Rapport de recherche : Technologie de traitement des données
spatiales en 3D et ses applications Institut de recherche en IA du
comté de 2025_01Youngho Hong
Résumés :
Cette recherche couvre le développement et l'application des technologies
de traitement des données spatiales en 3D, en particulier l'acquisition de
données de nuages de points et les technologies de détection d'objets en 3D
à l'aide de capteurs LiDAR. Elle se concentre sur les technologies de
détection d'objets en 3D VoxelNet, PointNet et PointRCNN et explique
comment ces technologies sont utilisées dans divers domaines tels que les
véhicules autonomes, les soins de santé, l'automatisation industrielle, les
systèmes de surveillance de la sécurité et la RV/AR. Les données des nuages
de points collectées par les capteurs LiDAR analysent l'espace 3D avec une
grande précision, et la technologie de détection d'objets 3D basée sur ces
données un rôle important dans la sensibilisation à l'environnement en
temps réel, les diagnostics de précision, l'optimisation des processus de
fabrication, etc. Cette étude analyse l'impact de la technologie de
traitement des données spatiales 3D sur l'industrie moderne et l'innovation
technologique, et examine le potentiel de développement futur.
Mots-clés :
Données spatiales 3D, capteurs LiDAR, nuages de points,
détection d'objets 3D, VoxelNet, PointNet, PointRCNN, véhicules
autonomes, soins de santé, automatisation industrielle, systèmes de
surveillance de la sécurité, RV/AR, apprentissage profond (Deep Learning)
2- -
1. Introduction
Elle implique le processus de collecte, de stockage, d'analyse et de
visualisation des données et utilise des technologies telles que le LiDAR, la
photogrammétrie et la numérisation 3D pour traiter les informations
spatiales tridimensionnelles. Ces technologies sont utilisées dans une
variété de plateformes logicielles, les systèmes d'information géographique
(SIG) et la conception assistée par ordinateur (CAO) principaux outils. Cela
réaliser des analyses spatiales complexes.
Le LiDAR utilise des impulsions laser pour collecter des données de
distance, tandis que la photogrammétrie utilise des photographies
aériennes pour créer des modèles 3D. Ces données sont stockées dans une
base de données et utilisées pour l'analyse et la visualisation en cas de
besoin.1)
Des recherches ont montré que les structures CNN 3D peuvent être
utilisées pour apprendre des représentations 3D, et que cela peut être fait
plus efficacement que les méthodes traditionnelles basées sur des CNN
entièrement 3D.2)
Les méthodes de visualisation 3D basées sur le GPU permettent une
délimitation spatiale plus sophistiquée et plus précise.3)
La modélisation 3D un outil essentiel dans le processus de conception et de
simulation architecturales. Elle vous permet dévaluer la sécurité des
structures et d'accroître la précision de vos conceptions.
Les données spatiales en 3D sont utilisées dans la recherche sur le
changement des écosystèmes et la gestion des catastrophes. Par exemple,
la modélisation géologique en 3D est utilisée pour l'exploration des eaux
souterraines et la recherche géologique.4)
Les données 3D utilisées pour développer des environnements immersifs
afin d'améliorer l'expérience de l'utilisateur. Cette méthode appliquée dans
divers secteurs, notamment l'éducation, les soins de santé et les
divertissements.
Les technologies de traitement des données spatiales en 3D progressent
rapidement dans divers domaines, notamment l'acquisition de données de
3- -
nuages de points et la détection d'objets dans l'espace 3D à l'aide de
capteurs LiDAR. technologies révolutionnent les véhicules autonomes, les
applications médicales, l'automatisation industrielle, les systèmes de
surveillance de la sécurité et les environnements VR/AR. Ce rapport de
recherche fournit une compréhension de base des technologies de
traitement des données spatiales en 3D et explique comment elles sont
appliquées dans diverses industries.
1) Bai, X., Zhou, J., Ning, X. et Wang, C. (2022). 3D data computation and visualisation.
Displays, 73, 102169.
2) Kim, E. Y., Shin, S. Y., Lee, S., Lee, K., Lee, K. H. et Lee, K. M. (2020). Triplanar
convolution with shared 2D kernels for 3D classification and shape retrieval ",
Computer Vision and Image Understanding, 193, 102901.
3) Xue, Z., Wu, S., Li, M. et Cheng, K. (2024). A Novel Method for Regional Prospecting
Based on Modern 3D Graphics (Nouvelle méthode de prospection régionale basée
sur des graphiques 3D modernes) Minerals.
4) Dzikunoo, E., Vignoli, G., Jørgensen, F., Yidana, S. et Banoeng-Yakubo, B. (2020).
New regional stratigraphic insights from a 3D geological model of the Nasia subbasin,
Ghana, developed for hydrogeological purposes and based on reprocessed Bfield
data originally collected for mineral exploration. Solid Earth, 11, 349-361.
4- -
2. Collecte de données Point CLoud avec des capteurs LiDAR
L'acquisition de nuages de points à l'aide de capteurs LiDAR joue un rôle
important dans un large éventail d'applications et est particulièrement
adaptée à l'acquisition de données 3D à haute résolution. La technologie
LiDAR émet des impulsions laser pour recevoir les signaux réfléchis par les
objets et calcule les informations de distance sur la base de ces signaux.
Ces informations sont stockées dans un nuage de points, où chaque point
contient les coordonnées X, Y et Z et l'intensité de la réflexion.
Les nuages de points LiDAR peuvent être dans domaines, notamment l', la
'environnement et la gestion des ressources. Ils peuvent par exemple être
utiles pour l'analyse structurelle des forêts ou le levé de précision des
bâtiments. Les nuages de points sont ensuite convertis en 3D ou en
données SIG par un post-traitement de débruitage, d'alignement et de
reconstruction de surface. Divers logiciels sont utilisés dans ce processus,
en particulier des méthodes de visualisation 3D basées sur le GPU, qui
permettent une délimitation spatiale plus sophistiquée.5)
Les données LiDAR jouent également un rôle important dans les systèmes
de perception des véhicules autonomes. Le traitement des nuages de points
LiDAR et la formation dans le domaine de la conduite autonome ont
contribué à une perception précise de l'environnement routier et à la
détection d'objets.6) Ces données sont essentielles pour construire des
cartes 3D en temps réel et à haute résolution, qui véhicules autonomes de
naviguer en toute sécurité dans des conditions routières complexes.
points LiDAR peuvent également pour la Par exemple, les données
collectées par le LiDAR monté sur avion peuvent être utilisées pour
reconstruire des modèles 3D de formations géologiques, qui contribuent à
l'exploration des eaux souterraines ou à la recherche géologique.7) Cette
modélisation géologique en 3D permet de nouvelles interprétations
géologiques et aide à mieux comprendre les caractéristiques géologiques
d'une zone.
