人工智能在建筑施工领域应用研究进展

崔自强杨淑娟于德湖

(1.青岛理工大学土木工程学院，山东 青岛 266033；2.山东建筑大学土木工程学院，山东 济南 250101)

0 引言

建筑业作为全球经济的重要支柱产业，在推动经济增长和国家长期发展方面发挥着关键作用[1]。根据麦肯锡全球研究院2017 年的一项调查，全球的建筑业产值占生产总值的13%，而且这个比例还在持续上升。 同时建筑相关企业为全球7%的人口提供了广泛的就业机会，在全球经济发展中占据重要地位。 但施工行业也存在一个明显的问题，即施工过程中劳动生产率低，从而导致人力、物力和财力的浪费。 如果施工生产效率提高至>50%，预计每年将为该行业带来额外的1.6 万亿美元的经济价值，并进一步推动全球GDP 的增长[2]。 除了经济方面，建筑施工行业一直被视为是最危险的行业之一，施工现场存在人员复杂、环境复杂多变、设备危险等安全隐患，致命事故的发生频率要高于其他行业，事故死亡人数占所有行业的30%~40%[3]。 在中国，施工现场也已认为是最危险的工作场所之一，致命事故发生量超过许多国家，且没有明显下降趋势[4]。在“工业4.0”的背景下，建筑施工行业正在朝着数字化和智能化方向不断创新，人工智能作为计算机科学的一个分支，在许多领域的应用前景已经得到证明，根据埃森哲公司的一份报告[5]，人工智能已经改变了许多行业的生产方式，预计劳动效率将提高40%。 当前建筑项目的工程数据空前增加，也为人工智能技术的应用提供了数据基础。 但总的来说，建筑施工领域人工智能技术的应用仍落后于其他行业。 因此，有必要在建筑施工领域应用各种人工智能技术，实现更高的效率和可靠性。

人工智能一词最早是在1956 年的达特茅斯会议(Dartmouth Conference)中提出，之后的人工智能主要经历了3 个重要阶段[6]。 1956—1980 年是人工智能的起步阶段，此时的人工智能指的是让计算机拥有类似人类智慧的智能，不同历史时期人们对人工智能的认识不同，早期人工智能领域的学者对人工智能的期望是让机器能像人一样思考，而到20世纪70 年代，随着专家系统的出现，人工智能进入到应用发展阶段，实现了人工智能从理论研究走向实际应用，此时的关注点在于利用计算机去解决人类能解决的问题；与人类思考时的复杂过程不同，当前计算机在解决一个复杂问题时往往是由数据驱动的；随着机器学习和深度学习的发展，人工智能进入到一个新的阶段[7]，机器学习是人工智能领域的一个重要子集，指的是计算机程序可以在没有得到人类帮助的情况下自动学习和适应新数据，信息融合、计算机视觉、自然语言处理等应用都可以利用机器学习技术实现。 深度学习是一种特殊的机器学习技术，在处理非结构化数据(如文本、图像或视频)和大数据的分析处理方面展现出优势，由此开启了人工智能的深度学习阶段。 人工智能可分为弱人工智能和强人工智能两类，前者体现了一个旨在执行特定工作的系统，往往是执行简单且单一的任务；而后者则是执行认为类似人类任务的系统，这些系统往往更复杂，过程中可以运用类似人类的思考方式去解决问题[8]。 人工智能技术不断发展使许多行业受益，作为中国国民经济的重要产业，建筑业在高速发展的同时也暴露出许多问题，如建筑施工领域的信息化水平较低、粗放式的生产模式、劳动生产率不高、科技创新能力不足等一系列问题。 为实现建筑施工行业的高质量发展，将人工智能技术应用到施工的各个环节中，实现建筑施工的数字化、自动化、信息化和智能化。

