Raport z badań: Technologia przetwarzania danych przestrzennych 3D i jej zastosowania

Raport z badań: Technologia przetwarzania danych 
przestrzennych 3D i jej zastosowania  AI 
Research Institute 2025_01Youngho Hong
Abstrakty:
Badania te obejmują rozwój i zastosowanie technologii przetwarzania 
danych przestrzennych 3D, w szczególności pozyskiwania danych z 
chmury punktów i technologii wykrywania obiektów 3D za pomocą
czujników LiDAR. Koncentruje się na technologiach wykrywania 
obiektów 3D VoxelNet, PointNet i PointRCNN i wyjaśnia, w jaki sposób 
technologie te są wykorzystywane w różnych dziedzinach, takich jak 
pojazdy autonomiczne, opieka zdrowotna, automatyka przemysłowa, 
systemy nadzoru bezpieczeństwa i VR / AR. Dane chmury punktów 
zebrane przez czujniki LiDAR analizują przestrzeń 3D z dużą precyzją, a 
oparta na nich technologia wykrywania obiektów 3D ważną rolę w 
świadomości środowiskowej w czasie rzeczywistym, precyzyjnej 
diagnostyce, optymalizacji procesów produkcyjnych itp. Niniejsze 
badanie analizuje wpływ technologii przetwarzania danych 
przestrzennych 3D na nowoczesny przemysł i innowacje technologiczne 
oraz omawia potencjał przyszłego rozwoju.
Słowa kluczowe:
 Dane przestrzenne 3D, czujniki LiDAR, chmura punktów, 
wykrywanie obiektów 3D, VoxelNet, PointNet, PointRCNN, pojazdy 
autonomiczne, opieka zdrowotna, automatyka przemysłowa, systemy 
nadzoru bezpieczeństwa, VR/AR, uczenie głębokie2- -
1. Wprowadzenie
Obejmuje proces gromadzenia, przechowywania, analizy i wizualizacji 
danych oraz wykorzystuje technologie takie jak LiDAR, fotogrametria i 
skanowanie 3D do przetwarzania trójwymiarowych informacji 
przestrzennych. Technologie te są wykorzystywane w różnych 
platformach oprogramowania, przy czym głównymi narzędziami są
systemy informacji geograficznej (GIS) i projektowanie wspomagane 
komputerowo (CAD). Pozwala na przeprowadzanie złożonych analiz 
przestrzennych.
LiDAR wykorzystuje impulsy laserowe do zbierania danych o odległości, 
podczas gdy fotogrametria wykorzystuje zdjęcia lotnicze do tworzenia 
modeli 3D. Dane te są przechowywane w bazie danych i w razie 
potrzeby wykorzystywane do analizy i wizualizacji.1)
Badania wykazały, że struktury 3D CNN mogą być wykorzystywane do 
uczenia się reprezentacji 3D i że można to zrobić bardziej efektywnie niż
tradycyjne metody oparte w pełni na 3D CNN.2)
Metody wizualizacji 3D oparte na GPU pozwalają na bardziej 
wyrafinowane i dokładne wyznaczanie granic przestrzennych.3)
Modelowanie 3D jest wykorzystywane jako podstawowe narzędzie w 
procesie projektowania architektonicznego i symulacji. Pozwala ono 
bezpieczeństwo konstrukcji i zwiększyć dokładność projektów.
Dane przestrzenne 3D są wykorzystywane w badaniach nad zmianami 
ekosystemów i zarządzaniem katastrofami. Na przykład modelowanie 
geologiczne 3D jest wykorzystywane do eksploracji wód gruntowych i 
badań geologicznych.4)
Dane 3D wykorzystywane do tworzenia immersyjnych środowisk w celu 
poprawy wrażeń użytkownika. Jest stosowane w różnych branżach, w 
tym w edukacji, opiece zdrowotnej i rozrywce.
Technologie przetwarzania danych przestrzennych 3D szybko rozwijają
się w różnych dziedzinach, w szczególności w pozyskiwaniu danych z 
chmury punktów i wykrywaniu obiektów w przestrzeni 3D za pomocą3- -
czujników LiDAR. Technologie te pojazdy autonomiczne, zastosowania 
medyczne, automatykę przemysłową, systemy nadzoru bezpieczeństwa i 
środowiska VR/AR. Niniejszy raport badawczy zapewnia podstawową
wiedzę na temat technologii przetwarzania danych przestrzennych 3D i 
wyjaśnia, w jaki sposób są one stosowane w różnych branżach.
1) Bai, X., Zhou, J., Ning, X., & Wang, C. (2022). Obliczanie i wizualizacja 
danych 3D. Displays, 73, 102169.
2) Kim, E. Y., Shin, S. Y., Lee, S., Lee, K., Lee, K. H., & 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., & Cheng, K. (2024). Nowa metoda poszukiwania 
regionalnego oparta na nowoczesnej grafice 3D. Minerały.
4) Dzikunoo, E., Vignoli, G., Jørgensen, F., Yidana, S., & Banoeng-Yakubo, B. 
(2020). Nowe regionalne spostrzeżenia stratygraficzne z trójwymiarowego 
modelu geologicznego subbasenu Nasia w Ghanie, opracowanego do celów 
hydrogeologicznych i opartego na ponownie przetworzonych danych pola B 
pierwotnie zebranych w celu poszukiwania minerałów. Solid Earth, 11, 349-
361.4- -
2. Zbieranie danych Point CLoud za pomocą czujników LiDAR
Pozyskiwanie danych z chmury punktów za pomocą czujników LiDAR 
odgrywa ważną rolę w szerokim zakresie zastosowań i jest szczególnie 
odpowiednie do pozyskiwania danych 3D o wysokiej rozdzielczości. 