Les avantages de la technologie LiDAR comprennent l'acquisition de
données à grande vitesse et une grande précision, mais elle présente des
limites un coût relativement élevé et des performances par temps de pluie
ou de Des travaux de recherche et de développement sont en cours pour
surmonter ces limites techniques, ce qui permet dutiliser la technologie
5- -
LiDAR dans un plus grand nombre d'industries.
Un capteur LiDAR (Light Detection and Ranging) est une technologie qui
utilise des lasers pour mesurer la surface d'un objet, et les données peuvent
être utilisées pour obtenir des informations spatiales en 3D. Le nuage de
points généré par un capteur LiDAR est une collection de nombreux points
répartis dans l'espace 3D, chacun d'entre eux pouvant être décrit par une
élévation, une distance et un positionnement.
5) Bai, X., Zhou, J., Ning, X. et Wang, C. (2022). 3D data computation and visualisation.
Displays, 73, 102169.
6) Abbasi, R., Bashir, A., Alyamani, H. J., Amin, F., Doh, J. et Chen, J. (2023). Lidar
Point Cloud Compression, Processing and Learning for Autonomous Driving
(Compression, traitement et apprentissage de nuages de points Lidar pour la
conduite autonome). IEEE Transactions on Intelligent Transportation Systems, 24,
962-979.
7) Dzikunoo, E., Vignoli, G., Jørgensen, F., Yidana, S. et Banoeng-Yakubo, B. (2020).
New regional stratigraphic insights from a 3D geological model of the Nasia subbasin,
Ghana, developed for hydrogeological purposes and based on reprocessed Bfield
data originally collected for mineral exploration. Solid Earth, 11, 349-361.
6- -
poutres. Ces données sont essentielles pour la perception de
l'environnement par les véhicules autonomes, la modélisation architecture
et en génie civil, et la cartographie en 3D.
3. Technologie de détection d'objets en 3D
La détection d'objets en 3D est une technologie importante pour la
reconnaissance et la localisation d'objets dans l'espace 3D. Elle essentielle
dans de nombreux domaines, notamment les véhicules autonomes, la et la
réalité augmentée. Elle sappuie principalement sur des données 3D
collectées par LiDAR, des caméras RVB-D et des systèmes de vision stéréo.
Il utilise les nuages de points générés par LiDAR pour reconnaître
l'emplacement et la forme des objets. Les modèles d'apprentissage profond
tels que PointNet sont largement utilisés dans ce domaine, et ces méthodes
sont essentielles pour générer des cartes 3D haute résolution en temps
réel.8)
Il s'agit d'une technique permettant de détecter des objets en combinant
des images 2D obtenues par des caméras RVB avec des informations 3D.
Cette méthode améliore les performances de détection en ajoutant des
informations sur les couleurs et les motifs de l'objet. Des études récentes
ont proposé des méthodes telles que FusionRCNN, qui combine les images
LiDAR et les images des caméras pour améliorer la précision de la
détection.9)
Les structures d' profond telles que les réseaux neuronaux convolutifs
(CNN) et les réseaux neuronaux récurrents (RNN) sont utilisées pour et
reconnaître les caractéristiques des en 3D. Ces modèles améliorent la
précision de la classification des objets et de l'estimation de l'emplacement
sur la base d'ensembles de données, ce qui particulièrement important
pour la reconnaissance des obstacles dans les véhicules autonomes.10)
Il est utilisé pour améliorer la sécurité de la conduite en détectant les
obstacles et les piétons sur la route. Des recherches actives menées dans ce
domaine pour fusionner les nuages de points LiDAR avec les données de
vision afin d'obtenir une détection plus précise.11)
Elle aide le robot à comprendre son environnement et à interagir avec lui.
Elle particulièrement importante pour déterminer l'emplacement exact
7- -
des objets afin d'aider le robot à planifier sa trajectoire et à effectuer des
tâches.
Reconnaître les objets et y réagir en temps réel pour améliorer l'expérience
de l'utilisateur. Par exemple, dans la réalité augmentéeemplacement et la
forme des objets doivent être déterminés avec précision pour améliorer
l'interaction avec les objets virtuels.
8) Qian, R., Lai, X. et Li, X. (2021). 3D Object Detection for Autonomous Driving :
Pattern Recognition, 130, 108796.
9) Xu, X., Dong, S., Xu, T., Ding, L., Wang, J., Jiang, P., Song, L. et Li, J. (2023).
FusionRCNN : LiDAR-Camera Fusion for Two-Stage 3D Object Detection (Fusion
LiDAR-Caméra pour la détection d'objets en 3D en deux étapes). Remote Sensing, 15,
1839.
10) Fan, L., Yang, Y., Wang, F., Wang, N. et Zhang, Z. (2023). Super Sparse 3D Object
Detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 45,
12490-12505.
11) Xu, X., Dong, S., Xu, T., Ding, L., Wang, J., Jiang, P., Song, L. et Li, J. (2023).
FusionRCNN : LiDAR-Camera Fusion for Two-Stage 3D Object Detection (Fusion
LiDAR-Caméra pour la détection d'objets en 3D en deux étapes). Remote Sensing, 15,
1839.
8- -
Ces technologies évoluent , offrant des solutions de détection d'objets en 3D
plus précises et plus efficaces. Les progrès de la recherche et de la
technologie améliorent considérablement la précision de la reconnaissance
dans les environnements réels.
détection d'objets en 3D est l'identification et la classification précises
d'objets spécifiques dans l'espace 3D, qui s'appuient sur diverses
techniques de traitement des données spatiales en 3D. Récemment, des
techniques basées sur l'apprentissage profond ont activement appliquées à
la détection d'objets en 3D. technologies représentatives VoxelNet,
PointNet et PointRCNN.
3.1 VoxeLNet
VoxelNet est une architecture innovante d'apprentissage profond
spécialement conçue pour détecter des objets en 3D à l'aide de nuages de
points, ce qui est essentiel dans les systèmes de conduite autonome.
L'architecture adopte une approche unique en convertissant les données
brutes des nuages de points en une grille structurée de voxels 3D afin de
permettre un traitement et une extraction efficaces des caractéristiques. La
conversion en une représentation voxel est car elle permet à VoxelNet
d'utiliser efficacement la convolution 3D pour capturer les informations
spatiales tout en garantissant l'efficacité du calcul. Cette efficacité est
essentielle pour les applications en temps réel nécessaires à la conduite
autonome.
La force de VoxelNet réside dans sa capacité à intégrer une nouvelle couche
d'encodage des caractéristiques qui améliore considérablement le pouvoir
de représentation de chaque voxel. Ce résultat est obtenu en tenant compte
des caractéristiques uniques des points contenus dans chaque voxel, ce qui
améliore la capacité du réseau à détecter et à classer des objets dans des
environnements complexes.12) Cette étape d'encodage des caractéristiques
est pour résoudre les problèmes causés par la nature irrégulière et éparse
des données des nuages de points, qui sont difficiles à traiter à l'aide des
réseaux neuronaux convolutifs 2D traditionnels.
