio de caso de monitoreo y visualización de IAQ utilizando el marco propuesto en el laboratorio de los autores [es decir, el laboratorio de
Sistemas de Infraestructura Inteligente y Construcción Inteligente (SCIIS) en el Instituto de Tecnología de Nueva Jersey] para probar la aplicabilidad del marco y evaluar
su desempeño. para aplicaciones del mundo real.
5.1. Cálculo del índice de calidad del aire interior.
Dadas las lecturas de los sensores ambientales, se utilizó la función lineal por partes (como se muestra en la ecuación (1)) para evaluar exhaustivamente la IAQ en
el laboratorio de los autores con base en la regla de clasificación de la IAQ establecida por Oh et al. [38]. La regla de clasificación IAQ se presenta en la Tabla 2, que
clasifica el índice IAQ (0–500) en seis niveles. La concentración de cuatro contaminantes del aire, incluidos CO, CO2, NO2 y PM2,5, se mide mediante cuatro sensores
ambientales diferentes en la unidad de detección de IoT. Estos contaminantes del aire se eligieron porque muchos estudios previos los han considerado comúnmente
para el monitoreo de la calidad del aire interior (p. ej., referencias [67,68]).
8
Ialto − Ibajo
ic = × (C − Clow) + Ilow (1)
Chigh Clow
Donde Ic denota el índice IAQ calculado; Ihigh e Ilow presentan el índice IAQ máximo y mínimo para cada nivel de índice, respectivamente; Chigh y Clow denotan la concentración
máxima y mínima de contaminantes del aire como punto de ruptura para cada nivel del índice, respectivamente; C denota la concentración de contaminantes del aire detectada por
cada sensor.
Por ejemplo, cuando la concentración detectada de NO2 es igual a 0,045 ppm, la IAQ se clasifica como moderada y el índice IAQ correspondiente se encuentra entre 51 y 100,
como se muestra en la columna "Moderado" de la Tabla 2. El índice IAQ exacto que coincide con la concentración de 0,045 ppm se puede calcular mediante [(100–51) × (0,045–
0,031)/(0,05–0,031)] + 51 = 87,11. Se utilizó el mismo principio de cálculo de la IAQ para los otros tres contaminantes del aire. En última instancia, se determinó el índice IAQ más
alto entre todos los contaminantes del aire como la condición IAQ final en una marca de tiempo (es decir, en tiempo real) para una zona interior rastreada. Según la Tabla 2, un índice
IAQ más alto significa una menor calidad del aire.
5.2. Herramientas de implementación y descripción.
La Tabla 3 resume las herramientas que se utilizaron para implementar el marco propuesto para monitorear y visualizar la IAQ dentro
laboratorio de los autores.
Como se muestra en la Tabla 3, estas herramientas incluyen tanto hardware como software. Las herramientas de hardware son principalmente sensores (p. ej., sensor de gas
MQ7 para medir la concentración de CO para el cálculo del índice IAQ), microcontroladores (p. ej., Arduino UNO WiFi REV2) y dos plataformas robóticas UGV diferentes (es decir,
Rover Pro y TurtleBot). 4).
En cuanto a las herramientas de software, Arduino IDE, Autodesk Revit 2024 y el complemento Dynamo para Autodesk Revit 2024 son las principales utilizadas en la
implementación. Específicamente, se aplicó Arduino IDE para programar los microcontroladores para leer los datos de los sensores y ejecutar un servidor web HTTP para transferir
los datos a los usuarios. Autodesk Revit 2024 proporciona el entorno virtual para crear (1) un modelo BIM basado en la nube de puntos generada y la imagen panorámica de 360
grados, y (2) un objeto virtual para representar la zona rastreada en el interior. El complemento Dynamo funciona como plataforma de programación visual con compatibilidad con
Python en Autodesk Revit 2024 para (1) adquirir datos de sensores de forma inalámbrica a través de solicitudes web, (2) ejecutar scripts de Python para calcular el índice IAQ y
estimar la posición de la unidad de detección. y (3) visualizar el IAQ actualizando las posiciones y el color de la superficie del objeto virtual creado en el modelo BIM.
5.3. Evaluación de implementación
El desempeño del marco propuesto para el monitoreo y visualización de la calidad del aire interior depende significativamente de la precisión de los datos ambientales detectados
(es decir, la concentración de contaminantes del aire) y las posiciones estimadas de la plataforma de detección móvil robótica. La precisión de los datos ambientales detectados está
altamente relacionada con la tecnología de fabricación del sensor y la calibración del sensor antes de su implementación [69]. La precisión de los datos de detección se puede
garantizar cuando se realiza una calibración correcta del sensor de acuerdo con el manual del sensor [70]. En el estudio de caso, todos los sensores que requieren calibración por
parte del usuario estaban bien calibrados según los manuales de los sensores.
Por otro lado, este estudio se concentró en evaluar el rendimiento del sistema de posicionamiento interior comparando las posiciones 3D estimadas con las posiciones reales en
el terreno. Se aplicaron tres métricas de evaluación ampliamente utilizadas para evaluar la precisión del posicionamiento, incluido el error absoluto medio (MAE) [71], el error
cuadrático medio (MSE) [72] y el error cuadrático medio (RMSE).
[63]. Las expresiones matemáticas de estas métricas de evaluación se muestran en las Ecs. (2) ~ ((4)).
∑n |pi − p i|
yo=1 (2)
MAE =
norte
2
∑n (pi − p i)
yo=1 (3)
EEM =
norte
2
∑n (pi − p i)
yo=1 (4)
RMSE =
norte
√√√√√
Tabla 2
La regla de clasificación del índice IAQ de Oh et al. [38].
Nivel de índice Bueno Moderado USGa Insalubre 151 Muy poco saludable Peligroso 351
Ibajo 0 51 101 251
Ialto 50 100 150 250 350 500

CBPb clow chigh Clow chigh clow chigh clow chigh Clow chigh Clow chigh
CO (ppmc ) 0 5 5.01 10 10.01 20 20.01 30 30.01 40 40.01 50
CO2 (ppm) 0 500 501 1000 1001 1500 1501 2000 2001 3000 3001 5000
PM2.5 (μg/m3 ) 0 15 16 40 41 140 141 250 251 350 351 500
NO2 (ppm) 0 0,03 0.031 0,05 0.051 0,15 0,151 0,25 0.251 0,5 0.501 2
a
Gobierno de Estados Unidos: No saludable para grupos sensibles.
b
CBP: punto de ruptura de la concentración.
C
ppm: partes por millón.
9
Tabla 3
Las herramientas con descripciones asociadas para el estudio de caso.
Tarea Subtarea Herramienta

Descripción
Instalación construida para capturar SLAM basado en LiDAR para Sensor LiDAR Velodyne 16; Rover Pro Un UGV pirateable con sensor LiDAR Velodyne 16 a bordo para generar un modelo de
Generación de modelos BIM generación de nubes de puntos 3D (es decir, un UGV) nube de puntos 3D de la instalación construida a través de SLAM basado en LiDAR (es
decir, LeGOLOAM)
imágenes de 360o Insta uno X2 Una cámara de alta resolución de 360o para capturar la información visual/contextual de
una instalación construida desde todas las direcciones Un sensor de
Detección móvil robótica Detección de datos Sensor MQ7 gas para medir CO en el aire Un sensor de gas para
autónoma de parámetros ambientales. Sensor MQ135 medir CO2 en el aire Un sensor de gas para medir NO2
Sensor MICS6814 en el aire Un sensor para medir PM2.5 en el aire
Sensor GP2Y1010AU0F Arduino UNO WiFi REV2 Un microcontrolador con
compatibilidad WiFi para controlar los conectados

sensores ambientales y establecer comunicación inalámbrica
Detección de distancia Placa ESP32 UWB Un microcontrolador basado en ESP32 y DW1000 con WiFi
basada en UWB Compatibilidad para medir distancias y establecer comunicación