1 人工智能在建筑施工领域的文献统计分析

发表文献数量随时间的变化可以很好地反映某一领域的学术动态。 以主题词“人工智能” “建筑施工”以及其近义词和主要下义词设置检索式，从中国知网数据库中检索中文期刊文献；以主题词“AI” “Construction” 以及其近义词和主要下义词设置检索式，从Web of Science 数据库中检索英文期刊文献。 根据发文时间和发文量统计分析，如图1所示，自2012 年开始，对此领域的研究整体呈上升趋势，在2019 年之前年发文量变化较为平稳，中文文献的发文量与英文文献的发文情况差别不大，2019 年之后中文文献与英文文献发文数量差距变得越来越大，而2021 年中文文献发文量仅为英文文献的53%。

图1 人工智能在建筑施工领域发文统计柱状图

从中国知网中检索人工智能在不同学科领域应用的文章，根据发文情况筛选出人工智能技术应用最多的前15 个学科，如图2 所示。 在这15 个学科中，建筑科学与工程发文量为1 440 篇，占比3.31%，相较于其他学科，建筑科学与工程领域对人工智能应用的研究程度还比较低。 但结合历年发文量的变化情况，说明人工智能技术在建筑领域的应用程度正逐渐提高。

图2 人工智能技术在不同学科的应用发文情况图

以主题词“人工智能” “建筑施工”以及其近义词和主要下义词设置检索式，从中国知网数据库检索期刊文献，将检索结果导入CiteSpace 软件进行关键词分析，时间切片设置为1 a，得到具有544 个节点、1 000条连线的关键词共现知识图谱，如图3 所示。

图3 文献关键词共现图

出现频次越高的关键词在图中的节点越大，节点之间的线越粗，表示其共现强度越大。 统计出现频次>50 的关键词按频次排序，见表1。 频次排序前5 的关键词分别为人工智能、优化方法、专家系统、机器学习和施工技术。

表1 文献高频关键词表

在关键词共现分析的基础上，对文献进行聚类分析，聚类算法选用对数似然率(Log Likelihood Ratio，LLR)算法，得到聚类结果如图4 所示，可以看出人工智能、优化方法、专家系统和机器学习同时出现在高频关键词和聚类标签中，除了人工智能外，其他3 个都是人工智能领域的具体技术方法，说明这些人工智能技术方法经常应用于建筑施工领域。

图4 文献关键词聚类图

突现词的探测可以了解某一研究领域内研究热点的演替，也可辅助预测该领域未来的研究热点和研究趋势[9]。 以检索式的方式从中国知网数据库中检索自2000 年以来的期刊文献，在关键词分析的基础上探测突现词，其突现的最小持续时间设置为2 a，筛选出前15 个突现词见表2。 根据关键词出现突现的时间可以看出，智慧工地、应用、人工智能、物联网、大数据、深度学习这些关键词都是最近5 年开始突现且保持热度，说明这些词是近期研究的热点，目前的研究正在向智能化、信息化、自动化的方向发展。

表2 文献突现词分析表

2 建筑施工领域常用人工智能技术分析

2.1 机器学习

机器学习是人工智能领域的一个热门话题，可以很好地解决分类、预测、计算机视觉、自然语言处理等问题。 目前，很多学者开始将其应用于建筑施工领域。

在分类问题方面，周建亮等[10]以人格特质作为分类特征，通过机器学习算法实现建筑工人不安全行为的识别，对比了决策树、随机森林、自适应提升树和梯度提升决策树4 种分类算法，得出梯度提升决策树是识别不安全行为的最佳分类算法模型的结论。 ATHA 等[11]提出的一种基于纹理和颜色分析的卷积神经网络在保证检测准确性的同时还能大大提高计算效率。 在计算机视觉方面，DING 等[12]开发了一种基于计算机视觉的安全管理方法，采用两个卷积神经网络监测目标区域工人的存在和是否佩戴安全带，识别不安全的行为再采取相应措施，有效降低了高空作业安全事故的发生。 目标检测算法(You Only Look Once，YOLO)是除了卷积神经网络外另一个应用比较多的深度学习算法，KIM 等[13]基于YOLO 算法定位目标，自动测量现场各实体的距离，以期在危险发生前做出反应，减少施工现场撞击事故的发生；陈巨坤[14]和李建奎等[15]利用人脸识别技术和自适应提升算法建立工地管理系统，可以实现考勤管理、人帽合一管理和人员设备出入场管理。 目前应用到建筑施工领域的计算机视觉算法主要有以区域卷积神经网络(Region-based Convolution Neural Networks，R－CNN)为代表的基于区域的目标检测算法和以YOLO 为代表的基于目标的目标检测算法两类。 后者相对于前者最大的优势就是其运行速度非常快，因此在施工现场风险识别等要求及时性的任务时可以选择此类算法，而对于时效性不强的任务建议选择准确率略高的基于区域的目标检测算法。