La recherche a montré que VoxelNet a apporté des contributions
significatives au domaine de la détection d'objets en 3D. Par exemplela
capacité de son architecture à fournir une grande précision tout en
9- -
conservant une efficacité de calcul en fait un choix privilégié pour les
applications entre implémentations dans les véhicules autonomes.13) En
outre, l'intégration de la représentation éparse de VoxelNet lui permet de
traiter efficacement les grandes quantités de données que l'on trouve
couramment dans les scénarios de conduite autonome.
Le développement de VoxelNet représente une avancée significative dans le
traitement des données 3D et jette les bases des futures innovations en
matière de technologie de conduite autonome. Il permet de relever des
défis majeurs dans ce domaine en combinant une voxélisation efficace avec
des techniques avancées de codage des caractéristiques.14) Cela permet non
seulement d'améliorer la précision de la détection, mais aussi de mettre en
oeuvre des mesures d'application plus sophistiquées.
12) Guo, Y., Wang, H., Hu, Q., Liu, H., Liu, L. et Bennamoun (2019). Deep Learning for
3D Point Clouds : A Survey, IEEE Transactions on Pattern Analysis and Machine
Intelligence, 43, 4338-4364.
13) Wang, X., Cai, M., Sohel, F., Sang, N. et Chang, Z. (2021). Adversarial point cloud
perturbations against 3D object detection in autonomous driving systems ",
Neurocomputing, 466, 27-36.
14) Chen, W., Li, P. et Zhao, H. (2022). MSL3D : 3D object detection from monocular,
stereo and point cloud for autonomous driving (détection d'objets en 3D à partir de
nuages monoculaires, stéréoscopiques et de points pour la conduite autonome).
Neurocomputing, 494, 23-32.
10- -
VoxelNet repousse les limites du développement des systèmes de
perception 3D. Grâce à ses puissantes performances et à son approche
innovante, VoxelNet continue d' la recherche et le développement en cours
dans le domaine du traitement des nuages de points 3D et des systèmes
autonomes.15)
VoxelNet est un modèle innovant de détection d'objets en 3D qui traite les
données des nuages de points en les convertissant en grilles 3D (voxels).
Chaque voxel représente un point dans le nuage de points, ce qui permet
au modèle traiter plus efficacement les informations spatiales. VoxelNet
utilise ces informations détecter des objets et faire des prédictions.
'avantage de cette approche est qu'elle est efficace et rapide pour traiter de
grandes quantités de données de nuages de points.
3.2 PointNet
PointNet est une architecture révolutionnaire d'apprentissage en
profondeur qui révolutionne le traitement des données de nuages de points
3D en consommant directement des ensembles de points non ordonnés.
Contrairement aux méthodes traditionnelles qui nécessitent des entrées
structurées, PointNet utilise des fonctions de symétrie pour assurer
l'invariance de la permutation, en les relations spatiales entre les points de
sorte que la reste soit l' points d'entrée.
La principale innovation de PointNet est l'utilisation de perceptrons (MLPet
d' mise en commun maximale. Cette architecture permet d'agréger
efficacement les caractéristiques de chaque point dans une représentation
globale, ce qui est particulièrement utile pour des tâches telles que la
classification et la segmentation. Grâce à sa capacité à et avec précision de
grands points, est un modèle fondamental dans ce domaine et a inspiré de
nombreuses architectures ultérieures basées sur ses principes.
L'impact de PointNet va au-delà de la recherche universitaire et s'étend à
des applications pratiques dans des domaines tels que la conduite
autonome et la reconnaissance des robots. Par exemple, dans les systèmes
autonomes, PointNet a été utilisé pour traiter les données LiDAR afin
d'améliorer la détection d'objets et la navigation en identifiant et en
classant les objets d'un essai à l'autre.16) La conception de PointNet lui
permet de traiter efficacement les complexités associées aux données 3D,
telles que les occlusions et les variations dans la densité des points, ce qui
11- -
en fait un outil polyvalent dans les applications de vision par ordinateur.
Les progrès réalisés par PointNet ont conduit à l'adaptation de PointNet
dans une variété de contextes innovants. Par exemple, il a été appliqué à la
classification des données LiDAR aéroportées, améliorant ainsi la précision
et l'efficacité des opérations de télédétection.17) La capacité d'adaptation de
PointNet a également conduit à son intégration avec des réseaux
neuronaux basés sur la physique pour analyser la propagation des fissures.
15) Yang, Y., Chen, F., Wu, F., Zeng, D., Ji, Y. et Jing, X. (2020). Réseau d'apprentissage
sémantique multi-vues pour la détection d'objets 3D à partir de nuages de points.
Neurocomputing, 397, 477-485.
16) Guo, Y., Wang, H., Hu, Q., Liu, H., Liu, L. et Bennamoun (2019). Deep Learning for
3D Point Clouds : A Survey, IEEE Transactions on Pattern Analysis and Machine
Intelligence, 43, 4338-4364.
17) Nong, X., Bai, W. et Liu, G. (2023). Airborne LiDAR point cloud classification using
PointNet++ network with full neighbourhood features. PLOS ONE, 18.
12- -
et des simulations de la dynamique des fluides, et il a été prouvé qu'il
permettait de résoudre des problèmes industriels complexes.18)
Pointnet continue de servir de référence dans le traitement des données 3D,
en faisant progresser de manière significative la capacité des modèles
d'apprentissage profond à traiter les données des nuages de points. Son
impact est évident tant dans les avancées théoriques que dans les
applications pratiques, ce qui démontre sa pertinence et son adaptabilité
continues dans le paysage évolutif de l'intelligence artificielle et de
l'apprentissage automatique.19)
PointNet est un modèle qui traiter directement des données de nuages de
points et reconnaître des objets dans l'espace 3D, quel que soit l'ordre de
chaque point. PointNet extrait les caractéristiques des points et effectue
une classification et une segmentation sur la base de ces caractéristiques.
Ce modèle peut gérer la nature non structurée des nuages de points et peut
être utilisé dans divers domaines tels que la conduite autonome, la
robotique et l'analyse d'images médicales.
3.3 PointRCNN
PointRCNN est un cadre important dans le domaine de la détection d'objets
en 3D, en particulier pour des applications telles que la conduite autonome.
Ce cadre utilise un processus de détection en deux étapes pour améliorer la
précision et l'efficacité de la détection d'objets dans les nuages de points 3D.
La première étape consiste à générer des suggestions d'objets par le biais
d'un réseau de suggestions locales basé sur des points. Cette étape est car
elle travaille directement sur les données brutes du nuage de points,
préservant ainsi les informations spatiales détaillées qui peuvent être
perdues dans les méthodes traditionnelles qui reposent sur les projections
d'images ou la voxélisation.
