EN

行業動態簡報(第五十八期)之五:智慧建筑&技術動態

Date | 2020.11.23    作者 |

一、智能建筑

無人機在建筑業中的應用

土地調查

無人機在建筑中的一個主要應用是用于進行空中調查。配備人工智能和機器學習的智能無人機可以創建被調查區域的2D平面圖。無人機消除了人工操作過程中可能出現的錯誤,節省了時間和人力,而且更加準確。

項目執行及改進

建設中的拖延和失誤是建設領域面臨的主要問題。他們可以檢測建筑項目的任何部分是否落后于計劃,并可以將數據發送給有關官員,以便采取必要的措施。它還可以對項目進行測量,并檢測在人工檢查過程中可能遺漏的任何施工錯誤。

安全改進

無人機可以用來提高建筑工地的安全標準。無人機可以用來監控工地,防止盜竊,還可以為在工地工作的員工提供安全保障。配備攝像頭的無人機可以探測和監控移動,幫助為員工提供更好的安全,還可以保護公司免受盜竊帶來的重大損失。

廢物監測

無人機在建筑業的一個鮮為人知的應用是用于廢物監測。智能無人機可以用來測量產生的垃圾。他們可以準確地生成關于建筑工地垃圾數量和類型的數據。這有助于公司節省時間、金錢和人力資源,這些資源可以在其他地方使用。

摘自  千家網


區塊鏈遇上智能建筑

區塊鏈可能在以下方面改變建筑運營方式:

設施管理服務

很多組織聘用外部供應商管理辦公室。這些合約可能包括管理資本項目、運作暖通空調(HVAC)等子系統及經營餐廳。這種中間商的方式運轉良好,因為大部分大型辦公區需要數十種不同的服務。區塊鏈有望消除對這種中間商的需求。智能合約明確了資金轉手方式,并在條件滿足時自動執行轉賬。這將取代法律合約或其他紙質協議。

運輸派送行業有一個簡單的例子:智能合約在包裹發出時(可以使用GPS驗證)自動結算預先安排好的配送費,無需簽署紙質協議。

設備質保

全球建筑自動化市場規模約為1,200億美元。智能設備和物聯網正日益普及。當設備性能達不到預期水平時,智能合約將自動啟動質保條款并提供退款。

通過內置傳感器監控設備性能,任何質保問題都能夠被自動識別,退款將自動轉賬。建筑運營商將對它們購買的產品更有信心,供應商的行政成本也會降低。

租戶賬單

能源管理面臨的一個重大挑戰是,對一座商業建筑中每個辦公室的實際能源消耗計費。紐約等城市對此有相關規定,要求分表計量以明確租戶賬單。

目前,這個程序由人工操作,需要大量的行政工作。這時就輪到區塊鏈登場了。區塊鏈不僅能對整體能源網絡產生影響,也可以為單個建筑內部的計費提供重要工具。

室內停留情況追蹤

追蹤建筑內的個人將提高空間效率,使空間更加個性化。但這樣一來,更多住戶的更多數據被收集起來,自然會引發隱私方面的擔憂。區塊鏈能在確保安全性和匿名制的情況下,允許建筑系統收集每個住戶更加詳細的數據。區塊鏈可用來安全儲存個人身份信息。個人在建筑中的工作方式也可以用同樣的方式來保存,緩解了員工對于室內傳感監視的擔憂。
摘自 碳鏈生活

 

二、技術動態

 

邊緣計算是貨運的未來嗎

邊緣計算在任何時候都提供支持ELD合規性的資源,并可全面了解車隊運營情況。通常情況下,當駕駛員經過小區范圍外的一個遠程位置時,車隊會失去能見度。使用邊緣計算設備,一旦網絡和服務可用,數據就會同步傳輸到云端,以便共享、查看和報告。車隊經理能夠與駕駛員溝通,查看服務時間數據,并實時優化回程機會。

邊緣計算遠程信息處理提供實時可視性,所有數據的收集和處理都發生在駕駛室內。這種離線計算架構比上一代云計算更可靠,上一代云計算通常在網絡服務不可用或云服務器出現問題時崩潰。