Technologia LiDAR emituje impulsy laserowe w celu odbierania 
sygnałów odbitych od obiektów i oblicza na ich podstawie informacje o 
odległości. Informacje te są przechowywane w formacie chmury 
punktów, gdzie każdy punkt zawiera współrzędne X, Y i Z oraz 
intensywność odbicia.
Chmury punktów LiDAR mogą być w różnych dziedzinach, w tym w 
istycznym, środowiska i zarządzaniu zasobami. Chmury punktów są
następnie przekształcane w 3D lub dane GIS poprzez przetwarzanie 
końcowe w celu odszumienia, wyrównania i rekonstrukcji powierzchni. 
W procesie tym wykorzystywane jest różnorodne oprogramowanie, w 
szczególności oparte na GPU metody wizualizacji 3D, które na bardziej 
wyrafinowaną demarkację przestrzenną.5)
Dane LiDAR odgrywają również ważną rolę w systemach percepcji 
pojazdów autonomicznych. Przetwarzanie chmur punktów LiDAR i 
szkolenia w dziedzinie autonomicznej jazdy przyczyniły się do 
dokładnego postrzegania środowiska drogowego i wykrywania 
obiektów.6) Dane te są niezbędne do tworzenia map 3D o wysokiej 
rozdzielczości w czasie rzeczywistym, które autonomicznym pojazdom 
bezpieczną nawigację w złożonych warunkach drogowych.
punktów LiDAR mogą być również w Na przykład dane zebrane przez 
LiDAR zamontowany na samolocie mogą być wykorzystane do 
rekonstrukcji modeli 3D formacji geologicznych, które przyczyniają się
do poszukiwania wód gruntowych lub badań geologicznych.7) To 
trójwymiarowe modelowanie geologiczne umożliwia nowe interpretacje 
geologiczne i pomaga lepiej zrozumieć charakterystykę geologiczną
danego obszaru.
Zalety technologii LiDAR obejmują szybkie pozyskiwanie danych i 
wysoką dokładność, ale ma ona ograniczenia stosunkowo wysoki koszt i 
wydajność w deszczową lub Trwają prace badawczo-rozwojowe mające 5- -
na celu przezwyciężenie tych ograniczeń technicznych, co na 
wykorzystanie LiDAR w szerszym zakresie branż.
Czujnik LiDAR (Light Detection and Ranging) to technologia 
wykorzystująca laser do pomiaru powierzchni obiektu, a dane mogą być
wykorzystane do uzyskania informacji przestrzennych 3D. Chmura 
punktów wygenerowana przez czujnik LiDAR to zbiór wielu punktów 
rozmieszczonych w przestrzeni 3D, z których każdy można opisać za 
pomocą wysokości, odległości i położenia.
5) Bai, X., Zhou, J., Ning, X., & Wang, C. (2022). Obliczanie i wizualizacja 
danych 3D. Displays, 73, 102169.
6) Abbasi, R., Bashir, A., Alyamani, H. J., Amin, F., Doh, J., & Chen, J. (2023). 
Lidar Point Cloud Compression, Processing and Learning for Autonomous 
Driving. IEEE Transactions on Intelligent Transportation Systems, 24, 962-
979.
7) Dzikunoo, E., Vignoli, G., Jørgensen, F., Yidana, S., & Banoeng-Yakubo, B. 
(2020). Nowe regionalne spostrzeżenia stratygraficzne z trójwymiarowego 
modelu geologicznego subbasenu Nasia w Ghanie, opracowanego do celów 
hydrogeologicznych i opartego na ponownie przetworzonych danych pola B 
pierwotnie zebranych w celu poszukiwania minerałów. Solid Earth, 11, 349-
361.6- -
belki. Dane te kluczowe znaczenie dla postrzegania otoczenia przez 
pojazdy autonomiczne, modelowania architekturze i inżynierii lądowej 
oraz mapowania 3D.
3. Technologia wykrywania obiektów 3D
Wykrywanie obiektów 3D jest ważną technologią rozpoznawania i 
lokalizowania obiektów w przestrzeni 3D i niezbędne w różnych 
dziedzinach, w tym w pojazdach autonomicznych, i rzeczywistości 
rozszerzonej. się ona głównie na danych 3D zebranych za pomocą
LiDAR, kamer RGB-D i systemów stereowizyjnych.
Wykorzystuje ona chmury punktów generowane przez LiDAR do 
rozpoznawania położenia i kształtu obiektów. Modele głębokiego 
uczenia, takie jak PointNet, są szeroko stosowane w tej dziedzinie, a 
metody te są niezbędne do generowania map 3D o wysokiej 
rozdzielczości w czasie rzeczywistym.8)
Jest to technika wykrywania obiektów poprzez łączenie obrazów 2D 
uzyskanych przez kamery RGB z informacjami 3D. Metoda ta poprawia 
skuteczność wykrywania poprzez dodanie informacji o kolorze i wzorze 
obiektu. W ostatnich badaniach zaproponowano metody takie jak 
FusionRCNN, która łączy obrazy LiDAR i kamery w celu poprawy 
dokładności wykrywania.9)
Struktury głębokiego , takie jak konwolucyjne sieci neuronowe (CNN) i 
rekurencyjne sieci neuronowe (RNN), są i rozpoznawania cech 3D. 