Dans la deuxième étape, PointRCNN affine la proposition initiale en
effectuant une boîte englobante 3D. Cette opération permet d'ajuster la
taille et l'orientation de la afin qu'elle corresponde mieux aux objets
détectés dans les données du nuage de points. En utilisant des
caractéristiques extraites directement du nuage de points brut, PointRCNN
atteint une plus grande précision dans la détection d' en particulier dans
des environnements difficiles avec une géométrie complexe et des
occlusions.
13- -
L'un des principaux avantages de PointRCNN est sa apprendre de bout en
bout. Cette architecture facilite l'intégration transparente des étapes du
réseau, améliorant non seulement les performances de détection du
modèle mais aussi son efficacité de calcul, ce qui le rend adapté aux
applications en temps réel, telles que celles requises pour les systèmes de
conduite autonome.
La recherche a montré que les méthodes utilisant des données de nuages
de points peuvent améliorer de manière significative la compréhension et
l'interprétation des scènes 3D dans les situations de conduite autonome.
Par exemple, l'utilisation d'algorithmes de détection multi-cibles basés sur
PointRCNN et les techniques de fusion de nuages de points voxels peuvent
être utilisés dans des scénarios dynamiques en raison de leur polyvalence et
de leur capacité à s'adapter à des situations particulières.
18) Kashefi, A. et Mukerji, T. (2022). Physics-informed PointNet : A deep learning
solver for steady-state incompressible flows and thermal fields on multiple sets of
irregular geometries. Journal of Computational Physics, 468, 111510.
19) Wang, L. et Huang, Y. (2022). Une étude des nuages de points 3D et des approches
basées sur l'apprentissage profond pour la compréhension de la scène dans la
conduite autonome. IEEE Intelligent Transportation Systems Magazine, 14, 135-154.
14- -
En outre, des études dans le domaine des nuages de points 3D et des
approches d'apprentissage profond l'importance croissante de ces cadres
pour la compréhension de la scène dans la conduite autonome.20)
Dans l'ensemble, PointRCNN représente une avancée significative dans la
technologie de détection d'objets en 3D. Sa capacité à traiter directement
les données brutes des points et son processus de détection efficace en
deux étapes en font un outil puissant pour l' conduite autonome, où la
rapide et précise objets est essentielle pour la sécurité et les performances.
PointRCNN est une technologie qui utilise un réseau neuronal convolutif
(CNN) basé sur PointNet pour la détection d'objets en 3D, et qui traite
efficacement les données des nuages de points détecter les objets avec
précision. PointRCNN est une technologie qui étend la méthode existante
de détection d'objets en 2D aux environnements en 3D, et qui est appliquée
à la reconnaissance d'objets de véhicules autonomes et à la reconnaissance
de l'environnement de robots.
4. Applications
Les PointRCNN jouent un rôle essentiel dans les systèmes de conduite
autonome et sont utilisés pour reconnaître et suivre avec précision les
objets dans l'environnement. objets à l'aide de points 3D peut aider les
véhicules à obstacles routiers avec une grande précision, même dans des
situations de trafic complexes.22)
Le robot utilise la technologie de détection d'objets en 3D pour interagir
avec l'environnement. PointRCNN permet au robot de comprendre son
environnement d'une course à l'autre et d'effectuer les actions
nécessaires.24)
Afin d'insérer de manière transparente des objets virtuels dans le monde
réel dans un environnement AR, une détection précise des objets dans
l'espace 3D est nécessaire. PointRCNN un rôle important dans cette tâche.
Les drones doivent être capables de reconnaître et d'éviter divers obstacles
pendant le vol. PointRCNN peut être utilisé pour détecter des objets en
temps réel à partir des données des capteurs du drone et définir une
trajectoire de vol sûre.25)
20) Luo, X., Zhou, F., Tao, C., Yang, A., Zhang, P. et Chen, Y. (2022). Dynamic
15- -
Multitarget Detection Algorithm of Voxel Point Cloud Fusion Based on PointRCNN,
IEEE Transactions on Intelligent Transportation Systems, 23, 20707-20720.
21) Wang, L. et Huang, Y. (2022). A Survey of 3D Point Cloud and Deep Learning-Based
Approaches for Scene Understanding in Autonomous Driving (Étude des nuages de
points 3D et des approches basées sur l'apprentissage profond pour la
compréhension de la scène dans la conduite autonome). IEEE Intelligent
Transportation Systems Magazine, 14, 135-154.
22) Qian, R., Lai, X. et Li, X. (2021). 3D Object Detection for Autonomous Driving :
Pattern Recognition, 130, 108796.
23) Mao, J., Shi, S., Wang, X. et Li, H. (2022). 3D Object Detection for Autonomous
Driving : A Comprehensive Survey, International Journal of Computer Vision, 131,
1909-1963.
24) Wang, L. et Huang, Y. (2022). A Survey of 3D Point Cloud and Deep Learning-Based
Approaches for Scene Understanding in Autonomous Driving (Étude des nuages de
points 3D et des approches basées sur l'apprentissage profond pour la
compréhension de la scène dans la conduite autonome). IEEE Intelligent
Transportation Systems Magazine, 14, 135-154.
25) Arnold, E., Al-Jarrah, O. Y., Dianati, M., Fallah, S., Oxtoby, D., & Mouzakitis, A.
(2019).
16- -
PointRCNN est appliqué à la modélisation 3D et à l'analyse des
environnements urbains, fournissant des informations importantes pour la
planification et la gestion urbaines. Cela contribuer à améliorer l'efficacité
des transports et à renforcer la sécurité dans les villes.
Dans ces applications, les PointRCNN sont très utiles dans les situations où
une grande précision et un traitement en temps réel sont nécessaires. La
recherche montre que techniques telles que les algorithmes de détection
multicibles basés sur les PointRCNN démontrent leurs performances et
leur efficacité dans ces applications.26) Les PointRCNN contribuent à
maximiser la précision et l'efficacité de la détection d'objets en 3D, ce qui
important pour l'avancement des véhicules autonomes et d'autres systèmes
avancés.
La technologie de traitement des données spatiales en 3D utilisée dans de
nombreux secteurs d'activité. Parmi les principales applications, citons
4.1 Véhicules autonomes
Les véhicules sont des véhicules qui utilisent une technologie avancée pour
se conduire sans intervention humaine. Ces véhicules utilisent une variété
de capteurs, de caméras, de radars, de LiDAR, etc. pour obtenir une
connaissance précise de leur environnement. Ces technologies, associées
au traitement des données en temps réel, sont essentielles pour déterminer
des itinéraires de conduite sûrs.
