正在使用中的宝马数字工厂平台(图片来源:BMW)
宝马(BMW)计划在2023年初前完成对其全球汽车工厂的数字扫描,以推进自己的数字孪生计划。
宝马选择了现场扫描专业公司对其现有工厂进行数字化,使用NavVis的移动3D激光扫描仪为所有工厂创建了照片般逼真的全景图像、平面图和散点图,涵盖所有建筑结构、设施和室外区域。
宝马自2020年11月以来,已经对工厂约400万平方米的室内空间和90万平方米的室外空间进行了扫描。
大约15000名宝马员工已经在使用基于云的平台BMW Factory Viewer(基于NavVis的IVION Enterprise平台,该平台是Digital Factory Solution解决方案的一部分)处理这些数据。员工通过查看器,可以以虚拟的方式检查现有工厂,找到生产中的特定点,并进行精确测量。
该系统还允许员工剪切3D扫描的某个部分,并将其提供给外部供应商。宝马称,这可以节省生产计划期间的时间和精力,改善与内部和外部接口的协作,并避免规划过程中的失误。
NavVis移动扫描技术对宝马工厂某个部分的扫描(图片来源:BMW)
宝马集团生产系统、规划、工具车间和工厂建设负责人Michele Melchiorre表示:“这为我们以高效、精确和灵活的方式实施广泛的全新规划、以及小规模的现有结构改造提供了全新的可能性。”
虚拟规划
虚拟规划是BMW生产数字化战略愿景的核心要素:即所谓的iFACTORY。宝马的目标是让所有流程和整个生产系统的规划和模拟实现100%的虚拟化。Melchiorre解释说:“在生产规划的早期阶段,就可以把虚拟产品整合到虚拟工厂中,这可以减少规划的工作量和资本上的支出,同时确保生产过程中的流程更高效、更稳定。”
这项3D扫描技术还使用所谓的“重新扫描”过程将宝马工厂的小型和大型改造项目迁移到数字世界中。宝马正在内部开发自动扫描机器人,以保持数字主数据的状态是最新的,从而避免对人力资源的持续需求。此外宝马还使用了很多内部的解决方案,例如智能运输机器人(如下图)。
宝马的一款智能运输机器人,最初设计是用于在工厂周围搬运设备,但现在用于进行扫描以保持数字主数据的更新(图片来源:BMW)
未来生产工厂的数字孪生
宝马的举措不仅仅是针对现有设施,对于未来新的生产工厂,宝马将与NVIDIA展开合作采用Omniverse软件平台。Melchiorre说:“我们正在进入工厂规划的一个新维度”,这意味着规划人员可以随时随地对宝马工厂进行虚拟巡视,可以在模拟世界中共同开发生产系统,对比最佳实践,在网络内快速共享信息。
Melchiorre说:“这将成为我们在匈牙利德布勒森新建汽车工厂的一大基石。距离这一系列发布上线还有三年时间,如今我们已经能够以虚拟的方式模拟未来工厂的核心流程了。”
宝马表示:“如今我们已经将数字孪生技术用在位于斯巴达堡的美国工厂、位于慕尼黑的主工厂、以及雷根斯堡工厂。今年9月我们也将对丁格芬、莱比锡和中国铁西工厂实施数字孪生。到2023年春季,墨西哥、南非、英国和中国大东的工厂也将实现数字化。”
Melchiorre总结说:“像NVIDIA和NavVis这样的合作伙伴关系,将让我们能够把我们自身的开拓精神和工艺知识与各种尖端的技术结合起来。”
NavVis公司首席执行官Felix Reinshagen博士补充道:“我们非常自豪能够支持宝马集团实现生产网络的数字化。NavVis数字工厂解决方案通过定期更新扫描和同步现实与数字世界的能力,彻底改变了数字工厂的应用领域。我们的生产环境数字地图为未来的虚拟工厂奠定了基础!”
好文章,需要你的鼓励
YouTube开始推出肖像检测工具,帮助创作者识别和举报使用其面部特征的AI生成视频。该系统类似于版权检测机制,目前处于测试阶段,仅向部分创作者开放。用户需要提供政府身份证件照片和面部视频来验证身份。系统会标记疑似包含用户肖像的视频,但无法保证100%准确识别AI内容。YouTube将根据多项因素决定是否移除举报的视频。
华中科技大学研究团队发现,通过让AI模型学习解决几何问题,能够显著提升其空间理解能力。他们构建了包含约30000个几何题目的Euclid30K数据集,使用强化学习方法训练多个AI模型。实验结果显示,几何训练在四个空间智能测试基准上都带来显著提升,其中最佳模型达到49.6%准确率,超越此前最好成绩。这项研究揭示了基础几何知识对培养AI空间智能的重要价值。
谷歌宣布在AI Studio平台中引入"氛围编程"体验,让编程和非编程用户都能更轻松地开发应用程序。用户可通过简单提示生成可运行的应用,新功能包括应用画廊、模型选择器、安全变量存储等。平台还添加了模块化"超能力"功能和"手气不错"按钮来激发创意。完成的原型应用可一键部署到谷歌云运行平台。此次更新正值业界期待谷歌即将发布Gemini 3.0大语言模型。
中国人民大学研究团队开发了Tool-Light框架,通过信息熵理论解决AI工具使用中的过度调用、调用不足和过度思考问题。该框架采用熵引导采样和两阶段自演化训练,让AI学会合理使用外部工具。在10个推理任务测试中,Tool-Light显著提升了AI的效率和准确性,为AI工具集成推理提供了新的解决方案。