Modele te poprawiają dokładność klasyfikacji obiektów i szacowania 
lokalizacji na podstawie zbiorów danych, co szczególnie ważne w 
przypadku rozpoznawania przeszkód w pojazdach autonomicznych.10)
Jest on wykorzystywany do zwiększenia bezpieczeństwa jazdy poprzez 
wykrywanie przeszkód i pieszych na drodze. W tym obszarze są
aktywne badania nad połączeniem chmur punktów LiDAR z danymi 
wizyjnymi w celu bardziej precyzyjnego wykrywania.11)
Pomaga robotowi zrozumieć środowisko i wchodzić z nim w interakcje. 
Jest szczególnie ważne przy określaniu dokładnej lokalizacji obiektów, 
aby pomóc robotowi zaplanować ścieżkę i wykonać zadania.7- -
Rozpoznawanie obiektów i reagowanie na nie w czasie rzeczywistym w 
celu poprawy wrażeń użytkownika. Na przykład w rzeczywistości 
rozszerzonej lokalizacja i kształt obiektów muszą być dokładnie 
określone aby poprawić interakcję z obiektami wirtualnymi.
8) Qian, R., Lai, X., & Li, X. (2021). Wykrywanie obiektów 3D dla autonomicznej 
jazdy: A Survey. Pattern Recognition, 130, 108796.
9) Xu, X., Dong, S., Xu, T., Ding, L., Wang, J., Jiang, P., Song, L. i Li, J. (2023).
FusionRCNN: Fuzja LiDAR-kamera do dwuetapowego wykrywania obiektów 
3D. Remote Sensing, 15, 1839.
10) Fan, L., Yang, Y., Wang, F., Wang, N. i Zhang, Z. (2023). Super rzadkie 
wykrywanie obiektów 3D. 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. i Li, J. (2023).
FusionRCNN: Fuzja LiDAR-kamera do dwuetapowego wykrywania obiektów 
3D. Remote Sensing, 15, 1839.8- -
Technologie te stale , zapewniając bardziej precyzyjne i wydajne 
rozwiązania do wykrywania obiektów 3D. Postępy w badaniach i 
technologii znacznie poprawiają dokładność rozpoznawania w 
rzeczywistych środowiskach.
Wykrywanie obiektów 3D to dokładna identyfikacja i klasyfikacja 
określonych obiektów w przestrzeni 3D, która jest wspierana przez 
różne techniki przetwarzania danych przestrzennych 3D. Ostatnio 
techniki oparte na głębokim uczeniu się aktywnie zastosowane do 
wykrywania obiektów 3D. Reprezentatywne technologie VoxelNet, 
PointNet i PointRCNN.
3.1 VoxeLNet
VoxelNet to innowacyjna architektura głębokiego uczenia 
zaprojektowana specjalnie do wykrywania obiektów 3D za pomocą
chmur punktów, co ma kluczowe znaczenie w systemach autonomicznej 
jazdy. Architektura ta przyjmuje unikalne podejście, konwertując 
surowe dane chmury punktów na ustrukturyzowaną siatkę wokseli 3D, 
aby umożliwić wydajne przetwarzanie i ekstrakcję cech. Konwersja do 
reprezentacji wokseli , ponieważ pozwala VoxelNet skutecznie 
wykorzystywać splot 3D do przechwytywania informacji przestrzennych 
przy jednoczesnym zapewnieniu wydajności obliczeniowej. Wydajność
ta jest niezbędna dla aplikacji działających w czasie rzeczywistym, 
takich jak te wymagane do autonomicznej jazdy.
Siła VoxelNet polega na jego zdolności do włączenia nowej warstwy 
kodowania funkcji, która znacznie zwiększa moc reprezentacyjną
każdego woksela. Osiąga się to poprzez uwzględnienie unikalnych cech 
punktów zawartych w każdym wokselu, co poprawia zdolność sieci do 
wykrywania i klasyfikowania obiektów w złożonych środowiskach.12) 
Ten etap kodowania cech ma znaczenie dla rozwiązywania problemów 
spowodowanych nieregularnym i rzadkim charakterem danych chmury 
punktów, z którymi trudno jest sobie poradzić przy użyciu tradycyjnych 
konwolucyjnych sieci neuronowych 2D.
Badania , że VoxelNet wniósł znaczący wkład w dziedzinę wykrywania 
obiektów 3D. Na przykładzdolność jego architektury do zapewnienia 9- -
wysokiej dokładności przy jednoczesnym zachowaniu wydajności 
obliczeniowej sprawia, że jest on preferowanym wyborem dla aplikacji 
międzywdrożeniowych w pojazdach autonomicznych.13) Co więcej, 
integracja rzadkiej reprezentacji VoxelNet pozwala mu skutecznie 
obsługiwać duże ilości danych, które są powszechne w scenariuszach 
autonomicznej jazdy.
Rozwój VoxelNet stanowi znaczący postęp w przetwarzaniu danych 3D i 
kładzie podwaliny pod przyszłe innowacje w technologii autonomicznej 
jazdy. Rozwiązuje kluczowe wyzwania w tym obszarze, łącząc wydajną
wokselizację z zaawansowanymi technikami kodowania cech.14) Nie 
tylko poprawia to dokładność wykrywania, ale także umożliwia bardziej 
wyrafinowane egzekwowanie przepisów.
12) Guo, Y., Wang, H., Hu, Q., Liu, H., Liu, L., & 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., & Chang, Z. (2021). Przeciwstawne 
perturbacje chmury punktów przeciwko wykrywaniu obiektów 3D w 
autonomicznych systemach jazdy. Neurocomputing, 466, 27-36.
14) Chen, W., Li, P., & Zhao, H. (2022). MSL3D: wykrywanie obiektów 3D z 
chmury monokularowej, stereo i punktowej do autonomicznej jazdy. 