En particulier, la technologie de détection d'objets en 3D est un élément clé
des véhicules autonomes, jouant un rôle important dans la détection et la
reconnaissance précises d'objets autour du véhicule. PointRCNN, par
exemple, exploite les données des nuages de points pour permettre une
analyse à haute résolution de l'environnement d'un véhicule. Les véhicules
autonomes ainsi reconnaître en temps réel les piétons, les autres véhicules,
les panneaux de signalisation, etc. afin de garantir une conduite sûre.27)
Les véhicules autonomes également la capacité d'apprendre des modèles
de conduite et de s'adapter à différentes situations de conduite en
appliquant des technologies d'apprentissage automatique et d'intelligence
artificielle. Ces technologies contribuent améliorer la sécurité des
véhicules, leur efficacité et l'expérience des utilisateurs. En particulier, la
17- -
technologie de fusion multi-capteurs améliore la précision de la détection
d'objets en 3D, ce qui des performances fiables dans divers
environnements.28)
Enquête sur les méthodes de détection d'objets en 3D pour les applications de
conduite autonome. IEEE Transactions on Intelligent Transportation Systems, 20,
3782-3795.
26) Luo, X., Zhou, F., Tao, C., Yang, A., Zhang, P. et Chen, Y. (2022). Dynamic
Multitarget Detection Algorithm of Voxel Point Cloud Fusion Based on PointRCNN,
IEEE Transactions on Intelligent Transportation Systems, 23, 20707-20720.
27) Luo, X., Zhou, F., Tao, C., Yang, A., Zhang, P. et Chen, Y. (2022). Dynamic
Multitarget Detection Algorithm of Voxel Point Cloud Fusion Based on PointRCNN,
IEEE Transactions on Intelligent Transportation Systems, 23, 20707-20720.
28) Wang, X., Li, K. et Chehri, A. (2024). Multi-Sensor Fusion Technology for 3D Object
Detection in Autonomous Driving : A Review, IEEE Transactions on Intelligent
Transportation Systems, 25, 1148-1165.
18- -
Les véhicules autonomes un domaine clé de l'innovation dans les futurs
systèmes de transport grâce à la convergence d'algorithmes complexes et
de technologies de capteurs. Ces technologies un impact positif sur la
société dans son ensemble en réduisant embouteillages et les accidents de
la route, et en permettant une circulation plus efficace.29)
Les véhicules autonomes utilisent des capteurs LiDAR et une technologie
de détection d'objets en 3D pour percevoir et analyser l'environnement du
véhicule en temps réel. Cela permet d'éviter les obstacles, de reconnaître
les piétons, d'analyser les intersections, etcafin de maximiser la sécurité et
l'efficacité de la conduite du véhicule.
4.2 Soins de santé
Les techniques de détection d'objets en 3D dans le domaine médical, en
particulier celles telles que PointRCNN, large éventail d'applications
potentielles. Ces technologies sont principalement utilisées dans l'imagerie
médicale, la robotique chirurgicale, les systèmes de surveillance des
patients, etc.
La technologie de détection d'objets en 3D permet détecter avec précision
les lésions dans les images de tomodensitométrie, d'IRM et d'échographie.
Elle est particulièrement importante dans des domaines tels que la
radiologie, où elle peut être associée à des systèmes de diagnostic assistés
par ordinateur utilisant l'intelligence artificielle et l'apprentissage
automatique pour améliorer la précision du diagnostic.30)
Dans les systèmes de robotique chirurgicale, la technologie de détection
d'objets en 3D permet de reconnaître avec précision les tissus et organes
environnants pendant l'opération, ce qui contribue à garantir une chirurgie
sûre et précise. Associée aux progrès de l'intelligence artificielle médicale,
cette technologie peut grandement améliorer l'efficacité et la sécurité de la
chirurgie.31)
Les capteurs 3D et la technologie de détection d'objets peuvent analyser les
mouvements et les signes vitaux d'un patient en temps réel afin de détecter
les anomalies à un stade précoce. Ces technologies associées à des systèmes
de surveillance des patients basés sur l'intelligence artificielle pour suivre
et gérer en permanence l'état d'un patient.32)
19- -
Combinée à la réalité virtuelle (VR), elle pourrait être utilisée dans
l'enseignement et la formation médicale. Technologie de détection d'objets
en 3D
29) Arnold, E., Al-Jarrah, O. Y., Dianati, M., Fallah, S., Oxtoby, D., & Mouzakitis, A.
(2019). Une enquête sur les méthodes de détection d'objets 3D pour les applications
de conduite autonome. IEEE Transactions on Intelligent Transportation Systems, 20,
3782-3795.
30) Hadjiiski, L. M., Cha, K. H., Chan, H., Drukker, K., Morra, L., Näppi, J., Sahiner, B.,
Yoshida, H., Chen, Q., Deserno, T., Greenspan, H., Huisman, H., Huo, Z.,
Mazurchuk, R., Petrick, N., Regge, D., Samala, R. K., Summers, R., Suzuki, K., ... &
Armato, S. (2022). Rapport 273 du groupe de travail de l'AAPM : Recommandations
sur les meilleures pratiques en matière d'IA et d'apprentissage automatique pour le
diagnostic assisté par ordinateur en imagerie médicale. Medical physics.
31) Mukherjee, J., Sharma, R., Dutta, P. et Bhunia, B. (2023). Artificial intelligence in
healthcare : a mastery", Biotechnology and Genetic Engineering Reviews, None, 1-
50.
32) Almagharbeh, W. (2024). The impact of AI-based decision support systems on
nursing workflows in critical care units ", International nursing review, None.
[8] Wang, L., Chen, X., Zhang, L., Li, L., Huang, Y., Sun, Y. et Yuan, X. (2023). Artificial
intelligence in clinical decision support systems for oncology ", International
Journal of Medical Sciences, 20, 79-86.
20- -
joue un rôle important en aidant les médecins et les professionnels de la
santé à simuler des opérations chirurgicales et des diagnostics, ce qui
permet d'apprendre dans un environnement réaliste.33)
Ces applications contribuent à précision des diagnostics et des traitements
dans le domaine médical et à améliorer la sécurité générale. En particulier
la technologie de détection d'objets en 3D combinée à l'IA accélère
l'innovation dans les soins de santé et devient un outil important pour
améliorer la santé et la sécurité des patients. Ces études offrent de
nouvelles perspectives sur les implications commerciales, réglementaires
et sociétales de l'IA médicale.34)
Dans le domaine médical, le traitement des données spatiales en 3D utilisé
pour établir des diagnostics précis et planifier des interventions
chirurgicales. Les nuages de points issus de l'imagerie médicale 3D, tels
que les résultats de tomographies ou d'IRM, sont utilisés pour visualiser le
site chirurgical et mesurer son emplacement et sa taille exacts afin
d'améliorer la précision de l'opération.