延遲是請求數據與開始傳輸之間的延遲。駕駛室中邊緣計算技術的延遲比4GLTE網絡的延遲低15倍以上。許多傳統的車隊管理提供商仍然有數十萬個單元在3G上運行,這是4GLTE的兩倍。 駕駛室采用邊緣計算技術,可以通過生物特征(指紋或面部識別)來保護數據。此外,安全風險大大降低,因為攻擊者必須同時攻擊多個移動邊緣計算系統,才能對業務產生有意義的影響。

 

摘自  第一財經


從云計算過度到霧計算 

現有的云網絡無法滿足不斷增長的數據負載和處理需求,尤其是實時需求。連接到物聯網的消費者和企業設備的增加,給最尖端的提供商所提供的云服務帶來了太大的壓力。

霧計算將云擴展到了與物聯網生成的數據相關并產生作用的事物。設計使用端點(例如,傳感器、照相機)和云數據中心之間的本地計算節點(霧節點)來收集、存儲和處理數據,而不是使用遠程云數據中心。它基本上是指分散的計算結構。

 

霧計算的一些主要功能包括低延遲和位置感知,廣泛的地理分布,移動性和可擴展性,以包括許多節點。托管的霧計算節點具有足夠的計算能力和存儲能力來處理資源密集型用戶請求。由于霧計算可以通過其服務器獨立于云運行,因此即使在沒有網絡連接到云的情況下,這也可以確保用戶獲得連續,不間斷的服務。當它靠近最終用戶時,它還增強了加密數據的安全性,從而減少了對其所部署的系統中敵對元素的暴露。

邊緣計算和霧計算之間的關鍵區別在于該數據的處理位置。在邊緣計算的情況下,像可編程自動化控制器一樣,在靠近數據生成的地方進行數據處理。相反,在霧計算中,數據在霧節點或IoT網關內處理,霧節點或IoT網關位于網絡的局域網(LAN)級別內。

在霧計算中有多種應用。例如,在線流平臺可以提供不間斷的觀看服務,這是由于霧網絡的能力和彈性,可以通過實時數據分析來配置低延遲,移動性和位置標識。同樣,在醫療保健領域,我們每天都會產生大量的患者數據。利用霧計算可以減少耗時數分鐘的數據傳輸并將其轉換為秒。對于患者護理而言,這是非常重要的,因為它將大大提高服務速度。

摘自 中國新聞網


從深度人工智能學習對自動駕駛汽車的意義

了解復雜的交通行為

駕駛是一個過程,涉及與其他駕駛員和行人的復雜互動。例如,如果騎自行車人打算轉彎,那么他或她將做出手勢示意,以通知附近的其他駕駛員。然后,駕駛員可以放慢其車輛的速度,從而允許騎自行車的人轉彎。人類依賴于通用智能來進行這種社交互動。而且,通過深度學習,自動駕駛汽車現在很有可能與其他駕駛員和行人進行社交互動。深度學習神經網絡可以幫助自動駕駛汽車檢測其他駕駛員和行人給出的導航信號,并采取適當措施避免發生任何碰撞。

在極端天氣條件下檢測招牌

自動駕駛汽車面臨的另一個主要挑戰是極端天氣條件。在降雪期間,道路上的招牌可能會被雪覆蓋。而且,降雪后的一段時間內,招牌可能僅部分可見。使用其他AI算法,自動駕駛汽車將很難理解招牌上的半個標志。但是借助神經網絡進行的深度學習可以從招牌上的部分可見標志創建完整標志的圖像。神經網絡將不完整的符號發送到神經層,然后將其傳遞給隱藏層,以確定完整的符號應該是什么?;谳敵?,神經網絡可以根據招牌上的標志做出決策。

 

尋找最短的旅行路線

基于矢量的導航使大腦可以計算到所需位置的距離和方向??梢允褂没谑噶康膶Ш焦δ軄碛柧毶疃葘W習神經網絡,以找到從點A到點B的最短路徑。通過將動物大腦使用的相同網格線模式嵌入第一層,深度學習可以計算距離和到達目的地的方向。具有基于矢量的導航和深度學習功能的自動駕駛汽車還可以檢測到任何新近可用的快捷方式的存在,以減少出行時間。

摘自 中國新聞網

海燕策略