成本和安全是机器学习在建筑施工领域应用的热门话题，其典型应用场景是利用机器学习预测建筑施工的成本和安全。 在解决成本问题时，应用最多的机器学习模型是反向传播神经网络(Back Propagation Neural Network，BPNN)，刘倩[16]基于BP 神经网络预测装配式建筑的施工成本，相较于传统方案更加准确、稳定。 而在解决安全问题时，机器学习主要在风险识别和风险预测方面发挥作用。 在风险识别方面，应用最多的机器学习模型是卷积神经网络(Convolutional Neural Networks，CNN)，ZHANG 等[17]以某基坑开挖现场为例，利用CNN 从复杂的施工现场中识别出可能出现的高风险情况，提高了施工安全管理的效率。 关于风险预测方面，循环神经网络(Recurrent Neural Network，RNN)的应用较多，欧斌等[18]等利用RNN 预测了混凝土坝的变形情况，证明了RNN 可以用来处理序列问题的风险预测。

机器学习作为人工智能技术的重要方法，在实现信息融合和自然语言处理等技术方面也展现出优势，已有学者尝试将其此方面的优势与建筑施工领域中的问题场景相结合。 ZHANG 等[19]利用机器学习和自然语言处理技术分析施工事故报告，可以有效地找出事故原因分类和进行风险识别；邓达[20]结合CNN 和双向长短期记忆神经网络，从建筑安全事故报告中提取语义特征，应用关联规则技术，实现了建筑事故报告中致因的准确分析。 在建筑施工领域中，目前利用机器学习进行自然语言处理的应用场景还相对较少，应根据工程项目的实际需要深入研究，提升解决实际工程问题的效率和质量。

2.2 优化算法

智能优化算法是人工智能技术的一个重要应用，其目的是在一系列可行方案中寻找最优解。 优化问题通常可以分为单目标优化问题和多目标优化问题两类。 处理建筑施工领域的单目标优化问题时，通常是在某些约束条件下，求解目标函数的最值，如LIN 等[21]以施工活动的工期最短为目标，利用自适应粒子群算法对施工网络计划的工作次序优化调整，在资源限制的条件下求解最短工期；PODOLSKI 等[22]以项目总成本为目标，利用模拟退火算法建立多单元项目施工调度模型，通过优化单元施工顺序实现项目总成本最低；张飞涟等[23]以铁路工程的最小施工成本为目标，建立施工进度－成本动态优化模型，在求解模型时对比了模拟退火算法、遗传算法以及两者结合的模拟退火遗传算法，证明了模拟退火遗传算法可以提高求解准确率；王广开[24]基于不同优化算法的优势建立了山区铁路选线模型，先利用遗传算法求解优度评价模型，再利用蚁群算法求解最优路径收敛模型，最终得到铁路线路最优走向方案。