4.3 Automatisation industrielle et robotique
Les technologies de détection d'objets en 3D, en particulier les modèles tels
que PointRCNN, révolutionnent le domaine de l'automatisation industrielle
et de la robotique. Ces technologies améliorent considérablement
l'efficacité et la précision dans un large éventail d'industries et jouent un
rôle important dans les domaines spécifiques suivants
La technologie de détection d'objets en 3D est essentielle pour que les
systèmes robotiques puissent reconnaître et trier les objets dans un
entrepôt. Elle permet aux robots de reconnaître avec précision des objets
de tailles et de formes différentes, ce qui leur permet d'effectuer des tâches
de déplacement et de tri efficaces. Ces technologies augmentent l'efficacité
des processus industriels et facilitent l'automatisation des systèmes
logistiques.35)
Lorsque des robots industriels assemblent automatiquement des pièces, la
détection d'objets en 3D augmente l'efficacité de l'assemblage en
reconnaissant la position et l'orientation exactes des pièces. Cela contribue
de manière significative à l'augmentation des taux de production et à la
réduction des taux de défauts, et un rôle important dans les
21- -
environnements de fabrication intelligents.36)
Ils sont utilisés pour inspecter la géométrie et les dimensions des produits à
l'aide de la technologie de numérisation 3D et un rôle important dans la
garantie de la qualité des produits, la détection précoce des défauts et la
réduction des coûts. Ces pièces automatisées
33) Yeh, M. C., Wang, Y., Yang, H., Bai, K., Wang, H. et Li, Y. (2020). Artificial
Intelligence- Based Prediction of Lung Cancer Risk Using Nonimaging Electronic
Medical Records : Deep Learning Approach ", Journal of Medical Internet Research,
23.
34) Mukherjee, J., Sharma, R., Dutta, P. et Bhunia, B. (2023). Artificial intelligence in
healthcare : a mastery", Biotechnology and Genetic Engineering Reviews, None, 1-
50.
35) Höfer, S., Bekris, K. E., Handa, A., Gamboa, J. C., Mozifian, M., Golemo, F., Atkeson,
C.,
Fox, D., Goldberg, K., Leonard, J., Liu, C., Peters, J., Song, S., Welinder, P. et White,
M. (2021). Sim2Real in Robotics and Automation : Applications and Challenges.
IEEE Transactions on Automation Science and Engineering, 18, 398-400.
36) Ji, S., Lee, S., Yoo, S., Suh, I., Kwon, I., Park, F., Lee, S. et Kim, H. (2021).
Learning-Based Automation of Robotic Assembly for Smart Manufacturing
(Automatisation basée sur l'apprentissage de l'assemblage robotisé pour une
fabrication intelligente). Proceedings of the IEEE, 109, 423-440.
22- -
Les systèmes d'inspection de la qualité augmentent la fiabilité des produits.37)
La technologie de détection d'objets en 3D est utilisée pour accroître la
sécurité des robots et des systèmes d'automatisation. Elle permet aux de
reconnaître les ou les proximité toute sécurité. Ces mécanismes de
sécurité contribuent à réduire les accidents dans les environnements
industriels.38)
Il est essentiel pour les véhicules autonomes ou les drones de détecter les
objets et de planifier leurs itinéraires. La technologie de détection d'objets
en 3D ces systèmes de fonctionner efficacement, d'éviter les obstacles et
d'effectuer des tâches de livraison en toute sécurité.39)
Dans ces domaines les technologies de détection d'objets en 3D stimulent
l'innovation dans l'automatisation industrielle, contribuant à accroître la
productivité, à réduire les coûts et à améliorer la sécurité. À l'avenir, ces
technologies continueront à faire partie intégrante de l'évolution de la
robotique et des systèmes d'automatisation. La recherche a montré que
l'application de ces technologies contribue de significative à
l'augmentation de l'efficacité des processus industriels et à la gestion de la
complexité des systèmes automatisés.40)
Dans le domaine de l'automatisation industrielle et de la robotique, le
traitement des données spatiales en 3D est utilisé pour accroître l'efficacité
des processus de fabrication et automatiser les contrôles de qualité. Les
robots utilisent des capteurs LiDAR ou des caméras 3D reconnaître les
produits, détecter les anomalies et aider à résoudre les problèmes de
qualité.
4.4 Systèmes de surveillance de la sécurité
Dans les systèmes de surveillance de la sécurité, la technologie de détection
d'objets en 3D un rôle important en fournissant des solutions de
surveillance et de sécurité efficaces dans divers environnements. Cette
technologie particulièrement importante dans des domaines tels que la
surveillance en temps réel, la détection des intrusions, la prévention des
incidents, l'analyse des données et l'établissement de rapports, ainsi que
l'intégration de l'intelligence artificielle.
Dotés de capacités de surveillance en temps réel, les systèmes de détection
23- -
d'objets en 3D utilisent des caméras et des capteurs pour analyser
l'environnement en temps réel. Cette analyse en temps réel permet une
reconnaissance précise des personnes, des véhicules et des objets, et
fournit des avertissements immédiats en cas de situation dangereuse. Cette
fonction est essentielle pour accroître la sécurité, en particulier dans les
environnements complexes tels que les routes et les aéroports.
En matière de détection d'intrusion, la technologie de détection d'objets en
3D est efficace pour détecter des mouvements ou des comportements
inhabituels dans une zone de sécurité spécifique. Elle permet de détecter
rapidement l'approche d'un intrus et de fournir au personnel de sécurité
des informations immédiates.
37) Wang, K., Zhou, J., Li, G., Hu, Y. et Hu, F. (2024). Automatisation industrielle et
qualité des produits : le rôle de la transformation robotique de la production.
Applied Economics.
38) Salcic, Z., Atmojo, U., Park, H., Chen, A. et Wang, K. (2019). Designing Dynamic
and Collaborative Automation and Robotics Software Systems, IEEE Transactions on
Industrial Informatics, 15, 540-549.
39) Nebot, E. (2018). La robotique : de l'automatisation aux systèmes intelligents,
ingénierie.
40) Mulaveesala, R., Arora, V., Dua, G., Morello, R. et Vavilov, V. (2022). Industrial
vision and automation. Science et technologie des mesures, 33.
24- -
Empêcher l'entrée non autorisée dans les zones sécurisées en émettant des
alertes rouges.
En termes de prévention des accidents, ces systèmes préviennent les
accidents dans divers environnements, y compris les sites industriels, en
détectant les dangers à un stade précoce et en émettant des avertissements.
Par exemple, un système d'alerte automatique déclenché lorsqu'un
travailleur s'approche d'une zone dangereuse afin d'éviter un accident.
Les capacités d'analyse des données et de création de rapports vous aident
à évaluer votre situation en matière de sécurité et à identifier les problèmes
grâce à des analyses ultérieures utilisant les données 3D collectées. Ces
analyses fournissent des informations importantes pour la stratégie de
sécurité future et amélioration continue de la sécurité.
Grâce à l'intégration de l'intelligence artificielle, la technologie de détection
d'objets en 3D peut être combinée à des algorithmes d'apprentissage
automatique pour créer un système de surveillance plus intelligent. Cela
système d'apprendre des modèles et de mettre en oeuvre des mécanismes
d'alerte et de réponse plus sophistiqués.
Ainsi, la technologie de détection d'objets en 3D devient partie intégrante
des systèmes de surveillance de la sécurité, contribuant à répondre à divers
besoins en matière de sécurité et à renforcer la sécurité des installations.