inalámbrica.
Configuración de la TortugaBot 4 Un UGV de código abierto que utiliza el robot iRobot Create3 como base para proporcionar
autonomía del robot movilidad a la unidad de detección de IoT y la etiqueta UWB. Una herramienta
Comunicación inalámbrica Creación de servidor web HTTP IDE de Arduino de software de código abierto para programar y desarrollar proyectos para microcontroladores
(por ejemplo, placas Arduino y placas ESP32).
Generación de gemelos digitales Generación de modelos BIM Autodesk Revit 2024 Una herramienta de software BIM que permite a los usuarios crear, documentar y analizar
habilitados para BIM Generación de objetos virtuales manualmente el diseño de edificios en un entorno virtual 3D.
rastreados
Adquisición de datos Complemento Dynamo para Autodesk Una herramienta de programación visual para acceder a datos de servidores web HTTP a
revit 2024 través de solicitudes web.
Ambiente interior Una herramienta de programación visual que permite a la programación Python calcular el
evaluación índice IAQ en función de los datos del sensor.
Estimación de la posición interior Una herramienta de programación visual que permite a la programación Python estimar la
ubicación del objeto rastreado en función de los datos del sensor.
Monitoreo y visualización del Una herramienta de programación visual para acceder al objeto virtual rastreado en
ambiente interior. Revit utiliza su ID de elemento y actualiza dinámicamente su posición y color de superficie
según la posición estimada y el índice IAQ calculado, respectivamente.
Fig. 3. Diseño general del prototipo de plataforma robótica de detección móvil.
10
Donde pi y p i representan la verdad fundamental y el valor estimado de una posición, respectivamente, en cualquiera de los tres ejes de un sistema de
coordenadas cartesiano 3D; n denota el número de posiciones estimadas.
6. Resultados y análisis
Esta sección presenta y analiza los resultados obtenidos de la implementación del marco propuesto en el estudio de caso.
6.1. Configuración de hardware del marco propuesto.
El marco propuesto involucra tanto hardware como software que requieren una cierta cantidad de creación de prototipos y programación para garantizar que
todos funcionen bien para permitir la implementación exitosa del sistema para el monitoreo y visualización de IAQ utilizando un modelo de gemelo digital basado en
BIM. Como tal, basándose en el hardware de código abierto existente (por ejemplo, 4WD Rover Pro), los componentes de hardware (por ejemplo, el sensor de gas
CO MQ7) y el software (por ejemplo, el algoritmo LeGoLOAM), los autores primero desarrollaron y probaron su hardware. Se desarrollaron modificando,
ensamblando y programando el hardware de código abierto y los componentes de hardware mencionados con un enfoque principal en la recopilación de datos para
iniciar la implementación del marco propuesto en el estudio de caso. En última instancia, presentar la configuración de hardware del marco propuesto en este
documento no solo beneficiará a los lectores interesados en desarrollar sistemas similares, sino que también resaltará la transparencia de este trabajo de
investigación.
6.1.1. Plataforma de detección móvil robótica prototipo La

Fig. 3 muestra la plataforma de detección móvil robótica prototipo con tres componentes principales, incluido un UGV (es decir, TurtleBot 4) como base móvil,
una unidad de detección de IoT y una espuma plástica liviana como soporte para Mantenga la unidad sensora a cierta altura sobre el suelo. Según la USEPA [73],
los sensores para medir los contaminantes del aire deben instalarse o colocarse entre 3 y 6 pies (0,91 y 1,83 m) sobre el suelo donde una persona podría respirar.
Por lo tanto, la unidad sensora se colocó físicamente aproximadamente a 1 m por encima del piso para cumplir con el requisito de ubicación de altura del sensor.
Específicamente, la unidad de detección de IoT tiene 7 componentes principales, que incluyen (1) un banco de energía de 20 000 mAh con dos salidas como
única fuente de suministro de energía, (2) dos placas de microcontrolador y (3) cuatro sensores para medir los diversos contaminantes del aire. En cuanto a las
placas del microcontrolador, una es la placa ESP32 UWB que tiene un sensor de distancia integrado, mientras que la otra es la placa Arduino Uno que se utiliza
para controlar los cuatro sensores ambientales. Un diagrama de circuito que se muestra en la Fig. 4 describe cómo se realizaron las conexiones físicas para
desarrollar la unidad de detección de IoT para medir los cuatro contaminantes del aire.
6.1.2. Sistema de mapeo móvil robótico 3D prototipo