然而，在工程实践中由于情况复杂、各环节相互依赖，施工过程中遇到的优化问题更多的是多目标问题，由于不同控制目标之间关系复杂，甚至可能存在冲突，多目标问题往往面临着多维度、非线性、动态性等特点，确定最优解的过程非常复杂，智能优化算法通常使用帕累托最优的方法求解这类问题。 建筑施工中常见的优化目标包括工程质量、工期、成本、安全等施工管理控制项目，优化内容包括调整资源和劳动力的分配调度、工序和任务优先级排序、施工现场的布置规划等，优化时需要针对项目具体情况确定优化目标和内容。 LIU 等[25]以工期最短和资源消耗最小为目标，利用遗传算法求解多目标优化模型，优化施工调度计划；FENG 等[26]为了减少施工阶段对环境产生的影响，建立了环境－成本－工期多目标优化模型，通过集成离散事件仿真和粒子群优化算法求解模型，提供权衡的解决方案；刘香香等[27]从装配式建筑的施工工序出发，以成本、工期和碳排放为目标建立多目标优化模型，利用蚁群算法求解，得到了综合最优的施工工序组合；马聪聪等[28]将遗传算法和模拟退火算法融合，解决地铁施工的工期、成本和质量3 目标优化问题，融合算法在有效避免模型陷入局部最优的同时还能大大提高运算效率。

在施工过程中利用各种优化算法，可以实时确保施工过程的安全性、工作效率和成本效益。 在利用优化算法解决实际问题时，不同的优化算法在多样性和收敛速度方面各有利弊，单一策略的算法很难适用于所有优化问题，所以仍需对算法的策略选择等自适应机制不断完善，目前不同优化算法在建筑施工中的应用总结见表3。

表3 优化算法在建筑施工中的应用文献分类索引表

2.3 人工智能物联网

物联网(Internet of Things，IoT)是将各种物理设备和互联网连接的技术手段，如施工现场的各种传感器、无人机、射频设备、激光扫描仪等，将这些设备连接到建筑资源，收集有关项目状态的实时数据。人工智能物联网(Artificial Intelligence Internet of Things，AIoT)是新一代物联网，将人工智能技术融入物联网基础设施，以实现更高效的数据采集和数据分析。 相较于传统的物联网，人工智能物联网的优势在于应用了各种人工智能方法对数据进行深入分析，可以在物联网的应用层面自动化实时决策，从而远程控制施工现场。 ZHANG 等[29]基于AIoT 技术搭建了隧道施工实时监控系统，将施工过程中的盾构机运行参数和隧道变形情况通过互联网实时传输和储存，之后基于采集到的数据利用系统集成的人工智能算法做出隧道变形的智能预测，为下一步的施工决策提供依据；胡翀赫[30]基于AIoT 设计的智能巡检机器人系统，融合了物联网全面感知和人工智能分析决策的优势，可以在施工现场实现日常例行巡检、数据采集、安全报警等场景，避免了人工巡检效率低、周期长、存在盲区等问题。 建筑信息模型(Building Information Modeling，BIM)和AIoT 的融合应用也是当前研究的热点，BIM 模型中储存了大量建筑信息，提高了项目施工管理的效率[31]，在BIM 中集成AIoT 可以实现项目实况和数字模型之间实时的信息交互，同时也能保证BIM 中的大量信息能够被深度利用。 融合BIM 和AIoT 的方案在建筑施工领域已经有了一些尝试，买亚锋等[32]建立的智能建造综合管理系统，集成了BIM、IoT 和人工智能等技术，借助5G 的快速传输途径可以高效、及时、精确地进行现场施工及运维管理，完成了时间与空间的精确统一。 总的来说，BIM 提供了一个信息传递和管理的平台，而物联网技术提供了实时稳定的数据流，不断丰富BIM 模型集成的信息，人工智能技术则提供强大的数据分析和处理能力，可以充分地利用数据。

然而，AIoT 技术在建筑施工领域的实际应用还处于起步阶段，仍然存在边缘计算问题、信息安全问题等亟须解决的难题，但随着建筑业庞大的数据基础和5G 等新一代通信技术的发展，AIoT 在建筑施工领域的应用存在巨大潜力，可以预见，在5G 通信下，基于云计算的数据采集、数据传输和数据处理的效率将大大提高，AIoT 和BIM 的协同应用将成为未来研究的热点。