Ces technologies devraient encore évoluer à l'avenir, pour aboutir à des
solutions de surveillance de la sécurité plus sophistiquées et plus efficaces.
Ces avancées technologiques traduiront par des systèmes de sécurité plus
robustes, notamment grâce à l'intégration de l'intelligence artificielle.41)
La technologie de détection d'objets en 3D également un rôle important
dans les systèmes de surveillance de la sécurité. Les capteurs LiDAR et la
technologie de détection d'objets en 3D utilisés pour détecter les intrus ou
déterminer si des personnes se trouvent à proximité. Ils également
analyser des modèles de comportement dans l'espace 3D afin de suivre et
de prévenir les activités illégales.
25- -
41) Chen, Y., Wang, H., Pang, Y., Han, J., Mou, E. et Cao, E. (2023). An Infrared Small
Target Detection Method Based on a Weighted Human Visual Comparison
Mechanism for Safety Monitoring (Méthode de détection de petites cibles
infrarouges basée sur un mécanisme de comparaison visuelle humaine pondérée
pour la surveillance de la sécurité). Remote Sens, 15, 2922.
26- -
4.5 RV/AR
Dans la réalité virtuelle (RV) et la réalité augmentée (RA), la technologie de
détection d'objets en 3D améliore considérablement l'expérience de
l'utilisateur dans une variété d'industries. La détection d'objets en 3D
permet aux utilisateurs d'interagir avec des objets du monde réel dans des
environnements virtuels, ce qui est essentiel pour que les applications de
RA reconnaissent leur environnement en temps réel afin de placer et de
manipuler avec précision les éléments virtuels. L'expérience de l'utilisateur
est ainsi plus immersive.
Dans les environnements VR, la détection d'objets en 3D est utilisée pour
créer des simulations réalistes. Cela permet de créer des scénarios de
formation dans divers domaines, notamment médical, et aéronautique,
permettant aux participants d'expérimenter et de s'exercer en toute
sécurité à des situations de la vie réelle. L'application de la RV/RA, en
particulier dans le domaine de la sécurité de la construction, sensibilise les
travailleurs à la sécurité.42)
Dans l'industrie du jeu, la détection d'objets en 3D offre une expérience en
suivant avec précision les mouvements et la position du joueur. Cela
permet d'interagir avec des personnages virtuels, ce qui accroît le réalisme
du jeu.
Dans les domaines de l'architecture et de l'ingénierie, la technologie AR
peut être utilisée pour visualiser les modèles de conception dans le monde
réel. Cela de détecter à l'avance les erreurs dans le processus de
conception et de faciliter la communication avec les clients. Ces
applications peuvent être particulièrement synergiques avec la sécurité de
la construction.43)
La technologie AR aide les consommateurs à prendre des décisions d'achat
en leur permettant d'expérimenter virtuellement les produits. Par
exempleelle leur donne la possibilité de placer des meubles dans leur
maison ou d'essayer des couleurs de cosmétiques à l'avance. L'expérience
d'achat et l'interaction avec le consommateur s'en trouvent améliorées.44)
Ainsi, la technologie de détection d'objets en 3D offre des expériences
innovantes dans la RV et la RA, et est utilisée dans une variété d'industries.
À l'avenir, ces technologies continueront d'évoluer, rendant l'interaction
27- -
entre 'utilisateur et l'environnement virtuel encore plus transparente et
naturelle. L'utilisation de la technologie VR/AR dans l'éducation, le
divertissement, le commerce et bien d'autres domaines s'en encore élargie.
Dans le même tempsles progrès de ces technologies créeront de nouvelles
opportunités dans les secteurs du tourisme et de l'hôtellerie.45)
42) Li, X., Yi, W., Chi, H., Wang, X. et Chan, A. P. C. (2018). A critical review of virtual
and augmented reality (VR/AR) applications in construction safety, Automation in
Construction, 86, 150-162.
43) Li, X., Yi, W., Chi, H., Wang, X. et Chan, A. P. C. (2018). A critical review of virtual
and augmented reality (VR/AR) applications in construction safety, Automation in
Construction, 86, 150-162.
44) Jayawardena, N. S., Thaichon, P., Quach, S., Razzaq, A. et Behl, A. (2023). The
persuasion effects of virtual reality (VR) and augmented reality (AR) video
advertisements : A conceptual review". Journal of Business Research.
45) Wei, W. (2019). Research progress on virtual reality (VR) and augmented reality
(AR) in tourism and hospitality ", Journal of Hospitality and Tourism Technology, 10,
539-570.
28- -
Dans la virtuelle (RV) et la réalité augmentée (RA), les données spatiales 3D
jouent un rôle important interaction avec les objets du monde réel. Les
données spatiales 3D placer correctement les objets virtuels dans le monde
réel et permettent aux utilisateurs d'interagir avec eux de manière naturelle.
5. Conclusion
technologie de traitement des données spatiales en 3D révolutionne de
nombreux domaines, notamment la conduite autonome, les soins de santé,
l'industrie, la sécurité et la RV/AR. En particulier les capteurs LiDAR et les
technologies de détection d'objets en 3D jouent un rôle important dans
chacun de ces domaines, contribuant à l'analyse environnementale en
temps réel, à la précision des diagnostics et des traitements, et à l'efficacité
des systèmes d'automatisation. Ces technologies d'évoluer et d'enrichir
l'expérience des utilisateurs dans divers domaines.
29- -
Références
1. Abbasi, R., Bashir, A., Alyamani, H. J., Amin, F., Doh, J. et Chen, J. (2023).
Lidar Point Cloud Compression, Processing and Learning for Autonomous
Driving (Compression, traitement et apprentissage de nuages de points
Lidar pour la conduite autonome). IEEE Transactions on Intelligent
Transportation Systems, 24, 962-979.
2. Arnold, E., Al-Jarrah, O. Y., Dianati, M., Fallah, S., Oxtoby, D., &
Mouzakitis, A. (2019). Une enquête sur les méthodes de détection d'objets
3D pour les applications de conduite autonome. IEEE Transactions on
Intelligent Transportation Systems, 20, 3782-3795.
3. Bai, X., Zhou, J., Ning, X. et Wang, C. (2022). 3D data computation and
visualisation. Displays, 73, 102169.
4. Beam, A. L., Drazen, J. M., Kohane, I. S., Leong, T., Manrai, A. et Rubin,
E. J. (2023). Artificial Intelligence in Medicine. New England Journal of
Medicine, 388(13), 1220-1221.
5. Campilho, R., & Silva, F. J. G. (2023). Amélioration des processus
industriels par l'automatisation et la robotique, Machines.
6. Cao, M. et Wang, J. (2020). Obstacle Detection for Autonomous Driving
Vehicles With Multi-LiDAR Sensor Fusion (Détection d'obstacles pour les
véhicules à conduite autonome avec fusion de capteurs multi-LiDAR).