La figura 5 muestra el diseño físico del sistema de mapeo robótico desarrollado para crear automáticamente un modelo de nube de puntos 3D de una instalación
construida utilizando datos de sensores LiDAR. Este sistema está desarrollado para reemplazar los métodos topográficos manuales tradicionales para capturar
datos de instalaciones construidas, y es diferente de la plataforma de detección móvil robótica antes mencionada, ya que tienen un prototipo para dos tareas
diferentes.
Como se muestra en la Fig. 5, se creó un prototipo del sistema de mapeo móvil 3D utilizando un UGV de alta resistencia (es decir, 4WD Rover Pro) como base
móvil. Esta base móvil tiene una velocidad máxima de 2,5 m/s, una capacidad de carga útil de 100 kg y un tiempo de funcionamiento de hasta 5 h. Los siguientes
tres componentes principales están montados en esta base móvil: (1) un sensor LiDAR Velodyne16 para recopilar datos de nubes de puntos para capturar la realidad
Fig. 4. Diseño físico de la unidad sensora de IoT para medir los contaminantes del aire interior.
11
Fig. 5. Diseño físico del sistema robótico de mapeo móvil 3D.
permitir el modelado 3D (2) una computadora de placa única compacta y potente (es decir, Jetson Xavier NX), con 8 GB de RAM para procesar los datos de
la nube de puntos recopilados a través de computación de borde en tiempo real, utilizada para la generación de mapas de nubes de puntos 3D usando LeGO
LOAM y (3) una batería de 5200 mAh como fuente de alimentación única para alimentar el sensor LiDAR Velodyne16 y el Jetson Xavier NX. Vale la pena
señalar que la base móvil tiene su propia fuente de alimentación y otros dispositivos informáticos a bordo que se instalan dentro de la base, que es
independiente de los otros tres componentes discutidos anteriormente.
La Fig. 6 presenta el plan de escaneo y las especificaciones involucradas en la generación de mapas de nubes de puntos 3D utilizando el sistema de
mapeo robótico desarrollado y LeGOLOAM.
Como se muestra en la Fig. 6 (a), la base móvil que lleva el sensor LiDAR Velodyne16 se controló mediante teleoperación para moverse a lo largo de un
total de 21 ubicaciones de escaneo estáticas para realizar un mapeo móvil 3D de la zona seleccionada en la institución de los autores. En cada ubicación de
escaneo estático, la base móvil permanecería durante 2 segundos para que el sensor LiDAR pueda escanear el entorno circundante con una cierta cantidad
de redundancia para garantizar la alta densidad de las nubes de puntos para fines de control de calidad de mapas basados en nubes de puntos 3D.
Fig. 6. Plan de escaneo y especificación para la generación de mapas de nubes de puntos 3D.
12
La base móvil se movió a una velocidad constante de 0,5 m/s entre dos ubicaciones de escaneo estáticas adyacentes mientras todavía ejecutaba el algoritmo LeGOLOAM. La figura
6 (b) resume las especificaciones de escaneo principales centrándose en el sensor LiDAR Velodyne16 y la base móvil. Por ejemplo, el sensor LiDAR seleccionado tiene un alcance
de escaneo de 100 m con un error de alcance de 3 cm. Además, la base móvil puede funcionar hasta 5 horas. Estas dos especificaciones críticas del sistema de mapeo robótico
desarrollado no sólo pueden generar eficientemente un modelo de nube de puntos 3D de la zona seleccionada, sino que también tienen un gran potencial para instalaciones más
grandes debido a su alta velocidad de escaneo con un pequeño rango de error, así como al largo tiempo de operación. de la base móvil robótica.
6.2. Modelo BIM de la instalación física construida
La Fig. 7 presenta la representación geométrica capturada y el contexto visual del laboratorio SCIIS para generar un modelo BIM de la instalación.
utilizando Autodesk Revit 2024.
En primer lugar, como se muestra en la Fig. 7 (a), el sistema robótico de mapeo móvil 3D generó un modelo de nube de puntos 3D de alta fidelidad del laboratorio SCIIS y su
pasillo circundante como el 4WD Rover Pro (ver Fig. 6) . exploró las diferentes ubicaciones del edificio. Las ubicaciones y la trayectoria del 4WD Rover Pro que lleva el sensor LiDAR
se resaltan en la Fig. 7 (b) para demostrar las nubes de puntos 3D adquiridas a través del mapeo móvil. Este modelo de nube de puntos 3D contiene información geométrica rica (es
decir, dimensiones) de los principales componentes del edificio (por ejemplo, paredes interiores y techos) y objetos grandes como armarios en el laboratorio SCIIS. A pesar de que los
objetos más pequeños, como los monitores de ordenador, se escanean y representan mediante un cierto número de puntos, apenas se distinguen debido a las limitaciones de
resolución del sensor LiDAR Velodyne16 y a la larga distancia de escaneo. Mientras tanto, dado que el sensor LiDAR Velodyne16 funciona según el principio de línea de visión, solo
puede detectar objetos que se encuentran directamente en su trayectoria de pulsos láser. Si hay objetos ocultos detrás de la pared, los pulsos láser emitidos por el sensor LiDAR no
pueden alcanzarlos, ya que los pulsos LiDAR no suelen ser capaces de penetrar objetos sólidos como las paredes de los edificios [74]. Luego, el modelo de nube de puntos 3D se
importó a Autodesk Revit 2024 para permitir que un modelador BIM dibuje de manera eficiente un diseño esquemático del laboratorio SCIIS colocando con precisión las paredes y los
techos en un modelo BIM. De hecho, un modelador BIM es un profesional que utiliza software BIM para crear, gestionar y mantener representaciones/modelos digitales de edificios y
otras estructuras. La Fig. 7(b) es una imagen de 360o que se capturó en el laboratorio SCIIS para proporcionar un contexto visual (p. ej., color, textura y disposición espacial) del
laboratorio en una vista holística. En referencia a la imagen de 360º, el modelador BIM añadió al diseño esquemático elementos más específicos, como mesas y puertas, para obtener
un diseño detallado del laboratorio como modelo BIM final creado en este estudio. En la Fig. 7 (c) se muestra una vista 3D y una vista en planta del modelo BIM creado .
6.3. Configuración de navegación autónoma para la plataforma robótica de detección móvil.
La Fig. 8 ilustra el proceso de configuración para permitir que la plataforma robótica de detección móvil navegue de forma autónoma a diferentes
ubicaciones en el laboratorio SCIIS.
La Fig. 8(a) es un mapa 2D generado por SLAM utilizando los datos de la nube de puntos 2D recopilados por el sensor LiDAR incorporado (es decir, RPLIDARA1) en TurtleBot
4. Este mapa representa digitalmente el laboratorio SCIIS y los alrededores. pasillo y permite que TurtleBot 4 navegue libremente dentro del espacio real representado digitalmente por
el mapa 2D. Se realizaron dos pasos críticos manualmente antes de la navegación autónoma del punto de ruta, incluida 1) estimación de la pose inicial del robot y 2) selección del
punto de ruta de navegación, como se muestra en la Fig. 8 (b) y (c), respectivamente. La estimación de la postura inicial del robot es esencial para garantizar que la plataforma robótica
de detección móvil comience en la ubicación correcta y navegue de manera efectiva desde el principio. Se implementó mediante un proceso de prueba y error al (1) especificar
manualmente la pose del robot en el mapa generado y luego (2) observar visualmente qué tan bien la nube de puntos recién capturada por el LiDAR incorporado.
Fig. 7. Modelo BIM generado mediante nube de puntos 3D e imagen 360º.
13
Fig. 8. Configuración de navegación autónoma de waypoints para la plataforma robótica de detección móvil.
El sensor se superpone a las características (por ejemplo, esquinas y bordes) en el mapa generado. La pose del robot incluye su ubicación y la dirección en la que mira en
la realidad. Cuando se estima bien la pose inicial del robot, se seleccionan diferentes puntos de referencia y se colocan en el mapa 2D. Como se muestra en la Fig. 8 (c),
se colocaron cuatro puntos de referencia consecutivamente en el mapa y cada punto de referencia especifica la postura de llegada del robot. Al final, el robot planifica
automáticamente las rutas locales y globales para navegar dentro del laboratorio SCIIS pasando por los puntos de referencia uno tras otro.
6.4. Sistema de posicionamiento interior: evaluación del desempeño.
En este estudio, se seleccionaron intencionalmente cuatro puntos 3D como puntos de verdad del terreno (GTP) para evaluar el rendimiento del
Fig. 9. Diseño de los cuatro puntos de verdad del terreno seleccionados para la evaluación del rendimiento del posicionamiento en interiores.
14
desarrolló un sistema de posicionamiento interior para evaluar su precisión, confiabilidad e idoneidad para capturar las características espaciales del proceso IAQ.
Específicamente, la etiqueta UWB en los sistemas de posicionamiento en interiores desarrollados se colocó en cada uno de los GTP para estimar la posición 80
veces y cada vez el sistema de posicionamiento arrojó un conjunto de valores para los ejes x, y y z con respecto a un origen definido por el usuario en un sistema de
coordenadas cartesianas 3D. La Fig. 9 muestra el diseño de los GTP seleccionados en el modelo BIM creado con un origen definido por el usuario tanto en vista 3D
como en vista transversal 2D.
Como se muestra en la Fig. 9, los cuatro GPT seleccionados estaban a una altura de 1 m sobre el suelo, ya que la altura deseada de los sensores para medir la
IAQ también se estableció en 1 m. Estos cuatro GPT se seleccionaron intencionalmente para estar más cerca de muebles como sillas y mesas para imitar la posible
interferencia causada por obstáculos.
La Tabla 4 resume el rendimiento cuantitativo del sistema de posicionamiento interior basado en UWB desarrollado utilizando MAE, MSE y RMSE.
La Tabla 4 muestra que el sistema de posicionamiento interior desarrollado alcanzó una precisión de posicionamiento de casi un centímetro con valores RMSE
promedio para los ejes x, y y z de 0,0554, 0,0945 y 0,1634 m, respectivamente. Los resultados de la evaluación también revelaron que el sistema de posicionamiento
funcionó relativamente mejor al estimar las posiciones en el plano xy (es decir, paralelo al suelo).
Sin embargo, el sistema de posicionamiento estaba sujeto a una menor precisión de posicionamiento a lo largo del eje z, que es perpendicular al suelo.
Específicamente, los RMSE promedio para las coordenadas xey fueron inferiores a 0,1 m (10 cm), mientras que el valor RMSE promedio para la coordenada z
alcanzó 0,1634 m (es decir, 16,34 cm). La posible causa del menor rendimiento de posicionamiento en el eje z podría ser la altura de despliegue limitada de los
anclajes dentro de una elevación estrecha cuando los anclajes se instalan a una altura similar [75,76].
6.5. Gemelos digitales habilitados para BIM para monitoreo y visualización de IAQ
Dentro del modelo BIM creado, como se muestra en la Fig. 10(b), se generó un elemento/objeto virtual 3D cúbico de 60 cm de longitud de borde para representar
una zona rastreada en el laboratorio SCIIS. El borde de 60 cm se determinó porque un estudio previo reveló que los sensores de gas de la serie MQ (que se utilizan
en el estudio de caso) tienen una mayor sensibilidad de detección a la presencia de gases contaminantes del aire dentro de un radio de 30 cm [77]. En particular, el
centroide de este elemento virtual corresponde a la ubicación de la etiqueta UWB en el mundo real. Para permitir la manipulación automatizada de este elemento
virtual usando Dynamo, su ID de elemento se identificó manualmente en Autodesk Revit 2024, como se muestra en la Fig. 10(c).
La Fig. 11 presenta una interfaz de programación visual de Dynamo que se desarrolló para solicitar, procesar y visualizar los datos de detección para establecer
el gemelo digital habilitado para BIM.
Como se muestra en la Fig. 11, esta interfaz de programación visual fue desarrollada para (1) acceder dinámicamente a datos de detección desde la plataforma
de detección móvil robótica a través de solicitudes web utilizando servidores HTTP, (2) procesar los datos para calcular el índice IAQ y estimar la posición de la zona
rastreada usando programación Python, y (3) acceder al objeto virtual creado y actualizar sus propiedades (es decir, ubicación y color de la superficie) para visualizar
la condición IAQ con información espacial de una zona rastreada en el modelo BIM.
La Fig. 12 muestra tres instantáneas del modelo de gemelo digital desarrollado con BIM para monitoreo y visualización de IAQ en tres
diferentes marcas de tiempo mientras la plataforma robótica de detección móvil navega de forma autónoma dentro del laboratorio SCIIS.
Como se muestra en la Fig. 12, en general, el marco propuesto podría capturar las características espaciales de la IAQ, así como visualizar intuitivamente la IAQ
monitoreada con información espacial en tiempo real. Más específicamente, el índice de calidad del aire (ICA) calculado en tres ubicaciones diferentes varía cuando
cambia la ubicación de la zona rastreada. Por ejemplo, en la Fig. 12(a), el AQI calculado para una zona rastreada en la esquina inferior izquierda es 89,3, que es
mucho mayor que los que se muestran en la Fig. 12(b) y (c) (es decir, AQI = 64,7 y 68.2). Como resultado, se detectó que la zona rastreada que se muestra en la Fig.
12 (a) tenía una calidad de aire más baja que las otras dos zonas rastreadas que se muestran en las otras dos figuras. Además, existe una diferencia menor en el
AQI entre las dos posiciones adyacentes que se muestran en la Fig. 12 (b) y (c).
La Fig. 12 también muestra que la zona rastreada con un AQI de 89,3 está más cerca de los cuatro ocupantes (representados como un círculo marrón en la Fig.
12), mientras que las otras dos zonas rastreadas con valores de AQI más bajos están relativamente lejos de los ocupantes. Esta observación indicó que la ocupación
de los edificios puede afectar directamente la distribución de la IAQ en la dimensión espacial. Mientras tanto, a pesar de que las dos zonas rastreadas en la Fig. 12
(b) y (c) están cerca entre sí, todavía hay una diferencia menor entre sus valores de AQI. En realidad, la zona rastreada en la Fig. 12(b) está más cerca de la puerta
del laboratorio SCIIS (que estuvo abierta durante los experimentos) y la salida de ventilación de aire está exactamente encima de esa zona rastreada. Este hecho
reveló además que la ventilación del aire y la apertura de la puerta también pueden afectar la calidad del aire interior.
En consecuencia, las observaciones de este estudio están alineadas con los estudios anteriores que revelaron los factores que conducen a la variación del AQI de un
lugar a otro. Esos factores incluyen la ocupación del edificio y las actividades de los ocupantes [78], la ventilación y circulación del aire [79] y la ubicación y apertura
de ventanas y puertas [80,81]. Por lo tanto, las instantáneas de los gemelos digitales habilitados para BIM en la Fig. 12 demostraron en última instancia la efectividad
y validez del marco propuesto para capturar las características espaciales de IAQ.
Para validar aún más la efectividad y eficiencia del sistema propuesto en espacios de tamaño mediano y complejo, los autores
Tabla 4
Rendimiento de posicionamiento del sistema de posicionamiento interior 3D desarrollado.
Punto de verdad fundamental coordenada x coordenada y coordenada z
MAE MSE RMSE MAE MSE RMSE MAE MSE RMSE
1 0.0312 0.0010 0.0316 0,1372 0.0190 0.1378 0.2709 0.0734 0.2709