Neurocomputing, 494, 23-32.10- -
VoxelNet przesuwa granice rozwoju systemów percepcji 3D. potężnej 
wydajności i innowacyjnemu podejściu, VoxelNet nadal wpływa bieżące 
badania i rozwój w zakresie przetwarzania chmur punktów 3D i 
systemów autonomicznych.15)
VoxelNet to innowacyjny model wykrywania obiektów 3D, który 
przetwarza dane chmury punktów, przekształcając je w siatki 3D 
(woksele). Każdy woksel reprezentuje punkt w chmurze punktów, co 
pozwala modelowi bardziej efektywne przetwarzanie informacji 
przestrzennych. VoxelNet wykorzystuje informacje o wokselach 
wykrywania obiektów i tworzenia prognoz. tego podejścia jest to, że jest 
ono wydajne i szybkie w przetwarzaniu dużych ilości danych z chmury 
punktów.
3.2 PointNet
PointNet to przełomowa architektura głębokiego uczenia, która 
rewolucjonizuje przetwarzanie danych chmury punktów 3D poprzez 
bezpośrednie wykorzystanie nieuporządkowanych zestawów punktów. 
W przeciwieństwie do tradycyjnych metod, które wymagają
ustrukturyzowanych danych wejściowych, PointNet wykorzystuje 
funkcje symetrii, aby zapewnić niezmienność permutacji, relacje 
przestrzenne między punktami, dzięki czemu pozostaje niezależnie od 
punktów wejściowych.
Kluczową innowacją PointNet jest wykorzystanie perceptronów (MLPi 
max-pooling. Architektura ta skutecznie agreguje cechy z 
poszczególnych punktów w globalną reprezentację, co jest szczególnie 
przydatne w zadaniach takich jak klasyfikacja i segmentacja. Dzięki 
swojej zdolności do i dokładnego dużych punktów, stał się
podstawowym modelem w tej dziedzinie i zainspirował wiele kolejnych 
architektur opartych na jego zasadach.
Wpływ PointNet wykracza poza badania akademickie i obejmuje 
praktyczne wdrożenia w obszarach takich jak autonomiczna jazda i 
rozpoznawanie robotów. Na przykład, w systemach autonomicznych, 
PointNet został wykorzystany do przetwarzania danych LiDAR w celu 
poprawy wykrywania obiektów i nawigacji poprzez identyfikację i 11- -
klasyfikację obiektów z jednej próby do następnej.16) Konstrukcja 
PointNet pozwala mu skutecznie radzić sobie ze złożonością związaną z 
danymi 3D, takimi jak okluzje i różnice w gęstości punktów, co czyni go 
wszechstronnym narzędziem w zastosowaniach wizji komputerowej.
Postępy poczynione przez PointNet doprowadziły do jego adaptacji w 
różnych innowacyjnych kontekstach. Na przykład, został on 
zastosowany do klasyfikacji danych LiDAR z powietrza, poprawiając 
dokładność i wydajność operacji teledetekcji.17) Zdolność adaptacyjna 
PointNet doprowadziła również do jego integracji z sieciami 
neuronowymi opartymi na fizyce w celu analizy propagacji pęknięć.
15) Yang, Y., Chen, F., Wu, F., Zeng, D., Ji, Y., & Jing, X. (2020). 
Wieloprzeglądowa semantyczna sieć ucząca się do wykrywania obiektów 3D 
w oparciu o chmurę punktów. Neurocomputing, 397, 477-485.
16) Guo, Y., Wang, H., Hu, Q., Liu, H., Liu, L., & 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., & Liu, G. (2023). Airborne LiDAR point cloud 
classification using PointNet++ network with full neighbourhood features. 
PLOS ONE, 18.12- -
i symulacje dynamiki płynów, i udowodniono, że rozwiązuje złożone 
problemy przemysłowe.18)
Pointnet nadal służy jako punkt odniesienia w przetwarzaniu danych 3D, 
znacznie zwiększając zdolność modeli głębokiego uczenia się do 
przetwarzania danych chmury punktów. Jego wpływ jest widoczny 
zarówno w postępach teoretycznych, jak i praktycznych zastosowaniach, 
demonstrując jego ciągłe znaczenie i zdolność adaptacji w ewoluującym 
krajobrazie sztucznej inteligencji i uczenia maszynowego.19)
PointNet to model, który bezpośrednio przetwarzać dane chmury 
punktów i rozpoznawać obiekty w przestrzeni 3D niezależnie od 
kolejności każdego punktu. PointNet wyodrębnia cechy punktów i 
przeprowadza na ich podstawie klasyfikację i segmentację. Model ten 
radzi sobie z nieustrukturyzowaną naturą chmur punktów i może być
stosowany w różnych dziedzinach, takich jak autonomiczna jazda, 
robotyka i analiza obrazów medycznych.
3.3 PointRCNN
PointRCNN jest ważnym frameworkiem w dziedzinie wykrywania 
obiektów 3D, szczególnie w zastosowaniach takich jak autonomiczna 
jazda. Struktura ta wykorzystuje dwuetapowy proces wykrywania w celu 
poprawy dokładności i wydajności wykrywania obiektów w danych 
chmury punktów 3D. Pierwszym krokiem jest generowanie sugestii 
obiektów za pośrednictwem lokalnej sieci sugestii opartej na punktach. 
Krok ten , ponieważ działa bezpośrednio na surowych danych chmury 
punktów, zachowując szczegółowe informacje przestrzenne, które mogą
zostać utracone w tradycyjnych metodach opartych na projekcji obrazu 
lub wokselizacji.