Journal of Dynamic Systems Measurement and Control - Transactions of
the ASME, 142.
7. Chen, W., Li, P. et Zhao, H. (2022). MSL3D : 3D object detection from
monocular, stereo and point cloud for autonomous driving (détection
d'objets en 3D à partir de nuages monoculaires, stéréoscopiques et de
points pour la conduite autonome). Neurocomputing, 494, 23-32.
8. Chen, Y., Wang, H., Pang, Y., Han, J., Mou, E. et Cao, E. (2023). An
Infrared Small Target Detection Method Based on a Weighted Human
Visual Comparison Mechanism for Safety Monitoring (Méthode de
détection de petites cibles infrarouges basée sur un mécanisme de
comparaison visuelle humaine pondérée pour la surveillance de la
sécurité). Remote Sens, 15, 2922.
9. Dzikunoo, E., Vignoli, G., Jørgensen, F., Yidana, S. et Banoeng-Yakubo,
B. (2020). New regional stratigraphic insights from a 3D geological model of
the Nasia sub-basin, Ghana, developed for hydrogeological purposes and
based on reprocessed B-field data originally collected for mineral
exploration. Solid Earth, 11, 349-361.
10. Enríquez, J. G., Ramirez, A. J., Domínguez-Mayo, F. J. et García-García,
J. A. (2020). Robotic Process Automation : A Scientific and Industrial
30- -
Systematic Mapping Study ", IEEE Access, 8, 39113-39129.
11. Fan, L., Yang, Y., Wang, F., Wang, N. et Zhang, Z. (2023). Super Sparse
3D Object Detection. IEEE Transactions on Pattern Analysis and Machine
Intelligence, 45, 12490-12505.
12. Fernandes, D., Silva, A., Névoa, R., Simões, C., Gonzalez, D. G., Guevara,
M., Novais, P., Monteiro, J., Melo-Pinto, P. et Melo-Pinto, P. (2021). Pointcloud
based 3D object detection and classification methods for self-driving
applications : A survey and taxonomy", Information Fusion, 68, 161-191.
13. Guo, Y., Wang, H., Hu, Q., Liu, H., Liu, L. et Bennamoun (2019). Profond
31- -
Learning for 3D Point Clouds : A Survey ", IEEE Transactions on Pattern
Analysis and Machine Intelligence, 43, 4338-4364.
14. Hadjiiski, L. M., Cha, K. H., Chan, H., Drukker, K., Morra, L., Näppi, J.,
Sahiner, B., Yoshida, H., Chen, Q., Deserno, T., Greenspan, H., Huisman,
H., Huo, Z., Mazurchuk, R., Petrick, N., Regge, D., Samala, R. K., Summers,
R., Suzuki, K.,
... & Armato, S. (2022). Rapport 273 du groupe de travail de l'AAPM :
Recommandations sur les meilleures pratiques pour l'IA et l'apprentissage
automatique pour le diagnostic assisté par ordinateur en imagerie médicale.
Medical physics.
15. Huang, S. (2019). Augmented reality and virtual reality : the power of
AR and VR for business ", Information Technology and Tourism, 21, 457-
459.
16. Ji, S., Lee, S., Yoo, S., Suh, I., Kwon, I., Park, F., Lee, S. et Kim, H. (2021).
Learning-Based Automation of Robotic Assembly for Smart Manufacturing
(Automatisation basée sur l'apprentissage de l'assemblage robotisé pour
une fabrication intelligente). Proceedings of the IEEE, 109, 423-440.
17. Jayawardena, N. S., Thaichon, P., Quach, S., Razzaq, A. et Behl, A.
(2023). The persuasion effects of virtual reality (VR) and augmented reality
(AR) video advertisements : A conceptual review". Journal of Business
Research.
18. Kim, E. Y., Shin, S. Y., Lee, S., Lee, K., Lee, K. H. et Lee, K. M. (2020).
Triplanar convolution with shared 2D kernels for 3D classification and
shape retrieval ", Computer Vision and Image Understanding, 193, 102901.
19. Kim, J., Kim, M., Park, M. et Yoo, J. (2022). Technologies interactives
immersives et expériences d'achat virtuelles : Differences in consumer
perceptions between augmented reality (AR) and virtual reality (VR).
Telematics and Informatics, 77, 101936.
20. Kusiak, A. (2023). Hyper-automation in manufacturing industry, J.
Intell. Manuf. 35, 1-2.
21. Li, X., Yi, W., Chi, H., Wang, X. et Chan, A. P. C. (2018). A critical review
of virtual and augmented reality (VR/AR) applications in construction
safety, Automation in Construction, 86, 150-162.
22. Luo, X., Zhou, F., Tao, C., Yang, A., Zhang, P. et Chen, Y. (2022).
Dynamic Multitarget Detection Algorithm of Voxel Point Cloud Fusion
Based on PointRCNN, IEEE Transactions on Intelligent Transportation
Systems, 23, 20707-20720.
23. Mao, J., Shi, S., Wang, X. et Li, H. (2022). 3D Object Detection for
Autonomous Driving : A Comprehensive Survey, International Journal of
Computer Vision, 131, 1909-1963.
32- -
24. Mulaveesala, R., Arora, V., Dua, G., Morello, R. et Vavilov, V. (2022).
Industrial vision and automation. Science et technologie des mesures, 33.
25. Mukherjee, J., Sharma, R., Dutta, P. et Bhunia, B. (2023). Artificial
intelligence in healthcare : a mastery", Biotechnology and Genetic
Engineering Reviews, None, 1-50.
26. Nebot, E. (2018). La robotique : de l'automatisation aux systèmes
intelligents, ingénierie.
27. Ren, S., Pan, X., Zhao, W., Nie, B., & Han, B. (2022),
Dynamic graph
33- -
pour la détection d'objets en 3D. Knowledge-Based Systems, 259, 110085.
28. Song, S., Huang, T., Zhu, Q. et Hu, H. (2023). ODSPC : deep learningbased
3D object detection using semantic point cloud", Visual Computer, ,
1-15.
29. Wei, W. (2019). Research progress on virtual reality (VR) and
augmented reality (AR) in tourism and hospitality ", Journal of Hospitality
and Tourism Technology, 10, 539-570.
30. Xue, Z., Wu, S., Li, M. et Cheng, K. (2024). A Novel Method for Regional
Prospecting Based on Modern 3D Graphics (Nouvelle méthode de
prospection régionale basée sur des graphiques 3D modernes) Minerals.
31. Yeh, M. C., Wang, Y., Yang, H., Bai, K., Wang, H. et Li, Y. (2020).
Artificial Intelligence-Based Prediction of Lung Cancer Risk Using
Nonimaging Electronic Medical Records : Deep Learning Approach ",
Journal of Medical Internet Research, 23.
32. Zhou, Q. (2022). Détection et diagnostic assistés par
ordinateur/radiomique/apprentissage machine/apprentissage profond en
imagerie médicale. Medical Physics.