3 人工智能在建筑施工管理中的应用场景分析

施工管理是保证工程项目顺利进行的重要措施，在管理中要做到统筹考量。 质量、安全、成本、进度是项目施工管理中的4 大控制要素，由于工程相关管理模式复杂、影响因素多，且各影响因素之间又相互关联，传统控制方法很难实现施工管理精益化。融合人工智能技术，为探索施工精益化管理提供了新的解决方案。

3.1 质量控制

保证工程质量是建筑施工的首要目标，施工阶段的质量控制很大程度上决定了工程产品的质量。而传统的质量控制方法存在许多难以克服的问题，如质量缺陷追溯、实时的施工质量监控以及标准化的质量评价体系等。 各种人工智能技术的应用为解决这些难题提供了新的思路。

案例推理技术通过总结和学习以往项目的经验来指导新项目的施工工作，可以用于解决质量缺陷追溯问题。 赵子豪[33]在分析装配式钢结构住宅质量影响因素的基础上，提出了一种基于案例推理的质量缺陷追溯方法，并利用遗传算法确定所用各类案例信息的权重，在案例应用中可以有效地追溯到引起质量缺陷的原因，施工过程中可以有针对性地管控；刘星[34]结合BIM、物联网和机器学习等技术建立的深基坑智能监测系统，除了对施工质量的实时数据监控，还能基于机器学习技术实现数据预测和专家研判等功能。 除了上述基于BIM 和物联网的质量控制场景，计算机视觉技术、目标检测算法等人工智能技术也已应用到了施工质量控制场景。 刘全等[35]为实现强夯施工质量的智能监测，利用基于卷积神经网络的计算机视觉技术建立了智能监测平台，可以实现对夯次、夯沉量、夯坑位置等施工参数的实时监测，实现远程实时的施工质量监控；柴英涛[36]针对目前对混凝土表观质量评价缺乏标准化体系的现状，提出了一种基于本体推理和计算机视觉的混凝土表观质量评价方法，利用计算机视觉技术不仅能自动地检查结构质量缺陷，还能分析出如钢结构腐蚀物成分等人眼无法直接判断的问题。 对于施工质量评价方面，当前的施工质量评价是由审计员的经验和主管评价得出的结果，尽管规定了一般的评价原则和程序，但没有形成一套客观标准的评价体系，为了解决这一问题，FAN[37]结合了网络分析法(Analytic Network Process，ANP)和模糊集合(Fuzzy Set，FS)基于历史项目的审查中存在的质量缺陷，分析频率和权重，建立了一套客观的施工质量评价标准，可以为建立标准化的施工质量评价提供参考。

综合人工智能技术在施工质量控制方面的应用可以看出，当前应用比较广泛的是质量评估、质量验收、质量监控和结构缺陷检查等事后控制的场景，对施工质量的事前和事中控制的研究还比较少，为了更好地满足施工质量控制的要求，还需要加强对此方面的探索。

3.2 成本控制

施工中成本控制的目的是在保证建筑安全和质量的前提下尽可能减少施工成本的支出，但施工阶段过程复杂，涉及的人员、设备、材料和工序等任何一个环节出错都会直接影响到施工成本。 传统施工成本控制存在动态管理差，资源配置不合理、施工设备选型不合理等问题。 将人工智能技术应用到施工成本控制，有助于解决上述问题，提高全过程的成本控制水平。

在施工前的设计和准备阶段，优化算法可以规划布置现场的运输线路、仓库、加工厂以及机械设备等，TAO 等[38]为了提高施工效率，减少运输成本，基于BIM 技术建立了施工现场的布局规划模型，通过粒子群优化算法求解总运输成本最低的布置方案，将总运输成本降低了约40%。 除了优化算法，专家系统和机器学习等技术可以根据施工计划在施工开始前对工程量和成本做出合理预测和评估，刘倩[16]通过分析影响装配式建筑施工成本的主要因素，利用BP 神经网络建立装配式建筑施工成本预测模型，可以为项目投资决策提供依据，提升经济效益。