2 0.1266 0.0164 0.1281 0.0304 0.0017 0.0412 0.1871 0.0356 0.1887
3 0.0357 0.0014 0.0374 0.1075 0.0116 0.1077 0,1480 0.0219 0,1480
4 0.0219 0.0006 0.0245 0.0881 0.0083 0.0911 0.0461 0.0021 0.0458
Promedio 0.0539 0.0049 0.0554 0.0908 0.0102 0.0945 0.1630 0.0333 0.1634
15
Fig. 10. Modelos virtuales de la instalación asbuilt y una zona rastreada dentro de la instalación en BIM.
Realizó un estudio de caso adicional utilizando un escenario interior con múltiples habitaciones y diseños más complicados repitiendo el mismo flujo de trabajo
presentado en la sección de metodología. La Fig. 13 muestra cuatro instantáneas de los gemelos digitales habilitados para BIM en cuatro marcas de tiempo
cuando la plataforma robótica de detección móvil navegaba de forma autónoma a través del nuevo espacio para monitorear la calidad del aire.
Como se presenta en la Fig. 13, la plataforma robótica de detección móvil pudo navegar libremente dentro del espacio interior con dos habitaciones, 15
ocupantes y diseños irregulares de muebles causados por una pared inclinada. Esto demostró aún más la eficacia de la autonomía total con sensores móviles
para navegar a través de espacios interiores complejos. Mientras tanto, la unidad de detección podría detectar de manera confiable los parámetros ambientales
mencionados para calcular el AQI, así como realizar detección de distancia para ubicarse en el espacio interior con una frecuencia de actualización de 0,5 Hz (es
decir, la ubicación y el color del objeto virtual que representa un zona rastreada se actualizaron automáticamente cada 2 segundos en Revit). Por lo tanto, el
sistema propuesto mostró una alta eficiencia en el monitoreo y visualización de la IAQ utilizando un modelo de gemelo digital con una frecuencia de actualización
aceptable.
7. Discusión
Esta sección analiza más a fondo los hallazgos obtenidos de este estudio.
7.1. Detección móvil versus detección estacionaria para la gestión de instalaciones de
edificios La plataforma de detección móvil habilitada por robot propuesta en este documento ayuda a resolver tres problemas prácticos con sistemas de
detección estacionarios para realizar IEM. Estos problemas incluyen altos costos, representatividad espacial incierta y baja adaptabilidad a los entornos interiores
cambiantes [16].
En primer lugar, los sistemas de detección estacionarios a menudo requieren una gran cantidad de sensores y dispositivos asociados (por ejemplo, puertas
de enlace y controladores/microcontroladores) para garantizar una cobertura espacial representativa de una instalación/edificio. Sin embargo, una gran cantidad
de dispositivos de detección está inevitablemente asociada a grandes costos, que a menudo se ven limitados por la disponibilidad de fondos para instalar y
mantener las redes de sensores. En consecuencia, la implementación de la instalación de una red de sensores puede estar sujeta a restricciones de financiación,
lo que genera una alta incertidumbre con respecto a la representatividad espacial del sistema de detección [82]. En cambio, la plataforma de detección móvil
desarrollada sólo necesita varios sensores de bajo costo para medir los objetivos deseados (por ejemplo, contaminantes del aire), un microcontrolador y un robot
móvil asequible, por lo que es más barata que una red masiva de sensores.
En segundo lugar, los sensores en un sistema de detección estacionario deben estar bien ubicados en ubicaciones que permitan que todo el sistema mida de
manera representativa el ambiente interior. Por lo tanto, la selección de las ubicaciones de los sensores se convierte en un problema adicional ya que los
diseñadores del edificio deben abordar varias cuestiones o preocupaciones (por ejemplo, la accesibilidad al suministro de energía). En cuanto a la plataforma de
detección móvil propuesta, los sensores necesarios se colocan a una cierta altura sobre el suelo según el requisito de ubicación de los sensores. Por lo tanto, no
hay otra preocupación sobre la ubicación de los sensores porque la plataforma de detección puede explorar libremente el espacio interior cuando el robot navega
de forma autónoma a diferentes ubicaciones. Mientras tanto, el sistema de posicionamiento interior puede informar de manera precisa y efectiva las ubicaciones
de la unidad sensora, proporcionando así una alta certeza espacial al entorno interior monitoreado.
En tercer lugar, los espacios interiores suelen estar sujetos a cambios provocados por la remodelación y la alteración de los tipos de uso. Dichos cambios
pueden requerir la reinstalación o reubicación de los sensores, lo que genera costos adicionales para mantener los sistemas de detección estacionarios. Por lo
tanto, los sistemas de detección estacionarios para IEM sufren de baja adaptabilidad a los cambios en los espacios interiores [15]. Afortunadamente, debido a
que la plataforma de detección móvil desarrollada es independiente (es decir, no está unida a edificios), los cambios en los diseños o características de los
edificios apenas afectan a la plataforma de detección móvil. Como resultado, la plataforma de detección móvil desarrollada se puede adaptar bien a diferentes
espacios interiores sin costes adicionales.
7.2. Implicaciones prácticas: IAQ con características espaciales para la gestión de instalaciones de edificios
Dadas las condiciones ambientales interiores visualizadas con información espacial en el modelo de gemelo digital habilitado para BIM, existen muchas
interpretaciones prácticas de las características espaciales del ambiente interior que se pueden lograr para respaldar mejor el BFM. Más concretamente, en los
gemelos digitales, el modelo BIM de una instalación proporciona el diseño básico del edificio y la información de distribución del interior.
dieciséis
X. Hu y RH Assaad
17
Revista de Ingeniería de la Construcción 86 (2024) 108901