W drugim kroku PointRCNN udoskonala początkową propozycję, 
wykonując ramki ograniczającej 3D. Dostosowuje to rozmiar i 
orientację , aby lepiej dopasować wykryte obiekty do danych chmury 
punktów. Wykorzystując cechy wyodrębnione bezpośrednio z surowej 
chmury punktów, PointRCNN osiąga wyższą dokładność wykrywania 
szczególnie w trudnych środowiskach o złożonej geometrii i okluzji.13- -
Jedną z głównych zalet PointRCNN jest jego do uczenia się od początku 
do końca. Architektura ta ułatwia płynną integrację etapów sieci, 
poprawiając nie tylko wydajność wykrywania modelu, ale także jego 
wydajność obliczeniową, dzięki czemu nadaje się zastosowań w czasie 
rzeczywistym, takich jak te wymagane w systemach autonomicznej 
jazdy.
Badania wykazały, że metody wykorzystujące dane z chmury punktów 
mogą znacznie poprawić zrozumienie i interpretację scen 3D w 
sytuacjach autonomicznej jazdy. Na przykład wykorzystanie algorytmów 
wykrywania wielu celów opartych na PointRCNN i technikach fuzji 
chmur punktów wokseli może być stosowane w dynamicznych 
scenariuszach ze względu na ich wszechstronność i
18) Kashefi, A., & Mukerji, T. (2022). PointNet oparty na fizyce: solver 
głębokiego uczenia dla nieściśliwych przepływów w stanie ustalonym i pól 
termicznych na wielu zestawach nieregularnych geometrii. Journal of 
Computational Physics, 468, 111510.
19) Wang, L., & Huang, Y. (2022). A Survey of 3D Point Cloud and Deep 
Learning-Based Approaches for Scene Understanding in Autonomous 
Driving. IEEE Intelligent Transportation Systems Magazine, 14, 135-154.14- -
Ponadto badania w dziedzinie chmur punktów 3D i głębokiego uczenia 
się rosnące znaczenie tych ram dla zrozumienia sceny w autonomicznej 
jeździe.20)
Ogólnie rzecz biorąc, PointRCNN stanowi znaczący postęp w technologii 
wykrywania obiektów 3D. Jego zdolność do bezpośredniego 
przetwarzania surowych danych punktów i wydajny dwuetapowy proces 
wykrywania potężne narzędzie dla autonomicznej jazdy, gdzie szybkie i 
dokładne obiektów ma kluczowe znaczenie dla bezpieczeństwa i 
wydajności.
PointRCNN to technologia, która wykorzystuje CNN (Convolutional 
Neural Network) opartą na PointNet do wykrywania obiektów 3D i 
skutecznie przetwarza dane chmury punktów dokładnego wykrywania 
obiektów. PointRCNN to technologia, która rozszerza istniejącą metodę
wykrywania obiektów 2D na środowiska 3D i jest stosowana do 
rozpoznawania obiektów pojazdów autonomicznych i rozpoznawania 
środowiska robotów.
4. Zastosowania
Sieci PointRCNN odgrywają kluczową rolę w systemach autonomicznej 
jazdy i są wykorzystywane do dokładnego rozpoznawania i śledzenia 
obiektów w otaczającym środowisku. obiektów przy użyciu punktów 3D 
może pomóc pojazdom przeszkód drogowych z dużą dokładnością, 
nawet w złożonych sytuacjach drogowych.22)
Robot wykorzystuje technologię wykrywania obiektów 3D do interakcji 
z otoczeniem. PointRCNN umożliwia robotowi zrozumienie jego 
środowiska od uruchomienia do uruchomienia i wykonanie 
niezbędnych działań.24)
Aby płynnie wstawiać wirtualne obiekty do świata rzeczywistego w 
środowisku AR, jest dokładne wykrywanie obiektów w przestrzeni 3D. 
PointRCNN ważną rolę w tym zadaniu.
Drony potrzebują zdolności do rozpoznawania i unikania różnych 
przeszkód podczas lotu. PointRCNN może być wykorzystywany do 
wykrywania obiektów w czasie rzeczywistym na podstawie danych z 15- -
czujników drona i ustawiania bezpiecznej ścieżki lotu.25)
20) Luo, X., Zhou, F., Tao, C., Yang, A., Zhang, P., & Chen, Y. (2022). Dynamic 
Multitarget Detection Algorithm of Voxel Point Cloud Fusion Based on 
PointRCNN. IEEE Transactions on Intelligent Transportation Systems, 23, 
20707-20720.
21) Wang, L., & Huang, Y. (2022). A Survey of 3D Point Cloud and Deep 
Learning-Based Approaches for Scene Understanding in Autonomous 
Driving. IEEE Intelligent Transportation Systems Magazine, 14, 135-154.
22) Qian, R., Lai, X., & Li, X. (2021). Wykrywanie obiektów 3D dla 
autonomicznej jazdy: A Survey. Pattern Recognition, 130, 108796.
23) Mao, J., Shi, S., Wang, X., & Li, H. (2022). Wykrywanie obiektów 3D dla 
autonomicznej jazdy: A Comprehensive Survey. International Journal of 
Computer Vision, 131, 1909-1963.
24) Wang, L., & Huang, Y. (2022). A Survey of 3D Point Cloud and Deep 
Learning-Based Approaches for Scene Understanding in Autonomous 
Driving. 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 jest stosowany do modelowania 3D i analizy środowisk 
miejskich, zapewniając ważny wgląd w planowanie i zarządzanie 
miastem. pomóc poprawić wydajność transportu i zwiększyć
bezpieczeństwo w miastach.