施工过程中成本控制涉及资源分配、材料管理以及劳务计酬等方面，其重点是成本的动态控制，需要根据施工中实时的项目情况进行成本控制。 谢存仁等[39]考虑了施工期间的资源价格波动情况，建立考虑资源价格波动的施工组织动态规划模型，运用适应性权重遗传算法进行模型求解，实现施工期间的资源需求随价格的波动动态调整，提升施工期间资源均衡度的同时降低了资源成本；张飞涟等[23]考虑了资金成本和费用发生时点，建立铁路工程施工进度－成本动态优化模型，通过模拟退火遗传算法优化后的方案相较于原方案有效降低了施工成本，提高了资金使用效率。 为了动态量化施工阶段的成本指标，王雅慧[40]利用历史项目数据训练BP 神经网络预测施工阶段的月实际成本，之后根据预测结果通过模糊聚类分析法划分预警等级，实现施工成本的动态控制。 工人的劳务计酬也是施工过程中成本控制的重要部分，谭毅飞[41]基于计算机视觉和传感技术建立的劳务计酬模式，使建筑业的劳动计酬具有更好的及时性和可追溯性。

竣工结算阶段也是施工成本控制的重要阶段，涉及施工资料整理、合同条款的核对、设计变更的审查、工程签证审查等工作，人工智能技术在此阶段的应用还比较少。 区块链和自然语言处理等技术在资料管理和审查方面的优势已经在许多行业得到证明，结算阶段的成本控制可以借鉴这些经验，利用区块链和自然语言处理等技术提高结算效率，从而合理地控制成本。

3.3 进度控制

进度管理指依照实际施工情况和项目任务的完成情况进行全面管理。 施工进度控制可以分为进度优化和进度监控两个方面。 调查显示，>70%的承包公司提到，施工现场协调不佳是项目超出预算和截止日期的主要原因；传统的进度监控基于人工和劳动密集型的信息收集、文件编制以及定期报告项目状态的程序，这种监控方法实践繁琐、容易出错、速度慢，并且经常报告冗余信息，从而阻碍了管理人员做出及时的决策。 为解决这些问题，建筑施工行业正在探索各种新兴技术，一些人工智能技术在进度控制方面的应用中显示出巨大潜力。

进度优化指的是通过调整工作的组织措施来达到缩短工期的目的，在施工开始前需要管理者提前编制进度计划，如果对项目缺乏透彻的了解或经验不足，可能会造成不必要的时间和成本的浪费。 遗传算法、粒子群算法等智能优化算法已经应用到了施工进度优化方面:谢存仁等[42]基于BIM 和遗传算法建立了施工进度多目标优化模型，求解各工序最优持续时间以及非关键工序最优开始时间，实现了施工进度的合理安排，相较于初始的进度计划工期缩短了40 d；原媛等[43]结合高桩码头施工特点，利用量子粒子群优化算法优化施工进度，以较少成本将总工期缩短了70 d，为水工建筑的施工进度优化提供了方案。

进度监控的目的是获取实时的进度信息，施工过程中可能会出现各种无法预料的因素造成进度的滞后，管理者需要根据实际情况及时做出决策，结合人工智能技术的进度监控可以有效避免人工巡检的效率低、易出错等缺点，鲁振川[44]提出一种基于有限状态机和计算机视觉技术的施工进度识别方法，避免了人工巡检耗时费力的缺点，保证了获取进度信息的准确性和时效性。 通过进度监控了解实时的进度情况也是进度动态优化的前提，何敏杰等[45]基于模糊算法和BIM4D 技术研发施工进度动态控制模型，以实际进度作为数据来源建立进度预测模型并设置预警机制，实现施工进度的动态控制。

虽然目前基于人工智能的施工进度控制已取得了一定的进展，但将先进的优化理论、智能算法及BIM 技术相结合的集成深化应用研究还相对较少，需要深入多理论交叉融合研究，提出更加高效的施工进度管理方法。

3.4 安全管理

施工现场具有作业连续性强、施工设备之间相互联系、现场环境复杂等特点，在工程施工阶段一直存在许多安全隐患，施工现场通常会被人们看作较为危险的工作场所。 汇总住建部公布的历年事故数和事故死亡人数，得到统计数据如图5 所示，建筑行业的安全事故一直处于一个比较高的水平，且近几年的事故数量和死亡人数还处于一个上升的趋势。