Fig. 11. Interfaz gráfica de programación para monitorear y visualizar IAQ en Dynamo.
Fig. 12. Gemelos digitales habilitados para BIM para monitoreo y visualización de IAQ en espacios interiores de pequeño tamaño.
Fig. 13. Gemelos digitales habilitados para BIM para monitoreo y visualización de IAQ en un espacio interior de tamaño mediano.
espacio, incluido el tamaño de la habitación, la disposición de los muebles y la disposición de ventanas y puertas. Usando el monitoreo de IAQ como ejemplo,
cuando la plataforma de detección móvil desarrollada con capacidad de posicionamiento interior detecta una IAQ anormal o inusual, los administradores de las
instalaciones pueden localizar con precisión una pequeña zona con condiciones ambientales anormales en la instalación de primera mano. Entonces, será
necesario un análisis simple para identificar los contaminantes del aire (por ejemplo, CO y NO2) y determinar rápidamente sus fuentes. Estas fuentes de
contaminantes del aire podrían ser materiales de construcción, muebles, aparatos de combustión y actividades como fumar y redecorar [73]. Dada la información
espacial estimada de los contaminantes del aire, puede ser más eficiente para los administradores de las instalaciones detectar las fuentes de contaminantes de
raíz verificando las fuentes potenciales una por una para informar una toma de decisiones de mantenimiento de las instalaciones más confiable.
Además, un espacio interior con una IAQ más baja puede deberse a (1) una ventilación inadecuada debido a fallas en el sistema de ventilación, (2) una alta
tasa de ocupación o (3) contaminantes del aire exterior provenientes de sitios industriales cuando las ventanas o puertas están abiertas. Por ejemplo, la ventilación
inadecuada causada por fallas en el sistema de ventilación reduciría la entrada de aire fresco, provocaría la acumulación de contaminantes interiores y contribuiría
a altos niveles de humedad [83]. Como resultado, no se puede bombear suficiente aire limpio al espacio interior para neutralizar los contaminantes del aire,
alcanzando potencialmente concentraciones que afectan la salud de los ocupantes. Cuando hay disponible un dispositivo automático de detección de ocupación o
una cámara de vigilancia interior para la sala monitoreada, los administradores de las instalaciones pueden verificar primero si la baja calidad del aire se debe a la
presencia de muchos ocupantes o a la apertura de ventanas o puertas. Si es así, una solución sencilla podría ser aumentar la ventilación del aire o informar a los
usuarios de la habitación que cierren las ventanas o puertas. De lo contrario, el equipo de administración de las instalaciones puede enviar un equipo de
mantenimiento para mantener el sistema de ventilación específicamente para esa habitación. Al final, las características espaciales del ambiente interior habilitadas
por el sistema de posicionamiento interior en el marco propuesto tienen un gran impacto en la practicidad del marco propuesto para mejorar las prácticas de BFM.
18
7.3. Aplicabilidad y generalización del marco desarrollado.
Un estudio de caso que implementó el marco de gemelo digital habilitado para BIM desarrollado mostró la efectividad del marco para evaluar y
visualizar de manera integral la IAQ con información espacial en BIM para propósitos o aplicaciones relacionadas con BFM. Esto quedó demostrado por
(1) la rentabilidad, la alta certeza espacial y la gran adaptabilidad de la plataforma de detección móvil desarrollada que funcionó como un nuevo paradigma
de detección para IEM, (2) información espacial precisa potenciada por la posición interior desarrollada basada en UWB. sistema de visualización, y (3)
visualización intuitiva y fácil de usar de IAQ mediante software BIM en tiempo real. Así, el sistema desarrollado muestra una gran aplicabilidad para
mejorar las prácticas actuales de IEM.
Además de IAQ, la plataforma de detección móvil robótica desarrollada con capacidad de posicionamiento en interiores también puede detectar y
localizar de manera precisa y confiable las posibles fugas de otros materiales peligrosos (por ejemplo, H2S y CH4) en interiores para la gestión de
seguridad en muchas industrias, como la fabricación de productos químicos y minería y metalurgia. Además, demuestra que el marco desarrollado tiene
una alta generalización a varias aplicaciones para diferentes industrias cuando se le realizan cambios o modificaciones menores o se utilizan diferentes
herramientas de implementación para una aplicación deseada. Por ejemplo, dado que el marco propuesto se basa en LAN, actualmente está diseñado
para aplicaciones en interiores que no requieren comunicación de larga distancia, de modo que el servidor web HTTP basado en LAN sea suficiente para
la transmisión de datos en tiempo real en el área local. Sin embargo, el servidor web HTTP puede ser reemplazado fácilmente por plataformas
comerciales de servicios en la nube existentes (por ejemplo, Amazon Web Services y Microsoft Azure) para la transmisión de datos a larga distancia y
permitir a los usuarios acceder al modelo de gemelo digital en cualquier lugar del mundo. Este cambio relacionado con la comunicación no afectará el
proceso de adquisición, procesamiento y visualización de datos porque el servidor web HTTP es compatible tanto con LAN como con redes de área
amplia. Además, IEM no se limita únicamente a la IAQ, sino que incluye otros aspectos de un ambiente interior, como las condiciones térmicas, los
niveles de iluminación y las condiciones acústicas. Por lo tanto, los sensores utilizados en la plataforma de detección móvil desarrollada también se
pueden cambiar o reemplazar para satisfacer necesidades específicas de IEM. Por ejemplo, al utilizar un sensor de temperatura ambiente y un sensor
de humedad relativa para reemplazar los sensores que se utilizaron para el monitoreo de la calidad del aire interior en el estudio de caso, el marco
propuesto se puede generalizar para la evaluación y visualización del confort térmico interior en tiempo real [22,40]. .
8. Conclusión y aportes
Este estudio desarrolló un novedoso marco de gemelos digitales habilitado para BIM para IEM y visualización en apoyo de BFM utilizando IoT,
robótica, mapeo robótico 3D basado en LiDAR e IPT basado en UWB. El marco se aplicó en un estudio de caso que involucraba dos escenarios interiores
con diferentes diseños interiores y complejidad espacial dentro de un edificio educativo en la institución de los autores. El objetivo era evaluar la
aplicabilidad del marco y evaluar el rendimiento del sistema de posicionamiento interior integrado. Los resultados del estudio de caso revelaron que (1)
el sistema robótico de mapeo 3D desarrollado bien podría capturar la información geométrica de diferentes espacios interiores para ayudar a un
moldeador BIM a desarrollar eficientemente un modelo BIM como base para respaldar la visualización IAQ utilizando gemelos digitales; (2) la plataforma
robótica móvil de detección desarrollada pudo navegar libremente a través de los complejos espacios interiores, tanto de tamaño pequeño como mediano,
mientras midía los contaminantes del aire; (3) el sistema de posicionamiento interior integrado basado en UWB alcanzó una precisión de posicionamiento
de casi un centímetro con un RMSE promedio de 5,44 cm, 9,45 cm y 16,34 cm para estimar las coordenadas a lo largo de los ejes x, y y z en un sistema
de coordenadas cartesiano 3D, respectivamente; y (4) el modelo de gemelo digital habilitado para BIM podría visualizar intuitivamente el IAQ con
características espaciales a una alta frecuencia de actualización de 0,5 Hz.
Debido a que no se utiliza hardware ni software patentados para el mapeo/escaneo basado en nubes de puntos 3D, el marco propuesto en este
documento es significativamente más barato que los dispositivos de escaneo comerciales existentes para el desarrollo de modelos BIM semiautomáticos.
Además, los datos ambientales recopilados por la unidad de detección permitieron una evaluación integral de la IAQ de manera objetiva utilizando la
función lineal por partes junto con la regla de clasificación del índice IAQ establecida. Mientras tanto, la detección móvil robótica eliminó la necesidad de
redes masivas de sensores para IEM, lo que redujo significativamente los gastos de compra e instalación de sensores.
Por lo tanto, el marco propuesto (1) abarcó los beneficios de los enfoques IEM basados en redes de sensores y basados en encuestas y (2) abordó las
deficiencias de cada enfoque. Esto fue impulsado por los costos más bajos con (1) el desarrollo de modelos BIM semiautomáticos respaldados por
mapeo 3D robótico basado en LiDAR y (2) detección móvil robótica, y la evaluación objetiva de la IAQ utilizando datos de sensores y un método de
evaluación de la IAQ estándar.
La novedad de este estudio es unir perfectamente los gemelos digitales y la robótica habilitados para BIM, que son dos tecnologías populares pero
aisladas, para mejorar las prácticas existentes para IEM en apoyo de la toma de decisiones oportuna y basada en datos sobre el mantenimiento de las
instalaciones del edificio. En última instancia, este estudio contribuye al conjunto de conocimientos al (1) desarrollar un paradigma de detección móvil
robótica que podría usarse para complementar o reemplazar parcialmente los métodos de detección estacionarios existentes para IEM; (2) ser el primer
trabajo de investigación que integra varias tecnologías emergentes (es decir, BIM, gemelos digitales, IoT, localización en interiores y robótica) para el
monitoreo y visualización en tiempo real de las condiciones ambientales interiores; y (3) proponer un enfoque IEM autónomo que pueda realizar una
evaluación en tiempo real de las condiciones interiores sin intervención humana y sin requerir una red masiva de sensores para monitorear el interior, lo
que hace que el proceso IEM sea más eficiente.
Declaración de contribución de autoría CRediT
Xi Hu: Escritura – borrador original, Visualización, Metodología, Investigación, Análisis formal, Curación de datos. Rayan H. Assaad:
Redacción – borrador original, Supervisión, Administración de proyectos, Metodología, Análisis formal, Conceptualización.
Declaración de intereses contrapuestos
Los autores declaran que no tienen conocidos intereses financieros en competencia o relaciones personales que pudieran haber parecido
19
influyen en el trabajo reportado en este artículo.
Disponibilidad de datos
Los datos utilizados están incluidos en el manuscrito.
Nomenclatura
BFM Gestión de instalaciones de edificios

IEM Monitoreo del ambiente interior Internet
IoT de las cosas RBMS
Detección móvil basada en robots Tecnología de
IPT posicionamiento interior IAQ Calidad del
aire interior IAQM Monitoreo de la
calidad del aire interior VOC Compuesto orgánico
volátil UGV Vehículo terrestre no tripulado UAV
Vehículo aéreo no tripulado HVAC Calefacción,

ventilación y aire acondicionado LiDAR
Detección de luz y rango.
SLAM Localización y mapeo simultáneos LOAM Odometría y mapeo LiDAR
LAN Red de área local HTTP Protocolo de transferencia de

hipertexto SCIIS Construcción inteligente y
sistemas de infraestructura inteligentes Insalubre para grupos

sensibles Punto de ruptura de concentración para cada nivel de índice Partes por millón Puntos de verdad
Gobierno de Estados Unidos

