1.一种基于增强现实与实时BIM的建筑施工现场动态指导校正方法，其特征在于，包括以下步骤：S1, 采用AR设备对施工现场的多模态数据进行实时采集与预处理，通过同步定位与地图构建SLAM算法，实时构建当前作业区域的三维环境地图，并追踪所述AR设备的自身位姿；

S2，加载BIM模型与配准初始空间，将当前施工任务对应的BIM数据加载至数据处理单元，通过分析所述AR设备实时获取的理论设计位姿信息以及施工现场的已知参考点数据，实现所述BIM模型与AR设备坐标系的初始粗配准以建立共同参考坐标系；

S3，实时识别施工构件并估计位姿，采用预训练的深度学习目标检测与实例分割模型对多模态数据进行分析，实时识别出各类目标施工构件并计算相对于所述AR设备坐标系的三维空间位置和实际位姿；

S4，量化计算实际状态与BIM模型偏差，将上述目标施工构件的实际位姿与理论设计位姿信息在统一的参考坐标系下进行比对，量化计算出所述目标施工构件的实际空间位置与姿态相对于上述BIM模型理论位置与姿态的偏差；

S5，判断偏差超阈值，生成动态校正指令，将各项量化偏差值，与BIM模型中预设的或工程规范中定义的相应施工构件的几何公差阈值进行比对，如果超出，则判定当前施工构件存在偏差并需要进行校正，结合预设的构件校正策略自动生成动态校正指令；

S6，将动态校正指令通过所述AR设备以虚拟对象的形式实时叠加显示于施工人员视野中的真实施工场景之上，上述AR设备实时更新显示信息；

S7，在施工人员进行构件校正操作的过程中持续实时重新采集施工现场数据、识别构件位姿并量化计算校正后的偏差，当所有偏差值均收敛至预设的公差阈值以内时判定校正成功，并在所述AR设备的界面上显示提示信息，将最终校正成功的构件位姿、校正过程数据以及相关的偏差报告自动存储至BIM模型数据库或项目管理系统中得到完整的施工质量控制日志；

所述S4中的实际状态与BIM模型偏差的量化计算包括：

偏差的量化计算包括平移偏差ΔX、ΔY、ΔZ，表示构件在X、Y、Z轴方向上的实际偏移距离，以及旋转偏差ΔRoll、ΔPitch、ΔYaw，表示构件在三个主轴上的实际旋转角度差异；

所述数据处理单元根据所述BIM模型中构件的几何定义，通过从实时点云数据中提取构件的几何形状参数，并与所述BIM模型中的理论尺寸进行对比，计算出构件的尺寸偏差；

所有偏差值均以具体数值形式输出，并可附带置信区间；

在比对构件位姿时，通过对所述BIM模型中的构件进行几何拓扑分析，识别局部坐标系及与全局坐标系的转换关系，所述平移偏差和旋转偏差的计算是在构件的局部坐标系下进行。

2.根据权利要求1所述的方法，其特征在于，还包括：

所述S1中实时捕获所述施工现场的RGB视频流、深度信息和点云数据，所述AR设备通过同步控制器对不同传感器的数据进行精确时间同步，并对采集到的原始数据执行初步的空间滤波、降噪处理以及畸变校正；

所述AR设备集成有RGB摄像头、深度传感器、惯性测量单元IMU以及具备专用神经网络处理单元NPU的片上系统SoC；

所述AR设备基于IMU数据与视觉里程计信息，通过同步定位与地图构建SLAM算法，实时构建当前作业区域的三维环境地图，并追踪所述AR设备在所述三维环境地图中的自身位姿；

所述S2中所述BIM数据包含待施工构件的精确三维几何信息、语义信息、材料属性以及工程设计尺寸公差要求；

针对识别出的每一个目标施工构件，所述数据处理单元进一步结合所述RGB视频、所述深度信息以及所述SLAM生成的点云数据，执行位姿估计算法。

3.根据权利要求2所述的方法，其特征在于，所述S1中的施工现场多模态数据实时采集与预处理包括：所述AR设备的RGB摄像头以不低于预设帧率实时获取所述深度信息；

所述IMU包含三轴加速度计、三轴陀螺仪和三轴磁力计，以预设采样频率实时测量所述AR设备自身的线性加速度、角速度以及磁场方向；

所述SoC集成的NPU用于本地化执行实时传感器数据融合、部分预处理及初步的深度学习推理任务；

所述同步控制器采用硬件级或操作系统层面的时间戳同步机制，确保所有传感器数据在严格时间轴上对齐；

初步的预处理包括空间滤波采用中值滤波或双边滤波算法，降噪处理通过统计离群点移除SOR或体素下采样方法，其中SOR算法配置邻域点数K为50，标准差倍数因子为1.0；