图5 建筑施工事故数及死亡人数统计图

施工中安全管理的3 个重点是人的不安全行为、物的不安全状态、作业环境的不安全因素和管理失误。 人工智能可以从对施工阶段的监控、识别、评估和优先级排序方面入手改善施工安全问题[46]。施工现场工人是导致施工安全事故的重要因素之一，工人在施工现场的活动一直是动态的，也是现场最难控制的安全因素之一。 随着计算机视觉技术的发展，一些相关技术开始应用于工人安全装备的使用场景:WU 等[47]提出的一种基于计算机视觉技术的安全帽佩戴检测方法，在监测工人是否佩戴安全帽的同时还能识别安全帽的颜色，其准确率>90%；FANG 等[48]针对工人高空坠落的风险分别使用CNN 和R－CNN 建立安全带佩戴监测模型，在武汉市的几个建筑项目的数据测试中均能达到良好的准确率，可以有效减少工人因未佩戴安全带而引起高空坠落事故的发生。 物的不安全状态是导致施工安全事故的另一个重要因素，施工过程中必须确保现场的各种机械设备和建筑结构处于安全的状态，李佩琪等[49]总结了不合格材料使用、特殊材料存放、设备超负荷运行以及陈旧带病机械设备使用危害等危险源，利用物联网和BIM 技术建立智慧工地平台，可以准确识别现场的材料和设备等危险源，能有效地防止安全事故的发生。 除上述施工安全管理要点外，工人、施工现场设备及材料等之间的交互也是安全管理的重难点，如不同施工设备之间的碰撞，尤其是重型施工设备。 施工设备与材料之间、施工设备与工人之间也是施工现场安全事故的重要类型。闫海生[50]研究了城市轨道交通工程基于超宽带定位的人机碰撞技术，利用定位标签使施工设备生成实时的电子围栏，现场工人通过佩戴定位标签与电子围栏产生信息交互，预警潜在的碰撞风险；何光辉[51]考虑现场风险源和障碍区域，利用游走算法优化设计施工通道，通过前期设置量化的风险指标进行评估，以期从组织设计环节预防事故的发生。

除此之外，人工智能技术还能以其他方式参与建筑施工的安全管理，自然语言处理可以代替人工从大量文本数据中获取有价值的信息，从安全报告和施工日志中检索重要信息，分析出可能存在的风险行为或因素，并进行人工干预。 智能机器人技术可以代替人工实施一些危险作业，能够有效降低工程事故发生的可能性和造成的人员伤亡，同时也有助于解决建筑工人老龄化问题。

4 展望

近年来，人工智能技术在建筑施工中的融合应用受到国内外学者的高度关注，机器学习、优化算法以及人工智能物联网等技术已经应用于建筑施工领域，并取得了显著成效。 然而，人工智能技术在建筑施工领域的应用仍处于初级阶段，许多研究尚未达到实际应用的程度，一些问题亟需深入研究和解决，包括:(1) 工程数据的相对保密性导致的数据获取问题 数据作为人工智能的3 大要素之一，是人工智能理解现实问题的基础，但由于施工企业的分散性和竞争关系，一些企业很难获得多元大量的工程数据来满足人工智能技术的应用；(2) 尚没有高度集成化的产品 当前人工智能技术在特定施工环节的应用不断增多，但由于建设项目唯一性的特点，许多研究的适用范围比较局限，未来仍需要在大量局部应用的基础上建立高度集成化的智能施工平台，将人工智能技术深度应用到建筑施工的全过程；(3) 人工智能模型的可解释性差 可解释性是一项技术能否真正得到广泛应用的关键，尤其是应用到建筑施工领域中重要的决策问题时，更需要用户理解人工智能模型的决策过程和结果，因此建筑施工领域有必要加强对可解释人工智能的研究和应用。