del terreno Índice de calidad del aire
CBP
ppm
GPT
ICA
Referencias
[1] A. Alarifi, A. AlSalman, M. Alsaleh, A. Alnafessah, S. AlHadhrami, MA AlAmmar, HS AlKhalifa, Tecnologías de posicionamiento en interiores de banda ultraancha: análisis
y avances recientes, Sens 16 (5) (2016) 707, https://doi.org/10.3390/s16050707.
[2] M. Jin, S. Liu, S. Schiavon, C. Spanos, Detección móvil automatizada: hacia un monitoreo ágil de la calidad ambiental interior de alta granularidad, Construido. Reinar. 127
(2018) 268–276, https://doi.org/10.1016/j.buildenv.2017.11.003.
[3] FS Hafez, B. Sa'di, M. SafaGamal, YH TaufiqYap, M. Alrifaey, M. Seyedmahmoudian, .S. Mekhilef, Eficiencia energética en edificios sostenibles: una revisión sistemática con taxonomía, desafíos,
motivaciones, aspectos metodológicos, recomendaciones y vías para futuras investigaciones, Estrategia Energética Rev. 45 (2023) 101013, https://doi.org/10.1016/j .esr.2022.101013.
[4] Programa Federal de Gestión de Energía, Edificios Saludables y Calidad Ambiental Interior, 2023. https://www.energy.gov/femp/healthybuildingsand
calidadambientalinterior/. (Consultado el 10 de julio de 2023).
[5] M. Arif, M. Katafygiotou, A. Mazroei, A. Kaushik, E. Elsarrag, Impacto de la calidad ambiental interior en el bienestar y la comodidad de los ocupantes: una revisión de la
literatura, int. J. Sostener. Entorno construido. 5 (1) (2016) 51–59, https://doi.org/10.1016/j.ijsbe.2016.03.006.
[6] NM Pilanawithana, YG Sandanayake, Posicionamiento del papel del administrador de instalaciones durante todo el ciclo de vida del edificio, J. Facil. Gestionar. 15 (4) (2017) 376–392,
https://doi.org/10.1108/JFM0620160024.
[7] X. Shan, EH Yang, J. Zhou, VWC Chang, Interacción entre humanos y edificios bajo diversas temperaturas interiores mediante electroencefalograma (EEG) de señales neuronales
métodos, Construido. Reinar. 129 (2018) 46–53, https://doi.org/10.1016/j.buildenv.2017.12.004.
[8] JH Choi, V. Loftness, Investigación de las temperaturas de la piel del cuerpo humano como señal biológica para indicar sensaciones térmicas generales, Construido. Reinar. 58 (2012) 258–269, https://
doi.org/10.1016/j.buildenv.2012.07.003.
[9] S. Bhattacharya, S. Sridevi, R. Pitchiah, Monitoreo de la calidad del aire interior mediante una red de sensores inalámbricos, en: Actas de la Sexta Conferencia Internacional sobre
Sensing Technology, IEEE, Piscataway, Nueva Jersey, págs. 422427.
[10] S. Santini, B. Ostermaier, A. Vitaletti, Primeras experiencias en el uso de redes de sensores inalámbricos para el monitoreo de la contaminación acústica, en: V. Thiemo, A. Dunkels (Eds.),
Actas del taller sobre redes de sensores inalámbricos del mundo real, ACM, Nueva York, 2008, págs. 61–65.
[11] X. Liu, J. Cao, Y. Xu, H. Wu, Y. Liu, Una estrategia multiescala en redes de sensores inalámbricos para el monitoreo de la salud estructural, en: Actas de 2009 Internacional
Conferencia sobre sensores inteligentes, redes de sensores y procesamiento de información, IEEE, Piscataway, Nueva Jersey, 2009, págs. 361–366.
[12] L. Mucchi, S. Jayousi, A. Martinelli, S. Caputo, E. Intrieri, G. Gigli, L. Nannipieri, Una red de sensores inalámbricos flexible basada en tecnología de banda ultra ancha para
Monitoreo de la inestabilidad del suelo, Sens 18 (9) (2018) 2948, https://doi.org/10.3390/s18092948.
[13] C. Boje, A. Guerriero, S. Kubicki, Y. Rezgui, Hacia un gemelo digital de construcción semántica: direcciones para futuras investigaciones, Autom. Construir. 114 (2020) 103179, https://doi.org/10.1016/
j.autcon.2020.103179.
[14] AC Djedouboum, AA Abba Ari, AM Gueroui, A. Mohamadou, Z. Aliouat, Recolección de big data en redes de sensores inalámbricos a gran escala, Sens 18 (12) (2018)
4474, https://doi.org/10.3390/s18124474.
[15] Y. Yang, J. Liu, W. Wang, Y. Cao, H. Li, Incorporación de SLAM y detección móvil para el monitoreo de CO2 en interiores y la estimación de la posición de la fuente, J. Clean. Pinchar. 291
(2021) 125780, https://doi.org/10.1016/j.jclepro.2020.125780.
[16] Y. Geng, M. Yuan, H. Tang, Y. Wang, Z. Wei, B. Lin, W. Zhuang, Sistema de detección móvil basado en robot para monitoreo de temperatura interior de alta resolución, Autom.
Construir. 142 (2022) 104477, https://doi.org/10.1016/j.autcon.2022.104477.
20
[17] X. Hu, RH Assaad, Monitoreo automatizado del estrés por calor y sistema robótico de pulverización de agua para mejorar las condiciones de trabajo mediante drones (UAV) infrarrojos.
termografía, en: Actas de la conferencia conjunta del Construction Institute (CI) y Construction Research Congress (CRC), ASCE, Reston, VA, 2024 (en prensa).
[18] X. Hu, RH Assaad, Sistema robótico inteligente de inspección y advertencia para el monitoreo de la seguridad de la construcción en el sitio mediante visión por computadora y vehículos terrestres no
tripulados, en: Actas de la Conferencia conjunta del Instituto de la Construcción (CI) y el Congreso de Investigación de la Construcción (CRC), ASCE , Reston, VA, 2024 (en prensa).
[19] M. Laskari, S. Karatasou, M. Santamouris, Una metodología para la determinación de la calidad ambiental interior en edificios residenciales mediante el monitoreo de parámetros ambientales
fundamentales: una propuesta de índice de calidad ambiental de la vivienda, entorno interior construido. 26 (6) (2017) 813–827, https://doi.org/10.1177/1420326X16660175 .
[20] S. Dolnicar, B. Grün, V. Yanamandram, Las preguntas dinámicas e interactivas de la encuesta pueden aumentar la calidad de los datos de la encuesta, J. Trav. Mercado Turístico. 30 (7) (2013) 690–699,
https://doi.org/10.1080/10548408.2013.827546.
[21] P. Chen, Z. Lu, Un sistema de monitoreo del ambiente interior basado en la web que utiliza redes de sensores inalámbricos, en: Actas de la Conferencia Internacional de 2013 sobre
Ciencias Computacionales y de la Información, IEEE, Piscataway, Nueva Jersey, 2013, págs. 2007–2010.
[22] O. Bamodu, L. Xia, L. Tang, Un sistema de monitoreo del ambiente interior que utiliza una red de sensores de bajo costo, Energy Proc. 141 (2007) 660–666, https://doi.org/
10.1016/j.egypro.2017.11.089.
[23] TV Tran, NT Dang, WY Chung, Sistema de sensor inteligente sin batería para monitoreo de la calidad del aire interior en tiempo real, Sens. Actuators B: Chem. 248 (2017) 930–939,
https://doi.org/10.1016/j.snb.2017.01.198.
[24] J. Woo, P. Rajagopalan, M. Francis, P. Garnawat, Una evaluación de la calidad ambiental interior de los espacios de oficinas en una universidad urbana australiana, Build. Res. inf. 49 (8) (2021) 842–
858, https://doi.org/10.1080/09613218.2021.1944037.
[25] BE Byambasuren, D. Kim, M. OyunErdene, C. Bold, J. Yura, Detección móvil basada en robot de inspección y seguimiento de líneas eléctricas para redes inteligentes, Sens 16 (2) (2016)
250, https://doi.org/10.3390/s16020250.
[26] M. Trincavelli, M. Reggente, S. Coradeschi, A. Loutfi, H. Ishida, AJ Lilienthal, Hacia el monitoreo ambiental con robots móviles, en: Actas de la
Conferencia internacional IEEE/RSJ de 2008 sobre robots y sistemas inteligentes, IEEE, Piscataway, Nueva Jersey, 2008, págs.
[27] PP Neumann, P. Hirschberger, Z. Baurzhan, C. Tiebe, M. Hofmann, D. Hüllmann, M. Bartholmai, Monitoreo de la calidad del aire interior mediante nanobots voladores: diseño y estudio experimental, en:
Actas del IEEE 2019 Simposio internacional sobre olfato y nariz electrónica, IEEE, Piscataway, Nueva Jersey, 2019, págs.
[28] K. Noda, H. Aizawa, Sistema de monitoreo ambiental interior mediante un robot aspirador, Sensor. Madre. 32 (3) (2020) 1133–1140, https://doi.org/
10.18494/sam.2020.2413.
[29] P. Ribino, M. Bonomolo, C. Lodato, G. Vitale, Un enfoque basado en un robot social humanoide para el monitoreo de la calidad del ambiente interior y la mejora del bienestar,
En t. J. Soc. Robot. 13 (2021) 277–296, https://doi.org/10.1007/s12369020006389.
[30] W. Rahmaniar, A. Wicaksono, Diseño e implementación de un robot móvil para el monitoreo de monóxido de carbono, J. Robot. Control (CCI). 2 (1) (2021) 1–6, https://
doi.org/10.18196/jrc.2143.
[31] Y. Liao, A. Chen, H. Cai, J. Lu, W. Zhang, B. Lin, .Y. Tong, un estudio experimental sobre la localización de fuentes de contaminantes que varían en el tiempo en un ambiente interior dinámico con
ventilación mecánica basado en la cooperación de múltiples robots, J. Build. Ing. 67 (2023) 105962, https://doi.org/10.1016/j.jobe.2023.105962.
[32] AM Nagayo, ST Sangeetha, MZ Al Ajmi, AYM Al Bulushi, MSA Al Hinaai, LYT Al Hamadani, Sistema de control y monitoreo del protocolo de salud y ambiente interior integrado en un robot inteligente
para promover la seguridad en los campus universitarios, en: Actas de 2023 Segunda Conferencia Internacional sobre Electrónica y Sistemas Renovables, IEEE, Piscataway, Nueva Jersey, 2023,
págs.
[33] TD Nguyen, S. Adhikari, El papel de BIM en la integración del gemelo digital en la construcción de edificios: una revisión de la literatura, Sostenibilidad 15 (13) (2023) 10462, https://
doi.org/10.3390/su151310462.
[34] Q. Lu, X. Xie, AK Parlikad, JM Schooling, Detección de anomalías habilitadas por gemelos digitales para el monitoreo de activos construidos en operación y mantenimiento, Autom. Construir. 118 (2020)
103277, https://doi.org/10.1016/j.autcon.2020.103277.
[35] T. Wang, VJ Gan, DF Hu, H. Liu, Detección y monitoreo de entornos construidos habilitados por gemelos digitales mediante el enriquecimiento semántico de BIM con SensorML, Autom.
Construir. 144 (2022) 104625, https://doi.org/10.1016/j.autcon.2022.104625.
[36] A. Arsiwala, F. Elghaish, M. Zoher, Gemelo digital con aprendizaje automático para el monitoreo predictivo del equivalente de CO2 de edificios existentes, Energy Build. 284
(2023) 112851, https://doi.org/10.1016/j.enbuild.2023.112851.
[37] HH Hosamo, HK Nielsen, D. Kraniotis, PR Svennevig, K. Svidt, Marco Digital Twin para la detección y predicción automatizada de fuentes de fallas para la evaluación del desempeño del confort de
edificios no residenciales existentes en Noruega, Energy Build. 281 (2023) 112732, https://doi.org/10.1016/j.enbuild.2022.112732.
[38] T. Oh, M. Kim, J. Lim, O. Kang, K. Vidya Shetty, B. SankaraRao, JT Kim, Un método de evaluación y monitoreo en tiempo real para el cálculo de las cantidades totales de contaminantes del aire interior
emitidos en estaciones de metro, J. Air Waste Manag. Asociación. 62 (5) (2012) 517–526, https://doi.org/10.1080/10962247.2012.660558.
[39] PO Fanger, Confort térmico: análisis y aplicaciones en ingeniería ambiental, Danish Technical Press, Copenhague, Dinamarca, 1970, p. 244.