W tych zastosowaniach PointRCNN są bardzo przydatne w sytuacjach, w 
których wymagana jest wysoka dokładność i przetwarzanie w czasie 
rzeczywistym. Badania pokazują, że techniki takie jak algorytmy 
wykrywania wielu celów oparte na PointRCNN swoją wydajność i 
skuteczność w tych zastosowaniach.26) PointRCNN przyczynia się do 
maksymalizacji dokładności i wydajności wykrywania obiektów 3D, co 
ważne dla rozwoju autonomicznych pojazdów i innych 
zaawansowanych systemów.
Technologia przetwarzania danych przestrzennych 3D wykorzystywana 
w wielu różnych branżach. Niektóre z głównych zastosowań obejmują
4.1 Pojazdy autonomiczne
Pojazdy to pojazdy wykorzystujące zaawansowaną technologię do 
samodzielnego prowadzenia bez interwencji człowieka. Pojazdy te 
wykorzystują różnorodne czujniki, kamery, radary, LiDAR i inne, aby 
uzyskać precyzyjną świadomość otoczenia. Technologie te, w połączeniu 
z przetwarzaniem danych w czasie rzeczywistym, są niezbędne do 
określania bezpiecznych tras jazdy.
W szczególności technologia wykrywania obiektów 3D jest kluczowym 
elementem pojazdów autonomicznych, odgrywając ważną rolę w 
dokładnym wykrywaniu i rozpoznawaniu obiektów wokół pojazdu. 
PointRCNN, na przykład, wykorzystuje dane chmury punktów, aby 
umożliwić analizę otoczenia pojazdu w wysokiej rozdzielczości. to 
pojazdom autonomicznym rozpoznawanie pieszych, innych pojazdów, 
znaków drogowych i innych obiektów w czasie rzeczywistym w celu 
zapewnienia bezpiecznej jazdy.27)
Pojazdy autonomiczne również zdolność uczenia się wzorców jazdy i 
dostosowywania się do różnych sytuacji na drodze poprzez zastosowanie 
technologii uczenia maszynowego i sztucznej inteligencji. Technologie 17- -
te przyczyniają do poprawy bezpieczeństwa pojazdów, wydajności i 
komfortu użytkowania. W szczególności technologia fuzji wielu 
czujników poprawia dokładność wykrywania obiektów 3D, niezawodne 
działanie w różnych środowiskach.28)
Przegląd metod wykrywania obiektów 3D w zastosowaniach autonomicznej 
jazdy. IEEE Transactions on Intelligent Transportation Systems, 20, 3782-3795.
26) Luo, X., Zhou, F., Tao, C., Yang, A., Zhang, P., & 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., & 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., & Chehri, A. (2024). Technologia fuzji wielu czujników 
do wykrywania obiektów 3D w jeździe autonomicznej: A Review. IEEE 
Transactions on Intelligent Transportation Systems, 25, 1148-1165.18- -
Pojazdy autonomiczne kluczowym obszarem innowacji w przyszłych 
systemach transportowych dzięki konwergencji złożonych algorytmów i 
technologii czujników. Technologie te pozytywny wpływ na 
społeczeństwo jako całość, zmniejszając zatory komunikacyjne, 
ograniczając liczbę wypadków drogowych i umożliwiając bardziej 
efektywny przepływ ruchu.29)
Pojazdy autonomiczne wykorzystują czujniki LiDAR i technologię
wykrywania obiektów 3D do postrzegania i analizowania otoczenia 
pojazdu czasie rzeczywistym. Umożliwia to omijanie przeszkód, 
rozpoznawanie pieszych, analizę skrzyżowań i , aby zmaksymalizować
bezpieczeństwo pojazdu i wydajność jazdy.
4.2 Opieka zdrowotna
Techniki wykrywania obiektów 3D w medycynie, zwłaszcza takie jak 
PointRCNN, szeroki zakres potencjalnych zastosowań. Technologie te 
są wykorzystywane głównie w obrazowaniu medycznym, robotyce 
chirurgicznej, systemach monitorowania pacjentów itp.
Technologia wykrywania obiektów 3D pomaga dokładnym wykrywaniu 
zmian w obrazach TK, MRI i USG. Jest to szczególnie ważne w 
dziedzinach takich jak radiologia, gdzie można ją połączyć z 
komputerowymi systemami diagnostycznymi wykorzystującymi 
sztuczną inteligencję i uczenie maszynowe w celu poprawy dokładności 
diagnostycznej.30)
W systemach robotów chirurgicznych technologia wykrywania 
obiektów 3D umożliwia dokładne rozpoznawanie otaczających tkanek i 
narządów podczas operacji, pomagając zapewnić bezpieczną i 
precyzyjną operację. W połączeniu z postępami w dziedzinie sztucznej 
inteligencji medycznej może to znacznie poprawić wydajność i 
bezpieczeństwo operacji.31)
Czujniki 3D i technologia wykrywania obiektów mogą analizować ruchy 
i parametry życiowe pacjenta w czasie rzeczywistym, aby wykrywać
nieprawidłowości na wczesnym etapie. Technologie te łączyć z opartymi 
na sztucznej inteligencji systemami monitorowania pacjentów w celu 19- -
ciągłego śledzenia stanu pacjenta i zarządzania nim.32)
W połączeniu z rzeczywistością wirtualną (VR) może być wykorzystywana 
w edukacji i szkoleniach medycznych. Technologia wykrywania obiektów 
3D
29) Arnold, E., Al-Jarrah, O. Y., Dianati, M., Fallah, S., Oxtoby, D., & 
Mouzakitis, A. (2019). Przegląd metod wykrywania obiektów 3D dla aplikacji 
autonomicznej jazdy. 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). Raport grupy zadaniowej AAPM 273: 
Zalecenia dotyczące najlepszych praktyk w zakresie sztucznej inteligencji i 
uczenia maszynowego w diagnostyce wspomaganej komputerowo w 
obrazowaniu medycznym. Fizyka medyczna.
