[游戏开发]数字孪生相关调查

Q：

1. 开发软件应当如何选择？
2. 数字孪生可视化与智能化应当更侧重谁？亦或是两者兼顾？
3. 应当以开发完整的数字孪生系统，还是完成某个部分（功能）为目标？工程需求有多高？
4. 数字孪生与三维可视化、仿真有什么不同？
5. 构建数字孪生体进行未来的预测，还是实现实时数据的监控和决策？
6. 站在自己——一名普通计算机研究生的角度，数字孪生有哪些挑战？

A：

1. 常见开发软件有Unity、UE、WebGL等，许多公司也自研了数字孪生开发软件。
   Unity：方便进行PLC前后端数据交互及数据采集，仿真效果好，有较多方案和实现技术可参考，我有使用经验和C#编程基础；模型效果中等，可以发布到网页端；C#语言编译效率一般，如果设计复杂运算可能比较麻烦。
   UE：模型效果极佳，可以开发出很炫酷的界面和模型场景，C++编译效率高；没有学习基础，没有找到前后端数据交互方法，没有找到发布到网页端方法。
   WebGL：发布到网页端方便，模型精度需求不高时开发相对简单；有前后端数据交互方法；没有学习基础，模型精度较差，开发功能不如3D引擎强大。
   通用的挑战：数据采集和前后端数据交互知识（如PLC）还是一片空白，如何将实现智能决策的算法加入到开发引擎中还是未知......
2. 我认为可视化更多涉及物联网相关知识，而智能化则更贴近人工智能。应当把侧重点放在智能化上，重点突破模型获取（三维重建等）、智能决策（计算机视觉等）方向。
3. 还是未知，需要先去企业进行调研，跟随项目实践后再进行判断。
4. 传统三维可视化大多只是单纯把数据反应在面板上，缺少对生产过程的指导意义，实际进行决策的仍然是人类；仿真一般是对局部或某个器械进行仿真，要求将一个小的部分精度做到极高，达到分析工作机理数据等目的。我们要做的数字孪生，主要面向大场景，如房屋，工厂，甚至城市， 要求对实际情况进行三维可视化基础上，对数据进行分析，实现智能决策，以解决生活生产中的问题。
5. 两者都有实现的可能性，后者相对更容易落地一些。前者需要大量数据用于构建现实世界的孪生体，并且范围不会太大，如外国有些团队（名字忘了）构建了现实交通系统的孪生体，用于进行无人驾驶汽车的性能测试。也有团队能够仅通过数据，模拟飞机发动机的运转情况。但这种对于现实世界“理论上”的模拟，要兼顾实际情况中多种因素影响的难度较大，开发成本高的同时，实用可靠性需要打一个问号。而对于现实生产的实时映射监控，并通过当前数据对未来进行预测或是决策，则要容易落地许多。
6. 数字孪生的技术跨度很大。单从编程语言来说，三维重建、计算机视觉和深度学习用到Python，Unity3D引擎开发需要C#，数据采集可能需要PLC的编程语言。
   数字孪生的工程性很强，而我的工程经历几乎为零。
   缺少指导。数字孪生因为工程性很强，许多企业都是用自研的软件进行开发，网上基本搜不到什么开发案例；要不然就是军用、航天方面的数字孪生，更不可能接触的到。另一方面，国内对于数字孪生深入的研究还很少，大部分还止于“三维可视化”这一步。北航的陶飞教授算是走在比较前面的，但是发表的论文基本都是对数字孪生这个方向的理论，没怎么涉及到算法或是实现方法之类的。实验室也没师兄师姐做过数字孪生方面工作，缺少研究的“引路人”。

数字孪生的三种方向：①虚拟仿真。主要用到软件为Ansys。②3D可视化。主要用到各种游戏引擎，如Unity、UE等。③集合大数据和AI技术，实现虚拟镜像。

数字孪生实现步骤：

1. 模型获取。通过三维重建技术，或是手动建模，建立虚拟实体。
2. 数据可视化。建立虚拟实体和物理实体的联系，前后端数据交互，数据采集，物联网等技术，获取孪生数据并进行可视化。
3. 智能决策。获得孪生数据后，通过计算机视觉、深度学习等方法，进行人员物资管理，风险预测，生产决策等智能决策。

PLC：可编程逻辑控制器，数字运算电子系统，以数字式或模拟式的输入输出来控制各种类型的机械设备。编程语言有：梯形图、顺序功能图、功能框图、结构化文本（类C）、指令列表。

AGV：装备有电磁或光学等自动导航装置，能沿规定的导航路径行驶。常用引导方式有电磁引导，激光引导，视觉引导。

相关文献：

[1]陶飞,刘蔚然,张萌,胡天亮,戚庆林,张贺,隋芳媛,王田,徐慧,黄祖广,马昕,张连超,程江峰,姚念奎,易旺民,朱恺真,张新生,孟凡军,金小辉,刘中兵,何立荣,程辉,周二专,李洋,吕倩,罗椅民.数字孪生五维模型及十大领域应用[J].计算机集成制造系统,2019,25(01):1-18.DOI:10.13196/j.cims.2019.01.001.

[2]陶飞,张贺,戚庆林,徐俊,孙铮,胡天亮,刘晓军,刘庭煜,关俊涛,陈畅宇,孟凡伟,张辰源,李志远,魏永利,朱铭浩,肖斌.数字孪生模型构建理论及应用[J].计算机集成制造系统,2021,27(01):1-15.DOI:10.13196/j.cims.2021.01.001.

[3]Priyanka E.B.,Thangavel S.,Gao Xiao-Zhi,Sivakumar N.S.. Digital twin for oil pipeline risk estimation using prognostic and machine learning techniques[J]. Journal of Industrial Information Integration,2022,26.

[4]景乾峰,神和龙,尹勇.一种基于虚拟现实系统的船舶数字孪生框架[J].北京交通大学学报,2020,44(05):117-124.