[40] X. Hu, RH Assaad, Evaluación y visualización del confort térmico interior habilitada en la nube utilizando gemelos digitales, IoT, robótica y tecnología de posicionamiento interior, en:
Actas de la Conferencia Internacional sobre Computación en Ingeniería Civil, ASCE, Reston, VA, 2023, págs. 807–814.
[41] Y. Xie, S. Li, T. Liu, Y. Cai, Reconstrucción BIM conforme a obra de sistemas de tuberías utilizando PipeNet, Autom. Construir. 147 (2023) 104735, https://doi.org/10.1016/j.
autcon.2022.104735.
[42] C. Rausch, C. Haas, Actualización automatizada de formas y poses de elementos del modelo de información de construcción a partir de nubes de puntos 3D, Autom. Construir. 124 (2021) 103561, https://
doi.org/10.1016/j.autcon.2021.103561.
[43] M. Weinmann, B. Jutzi, S. Hinz, C. Mallet, Interpretación semántica de nubes de puntos basada en vecindades óptimas, características relevantes y clasificadores eficientes, ISPRS
J. Fotogrametría Remote Sens. 105 (2015) 286–304, https://doi.org/10.1016/j.isprsjprs.2015.01.016.
[44] H. Macher, T. Landes, P. Grussenmeyer, De las nubes de puntos a los modelos de información de edificios: reconstrucción semiautomática en 3D del interior de edificios existentes, Appl. Ciencia. 7 (10)
(2017) 1030, https://doi.org/10.3390/app7101030.
[45] A. To, M. Liu, M. Hazeeq Bin Muhammad Hairul, JG Davis, JS Lee, H. Hesse, HD Nguyen, IA basada en drones y reconstrucción 3D para gemelos digitales
aumento, en: Actas de la Conferencia Internacional sobre Interacción HumanoComputadora, Cham: Springer International Publishing, Nueva York, 2021, págs.
[46] HK Biswas, SL Lau, TY Sim, Impacto de la digitalización en la construcción: enriquecimiento de las instalaciones y operaciones construidas utilizando BIM, en: Actas del IEEE 2022
Conferencia internacional sobre informática, IEEE, Piscataway, Nueva Jersey, 2022, págs.
[47] HK Biswas, TY Sim, SL Lau, Impacto del modelado de información de construcción y tecnologías avanzadas en la industria AEC: una revisión contemporánea y el futuro.
direcciones, J. Construir. Ing. (2023) 108165, https://doi.org/10.1016/j.jobe.2023.108165.
[48] T. Shan, B. Englot, Legoloam: odometría lidar ligera y optimizada para el terreno y mapeo en terreno variable, en: Actas del IEEE/RSJ de 2018
Conferencia internacional sobre robots y sistemas inteligentes, IEEE, Piscataway, Nueva Jersey, 2018, págs.
[49] MG Masciotta, LJ SánchezAparicio, DV Oliveira, D. GonzálezAguilera, Integración de tecnologías de escaneo láser y fotografía 360◦ para la documentación y gestión digital de edificios del patrimonio
cultural, Int. J. Archit. 17 (1) (2023) 56–75, https://doi.org/10.1080/15583058.2022.2069062.
[50] MK Rose, J. Chamberlain, D. LaValley, Sistema de imágenes 360 en tiempo real para el conocimiento de la situación, en: Actas de la Sociedad de Instrumentación Fotoóptica
Ingenieros, SPIE, Orlando, FL, 2009, págs. 111–122.
[51] S. Liu, H. Yang, Z. Mei, X. Xu, Q. He, Medición de distancia de alta precisión de banda ultraancha basada en compensación híbrida de temperatura y error de distancia,
Medidas 206 (2023) 112276, https://doi.org/10.1016/j.measurement.2022.112276.
[52] DT Wisland, K. Granhaug, JR Pleym, N. Andersen, S. Støa, HA Hjortland, Monitoreo remoto de signos vitales utilizando un transceptor de radar CMOS UWB, en:
Actas de la 14.ª Conferencia Internacional de Nuevos Circuitos y Sistemas del IEEE de 2016, IEEE, Piscataway, Nueva Jersey, 2016, págs.
[53] M. Segura, V. Mut, C. Sisterna, Sistema de navegación interior de banda ultra ancha, IET Radar, Sonar Navig 6 (5) (2012) 402–411, 10.1049%2Fietrsn.2011.0352.
[54] L. Yao, L. Yao, YW Wu, Análisis y mejora de la precisión del posicionamiento en interiores para sensores UWB, Sens 21 (17) (2021) 5731, https://doi.org/10.3390/
s21175731.
21
¨
[55] A. Ozdemir, SO Bogosyan, Árboles elásticos basados en espacios como un enfoque novedoso para evitar obstáculos de forma rápida y confiable para UGV, J. Intell. Robar. Sistema. 107 (1) (2023)
9, https://doi.org/10.1007/s10846022017920.
[56] V. Cardellini, E. Casalicchio, M. Colajanni, PS Yu, El estado del arte en sistemas de servidores web distribuidos localmente, ACM Comput. Sobrevivir. 34 (2) (2002) 263–311,
https://doi.org/10.1145/508352.508355.
[57] X. Hu, RH Assaad, Integración de robótica autónoma, tecnologías de localización interior y detección de IoT para la calidad del aire interior basada en la nube en tiempo real.
monitoreo y visualización, en: Actas de la Conferencia Internacional sobre Computación en Ingeniería Civil, ASCE, Reston, VA, 2023, págs.
[58] J. Choi, H. Kang, T. Hong, H. Baek, DE Lee, Modelo automatizado de evaluación de la exposición al ruido para la salud de los trabajadores de la construcción, Autom. Construir. 126 (2021)
103657, https://doi.org/10.1016/j.autcon.2021.103657.
[59] M. Keshavarzi, L. Caldas, L. Santos, RadVR: una herramienta de análisis de iluminación natural de realidad virtual 6DOF, Autom. Construir. 125 (2021) 103623, https://doi.org/10.1016/j.
autcon.2021.103623.
[60] C. Buratti, E. Belloni, F. Merli, P. Ricciardi, Un nuevo índice que combina el confort térmico, acústico y visual de ambientes moderados en climas templados, Construido.
Reinar. 139 (2018) 27–37, https://doi.org/10.1016/j.buildenv.2018.04.038.
[61] R. Stoleru, T. He, JA Stankovic, Localización sin alcance, en: Actas de localización segura y sincronización horaria para sensores inalámbricos y ad hoc.
Networks, Springer US, Nueva York, 2007, págs. 3–31.
[62] Y. Zhou, Un algoritmo eficiente de trilateración de mínimos cuadrados para la localización de robots móviles, en: Actas de la Conferencia Internacional IEEE/RSJ de 2009 sobre
Robots y sistemas inteligentes, IEEE, Piscataway, Nueva Jersey, 2009, págs. 3474–3479.
[63] G. Li, E. Geng, Z. Ye, Y. Xu, J. Lin, Y. Pang, Algoritmo de posicionamiento en interiores basado en el modelo de distancia RSSI mejorado, Sens 18 (9) (2018) 2820, https: //doi.org/
10,3390/s18092820.
[64] J. Li, X. Yue, J. Chen, F. Deng, Un novedoso método de trilateración robusto aplicado a sistemas de ubicación de ancho de banda ultraancho, Sens 17 (4) (2017) 795, https://doi.org /
10,3390/s17040795.
[65] DD Eneyew, MA Capretz, GT Bitsuamlak, Hacia gemelos digitales de edificios inteligentes: integración de datos BIM e IoT, IEEE Access 10 (2022) 130487–130506,
https://doi.org/10.1109/ACCESS.2022.3229370.
[66] R. Sacks, I. Kaner, CM Eastman, YS Jeong, El experimento Rosewood: modelado de información de construcción e interoperabilidad para fachadas arquitectónicas prefabricadas,
Automático. Construir. 19 (4) (2010) 419–432, https://doi.org/10.1016/j.autcon.2009.11.012.
[67] M. Benammar A. Abdaoui, SH Ahmad, F. Touati, A. Kadri, Una plataforma modular de IoT para el monitoreo de la calidad del aire interior en tiempo real, 2018, Sens 18 (2) (2018) 581,
https://doi.org/10.3390/s18020581.
`
[68] C. De Capua, G. Fulco, M. Lugara, F. Ruffa, Una estrategia de mejora para los sistemas de monitoreo de la calidad del aire interior, Sens 23 (8) (2023) 3999, https://doi.org/ 10.3390/ s23083999.
[69] DJ Yeong, G. VelascoHernández, J. Barry, J. Walsh, Tecnología de fusión de sensores y sensores en vehículos autónomos: una revisión, Sens 21 (6) (2021) 2140, https://
doi.org/10.3390/s21062140.
[70] H. Munz, J. Ingwersen, T. Streck, Procedimiento de calibración de sensores in situ para el control de calidad de las mediciones de separación de procesos barométricos (BaPS), Sens 23 (10)
(2023) 4615, https://doi.org/10.3390/s23104615.
[71] J. Bi, M. Zhao, G. Yao, H. Cao, Y. Feng, H. Jiang, D. Chai, PSOSVRPos: posicionamiento interior WiFi utilizando SVR optimizado por PSO, Expert Syst. Aplica. 222 (2023)
119778, https://doi.org/10.1016/j.eswa.2023.119778.
[72] A. Albaidhani, A. Morell, JL Vicario, Selección de anclaje para posicionamiento en interiores UWB, Trans. Emergente. Telecom. Tecnología. 30 (6) (2019) e3598, https://doi.org/
10.1002/ett.3598.
[73] Agencia de Protección Ambiental de los Estados Unidos, Guía para instalar e instalar sensores de aire, 2023. https://www.epa.gov/airsensortoolbox/guidesitingandinstallingairsensors/ .
(Consultado el 28 de julio de 2023).
[74] P. Daukantas, Añadiendo una nueva dimensión: lidar y arqueología, Opt Photon. Noticias 25 (1) (2014) 32–39, https://doi.org/10.1364/OPN.25.1.000032.
[75] N. Zhou, M. Si, D. Li, CK Seow, J. Mi, Un método de posicionamiento 3D UWB en interiores para estaciones base coplanares, Sens 22 (24) (2022) 9634, https://doi.org /10.3390/
s22249634.
[76] M. Si, Y. Wang, N. Zhou, CK Seow, H. Siljak, Una altimetría interior híbrida basada en barómetro y UWB, Sens 23 (9) (2023) 4180, https://doi.org/ 10.3390/
s23094180.
[77] A. Sujiwa, HP Prasetyo, Análisis de mediciones de dispositivos de detección de fugas de gas LPG mq6 para factores de distancia, BEST: Journal of Applied Electrical, Science, & Technology 2 (1)
(2020) 6–9, https :/ /doi.org/10.36456/best.vol2.no1.2578.
[78] K. Ponsoni, MSG Raddi, Calidad del aire interior relacionada con la ocupación en un edificio público con aire acondicionado, Braz. Arco. Biol. Tecnología. 53 (2010) 99–103, https://doi.org/10.1590/
S151689132010000100013 .
[79] Agencia de Protección Ambiental de los Estados Unidos, Introducción a la calidad del aire interior, 2023. https://www.epa.gov/indoorairqualityiaq/introductionindoorairquality#sources/ .
(Consultado el 1 de agosto de 2023).
[80] X. Fan, C. Liao, MP Bivolarova, C. Sekhar, J. Laverge, L. Lan, .P. Wargocki, Un estudio de intervención de campo sobre los efectos de la apertura de puertas y ventanas en la IAQ del dormitorio, la
calidad del sueño y el rendimiento cognitivo al día siguiente, Construido. Reinar. 225 (2022) 109630, https://doi.org/10.1016/j.buildenv.2022.109630.
[81] F. Ibrahim, EZ Samsudin, AR Ishak, J. Sathasivam, La calidad del aire interior del hospital y sus relaciones con el diseño del edificio, el funcionamiento del edificio y los ocupantes.
factores relacionados: una minirevisión, Frente. Salud Pública 10 (2022) 1067764, https://doi.org/10.3389/fpubh.2022.1067764.
[82] Y. Geng, B. Lin, J. Yu, H. Zhou, W. Ji, H. Chen, .Y. Zhu, Calidad ambiental interior de edificios de oficinas ecológicos en China: medición a gran escala y a largo plazo,
Construir, entorno. Veces 150 (2019) 266–280, https://doi.org/10.1016/j.buildenv.2019.01.014.
[83] Agencia de Protección Ambiental de los Estados Unidos, The inside Story: A Guide to Indoor Air Quality, 2023. https://www.epa.gov/indoorairqualityiaq/inside
guíahistoriacalidaddelaireinterior/. (Consultado el 23 de enero de 2024).
22