31) Mukherjee, J., Sharma, R., Dutta, P., & Bhunia, B. (2023). Sztuczna 
inteligencja w opiece zdrowotnej: mistrzostwo. Biotechnology and Genetic 
Engineering Reviews, None, 1-50.
32) Almagharbeh, W. (2024). Wpływ systemów wspomagania decyzji 
opartych na sztucznej inteligencji na przepływ pracy pielęgniarskiej na 
oddziałach intensywnej opieki medycznej. Międzynarodowy przegląd 
pielęgniarski, Brak.
[8] Wang, L., Chen, X., Zhang, L., Li, L., Huang, Y., Sun, Y., & Yuan, X. (2023). 
Sztuczna inteligencja w systemach wspomagania decyzji klinicznych w 
onkologii. International Journal of Medical Sciences, 20, 79-86.20- -
 ważną rolę w pomaganiu lekarzom i pracownikom służby zdrowia w 
symulowaniu operacji i diagnoz, umożliwiając naukę w realistycznym 
środowisku.33)
Aplikacje te przyczyniają się do zwiększenia dokładności diagnostyki i 
leczenia w dziedzinie medycyny oraz poprawy ogólnego bezpieczeństwa. 
W szczególności technologia wykrywania obiektów 3D w połączeniu ze 
sztuczną inteligencją przyspiesza innowacje w opiece zdrowotnej i staje 
ważnym narzędziem poprawy zdrowia i bezpieczeństwa pacjentów. 
Badania te dostarczają nowych perspektyw na komercyjne, regulacyjne i 
społeczne implikacje sztucznej inteligencji w medycynie.34)
W medycynie przetwarzanie danych przestrzennych 3D 
wykorzystywane do precyzyjnej diagnostyki i planowania 
chirurgicznego. Dane chmury punktów z obrazowania medycznego 3D, 
takie jak wyniki tomografii komputerowej lub rezonansu 
magnetycznego, są wykorzystywane do wizualizacji miejsca operacji 
oraz pomiaru jego dokładnej lokalizacji i rozmiaru w celu poprawy 
dokładności chirurgicznej.
4.3 Automatyka przemysłowa i robotyka
Technologie wykrywania obiektów 3D, w szczególności modele takie jak 
PointRCNN, rewolucjonizują dziedzinę automatyki przemysłowej i 
robotyki. Technologie te znacznie poprawiają wydajność i dokładność w 
wielu różnych branżach i odgrywają ważną rolę w następujących 
konkretnych obszarach
Technologia wykrywania obiektów 3D jest niezbędna dla systemów 
zrobotyzowanych do rozpoznawania i sortowania obiektów w 
magazynie. Umożliwia ona robotom dokładne rozpoznawanie obiektów 
o różnych rozmiarach i kształtach, pozwalając im na wykonywanie 
wydajnych zadań związanych z przemieszczaniem i sortowaniem. 
Technologie te zwiększają wydajność procesów przemysłowych i 
ułatwiają automatyzację systemów logistycznych.35)
Gdy roboty przemysłowe automatycznie montują części, wykrywanie 
obiektów 3D zwiększa wydajność montażu poprzez rozpoznawanie 
dokładnej pozycji i orientacji części. Przyczynia się to znacząco do 21- -
zwiększenia tempa produkcji i zmniejszenia liczby defektów, a ważną
rolę w inteligentnych środowiskach produkcyjnych.36)
Są one wykorzystywane do kontroli geometrii i wymiarów produktów 
przy użyciu technologii skanowania 3D i ważną rolę w zapewnianiu 
jakości produktów, wczesnym wykrywaniu wad i obniżaniu kosztów. Te 
zautomatyzowane części
33) Yeh, M. C., Wang, Y., Yang, H., Bai, K., Wang, H., & Li, Y. (2020). Oparte 
na sztucznej inteligencji przewidywanie ryzyka raka płuc przy użyciu 
nieobrazowej elektronicznej dokumentacji medycznej: podejście głębokiego 
uczenia się. Journal of Medical Internet Research, 23.
34) Mukherjee, J., Sharma, R., Dutta, P., & Bhunia, B. (2023). Sztuczna 
inteligencja w opiece zdrowotnej: mistrzostwo. 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., & 
White, M. (2021). Sim2Real w robotyce i automatyce: zastosowania i 
wyzwania. 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. i Kim, H. (2021).
Oparta na uczeniu się automatyzacja zrobotyzowanego montażu dla 
inteligentnej produkcji. Proceedings of the IEEE, 109, 423-440.22- -
Systemy kontroli jakości zwiększają niezawodność produktów.37)
Aby zwiększyć bezpieczeństwo robotów i systemów automatyki, 
wykorzystywana jest technologia wykrywania obiektów 3D. Umożliwia 
to rozpoznawanie pobliskich lub bezpieczne Te mechanizmy 
bezpieczeństwa przyczyniają się do zmniejszenia liczby wypadków w 
warunkach przemysłowych.38)
Dla autonomicznych pojazdów lub dronów kluczowe znaczenie ma 
wykrywanie obiektów i planowanie tras. Technologia wykrywania 
obiektów 3D tym systemom wydajne działanie, omijanie przeszkód i 
bezpieczne wykonywanie zadań związanych z dostawą.39)
W tych obszarach technologie wykrywania obiektów 3D innowacje w 
automatyce przemysłowej, pomagając zwiększyć produktywność, 
obniżyć koszty i poprawić bezpieczeństwo. W przyszłości technologie te 
będą nadal integralną częścią ewolucji robotyki i systemów automatyki. 