畸变校正利用预先通过相机标定获取的内参矩阵和畸变系数，消除所述RGB视频和所述深度信息的径向和切向畸变。

4.根据权利要求2所述的方法，其特征在于，所述S1中的同步定位与地图构建SLAM算法采用视觉‑惯性里程计VIO融合架构，结合预积分的IMU测量与视觉特征匹配或直接法图像对齐，实现鲁棒的位姿追踪和地图构建；

所述AR设备的SLAM系统的前端视觉里程计通过跟踪场景中的特征点，估计所述AR设备的相对运动；

所述SLAM系统的后端采用非线性优化方法，对所有关键帧的位姿和地图点进行联合优化，以校正累积误差并生成一致性三维环境地图；

所述三维环境地图是稀疏点云、稠密点云或基于网格表示。

5.根据权利要求2所述的方法，其特征在于，所述S3中的施工构件实时识别与高精度位姿估计包括：所述深度学习目标检测与实例分割模型采用基于卷积神经网络CNN或Transformer架构的实时检测与分割网络；

所述深度学习目标检测与实例分割模型输出构件的语义分割掩码，从点云数据中提取单个构件的几何信息；

所述位姿估计算法采用基于特征点匹配与优化，基于RANSAC的PnP算法与迭代最近点ICP算法的融合；

所述位姿估计算法持续对所述目标施工构件进行追踪，适应施工过程中构件的动态变化；

针对不同类型的构件采用特定的特征提取策略，对于具有平面特征的构件，采用平面拟合算法提取其表面法向量和位置；

对于具有边缘或角点特征的构件，采用边缘检测与角点检测算法提取关键几何特征，并结合深度信息构建三维特征点云。

6.根据权利要求1所述的方法，其特征在于，所述S5中的偏差超阈值判断与动态校正指令生成包括：所述动态校正指令包含校正方向、具体的移动距离或精确的调整角度；

采用基于最优化原理的逆运动学算法或几何变换算法执行动态校正指令的生成，计算出将实际构件位姿调整至所述BIM模型理论位姿所需的最短路径与最小调整量；

所述指令还依据构件的类型及其物理可调范围；

所述动态校正指令生成还基于施工现场的可操作性约束，如果构件的偏差量超出人工徒手校正的合理范围，将自动提示需要借助辅助机械设备进行校正，并生成针对这些机械设备操作员的指导信息；

所述校正策略预设多个优先级，优先进行平移调整再进行旋转调整；

采用指令生成模块，包含预定义的知识库，存储不同构件类型、材料和安装方式的校正经验和操作规范。

7.根据权利要求1所述的方法，其特征在于，所述S6中的增强现实可视化指导与实时反馈包括：所述虚拟对象包括指向性箭头、数值化指示、目标位置虚拟模型、颜色编码提示以及文本提示信息；

所述指向性箭头动态显示校正的方向，其长度或颜色深浅根据偏差大小进行调整；

所述目标位置虚拟模型以半透明的BIM模型渲染出构件的最终目标位置与实际构件形成对比，或以线框图、幽灵模型形式叠加显示；

所述颜色编码提示在构件处于超阈值偏差状态时，以红色或橙色高亮显示，当构件接近或达到公差范围内时，切换为黄色或绿色显示；

所述虚拟对象还包括通过所述AR设备的内置扬声器播放语音提示的音频辅助指令；

所述AR设备的显示内容根据施工人员的专业级别和当前任务进行个性化定制。

8.根据权利要求7所述的方法，其特征在于，所述S7中的闭环验证与记录包括：实时评估校正效果，并动态更新所述AR设备的显示界面上的指导信息；

当所有偏差值均收敛至预设的公差阈值以内时，判定校正成功，并在所述AR设备的界面上显示校正完成或符合要求的提示信息；

如果校正操作后偏差仍超出阈值，将继续循环执行S5和S6，直至构件精度符合要求或达到预设的最大迭代次数，形成持续的、自适应的闭环校正反馈机制；

所述数据处理单元将校正成功后的构件信息自动更新至所述BIM模型中，实现所述BIM模型的实时竣工状态同步;所述更新包括将构件的实际位姿、尺寸以及任何修正在所述BIM模型中进行标记或替换；

采用记录模块支持生成可导出、可追溯的PDF或CSV格式的质量报告，包含施工日期、时间、操作员ID、原始偏差、校正量、最终偏差、以及与所述BIM模型设计公差的符合性评估。