A BIM-Enabled Digital Twin Framework For Real-Time Indoor

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

A BIM-Enabled Digital Twin Framework For Real-Time Indoor

Cargado por

Copyright:

Formatos disponibles

Machine Translated by Google

Revista de Ingeniería de la Construcción 86 (2024) 108901

Listas de contenidos disponibles en ScienceDirect

Revista de ingeniería de la construcción

página de inicio de la revista: www.elsevier.com/locate/jobe

Un marco de gemelo digital habilitado para BIM para monitoreo y

INFORMACIÓN DEL ARTÍCULO ABSTRACTO

X. Hu y RH Assaad Revista de Ingeniería de la Construcción 86 (2024) 108901

3.1. Redes masivas de sensores para IEM

X. Hu y RH Assaad Revista de Ingeniería de la Construcción 86 (2024) 108901

3.2. Detección móvil basada en robots para IEM

Aplicaciones de la robótica para el seguimiento de las condiciones del ambiente interior.

Referencia Aplicación específica plataforma robótica Lleno Sistema Plataforma de

autonomía de posicionamiento plataforma en la nube visualización

interiores: CO, CO2, CH4,

del aire, iluminancia, CO2, 1 etiquetas de

de gases interiores: etanol y Posicionamiento

compuestos volátiles Cuadricóptero Crazyflie 2.0 Sistema

temperatura del aire,

temperatura del aire y CO.

gas interior: CO2

localización de PM1 Baliza HW

temperatura del aire y

temperatura del aire, humedad ThingSpeak: Seguimiento del

relativa, CO y protocolo sanitario

Seguimiento temperatura corporal

del protocolo sanitario. de los ocupantes; Detección de

mascarilla facial; Ejecutando

X. Hu y RH Assaad Revista de Ingeniería de la Construcción 86 (2024) 108901

3.3. Gemelos digitales habilitados para BIM para BFM

3.4. Brecha de conocimiento

X. Hu y RH Assaad Revista de Ingeniería de la Construcción 86 (2024) 108901

4.1. Descripción general

X. Hu y RH Assaad Revista de Ingeniería de la Construcción 86 (2024) 108901

4.2. Captura de instalaciones construidas para generación de modelos

BIM 4.2.1. SLAM basado en LiDAR para generación de nubes de puntos

4.2.2. Imágenes de 360°

4.3. Detección móvil robótica autónoma

4.3.1. Detección de datos de parámetros ambientales Se creó un

4.3.2. Detección de distancia basada en UWB

4.3.3. Configuración de autonomía del UGV La

X. Hu y RH Assaad Revista de Ingeniería de la Construcción 86 (2024) 108901

4.4. Comunicación inalámbrica

4.5. Generación de gemelos digitales habilitados para

BIM 4.5.1. Generación de modelos BIM y transformación de coordenadas.

4.5.2. Evaluación del ambiente interior

Fig. 2. Estimación de la posición en interiores mediante trilateración 3D y optimización de mínimos cuadrados.

X. Hu y RH Assaad Revista de Ingeniería de la Construcción 86 (2024) 108901

4.5.3. Estimación de posición interior y transformación de coordenadas.

4.5.4. Generación de objetos virtuales rastreados

4.5.5. Monitoreo y visualización en tiempo real de las condiciones ambientales interiores.

5.1. Cálculo del índice de calidad del aire interior.

X. Hu y RH Assaad Revista de Ingeniería de la Construcción 86 (2024) 108901

5.2. Herramientas de implementación y descripción.

5.3. Evaluación de implementación

La regla de clasificación del índice IAQ de Oh et al. [38].

Ibajo 0 51 101 251

Ialto 50 100 150 250 350 500

PM2.5 (μg/m3 ) 0 15 16 40 41 140 141 250 251 350 351 500

X. Hu y RH Assaad Revista de Ingeniería de la Construcción 86 (2024) 108901

Las herramientas con descripciones asociadas para el estudio de caso.

Tarea Subtarea Herramienta

compatibilidad Wi­Fi para controlar los conectados

compatibilidad WiFi para controlar los conectados