Badania wykazały, że zastosowanie tych technologii w znacznym stopniu 
przyczynia do zwiększenia wydajności procesów przemysłowych i 
zarządzania złożonością zautomatyzowanych systemów.40)
W automatyce przemysłowej i robotyce przetwarzanie danych 
przestrzennych 3D jest wykorzystywane do zwiększania wydajności 
procesów produkcyjnych i automatyzacji kontroli jakości. Roboty 
wykorzystują czujniki LiDAR lub kamery 3D rozpoznawania produktów, 
wykrywania anomalii i rozwiązywania problemów jakościowych.
4.4 Systemy nadzoru bezpieczeństwa
W systemach nadzoru bezpieczeństwa technologia wykrywania 
obiektów 3D ważną rolę w zapewnianiu skutecznych rozwiązań w 
zakresie monitorowania i bezpieczeństwa w różnych środowiskach. 
Technologia ta szczególnie widoczna w takich obszarach, jak 
monitorowanie w czasie rzeczywistym, wykrywanie włamań, 
zapobieganie incydentom, analiza danych i raportowanie oraz 
integracja sztucznej inteligencji.
Dzięki możliwości monitorowania w czasie rzeczywistym, systemy 
wykrywania obiektów 3D wykorzystują kamery i czujniki do analizy 23- -
otaczającego środowiska w czasie rzeczywistym. Ta analiza w czasie 
rzeczywistym umożliwia dokładne rozpoznawanie ludzi, pojazdów i 
obiektów oraz zapewnia natychmiastowe ostrzeżenia w przypadku 
niebezpiecznej sytuacji. Ma to zasadnicze znaczenie dla zwiększenia 
bezpieczeństwa, zwłaszcza w złożonych środowiskach, takich jak drogi i 
lotniska.
Jeśli chodzi o wykrywanie włamań, technologia wykrywania obiektów 
3D jest skuteczna w wykrywaniu nietypowego ruchu lub zachowania w 
określonym obszarze bezpieczeństwa. Może to prowadzić do wczesnego 
wykrycia zbliżania się intruza i zapewnić personelowi ochrony 
natychmiastową pomoc.
37) Wang, K., Zhou, J., Li, G., Hu, Y., & Hu, F. (2024). Automatyzacja 
przemysłowa i jakość produktu: rola zrobotyzowanej transformacji 
produkcji. Ekonomia stosowana.
38) Salcic, Z., Atmojo, U., Park, H., Chen, A., & Wang, K. (2019). 
Projektowanie dynamicznych i współpracujących systemów automatyki i 
robotyki. IEEE Transactions on Industrial Informatics, 15, 540-549.
39) Nebot, E. (2018). Robotyka: od automatyzacji do inteligentnych systemów. 
Inżynieria.
40) Mulaveesala, R., Arora, V., Dua, G., Morello, R., & Vavilov, V. (2022). 
Widzenie przemysłowe i automatyzacja. Measurement Science and 
Technology, 33.24- -
Zapobieganie nieautoryzowanemu wejściu do zabezpieczonych obszarów 
poprzez dostarczanie czerwonych alertów.
Jeśli chodzi o zapobieganie wypadkom, systemy te zapobiegają
wypadkom w różnych środowiskach, w tym w zakładach przemysłowych, 
poprzez wczesne wykrywanie zagrożeń i dostarczanie ostrzeżeń. Na 
przykład automatyczny system ostrzegawczy uruchomiony, gdy 
pracownik zbliża się do niebezpiecznego obszaru, aby zapobiec 
wypadkowi.
Funkcje analizy danych i raportowania pomagają ocenić sytuację w 
zakresie bezpieczeństwa i zidentyfikować problemy poprzez późniejszą
analizę przy użyciu zebranych danych 3D. Analizy te zapewniają ważny 
wgląd w przyszłą strategię bezpieczeństwa i ciągłe doskonalenie 
bezpieczeństwa.
Dzięki integracji sztucznej inteligencji, technologia wykrywania 
obiektów 3D może być połączona z algorytmami uczenia maszynowego 
w celu stworzenia bardziej inteligentnego systemu nadzoru. to 
systemowi uczenie się wzorców i wdrażanie bardziej zaawansowanych 
mechanizmów ostrzegania i reagowania.
W ten sposób technologia wykrywania obiektów 3D staje się integralną
częścią systemów nadzoru bezpieczeństwa, spełniając różne potrzeby w 
zakresie bezpieczeństwa i przyczyniając się do bezpieczeństwa obiektów. 
Oczekuje się, że technologie te będą dalej ewoluować w przyszłości, 
prowadząc do bardziej wyrafinowanych i wydajnych rozwiązań w 
zakresie nadzoru bezpieczeństwa. Te postępy technologiczne 
przekształcą się w bardziej niezawodne systemy bezpieczeństwa, 
zwłaszcza dzięki integracji ze sztuczną inteligencją.41)
Technologia wykrywania obiektów 3D również ważną rolę w systemach 
nadzoru bezpieczeństwa. Czujniki LiDAR i technologia wykrywania 
obiektów 3D wykorzystywane do wykrywania intruzów lub określania, 
czy w pobliżu znajdują się ludzie. również analizować wzorce zachowań 
w przestrzeni 3D w celu śledzenia i zapobiegania nielegalnej działalności.25- -
41) Chen, Y., Wang, H., Pang, Y., Han, J., Mou, E., & Cao, E. (2023). Metoda 
wykrywania małych celów w podczerwieni oparta na mechanizmie 
ważonego porównania wzrokowego człowieka do monitorowania 
bezpieczeństwa. Remote. Sens., 15, 2922.26- -
4.5 VR/AR
W wirtualnej (VR) i rozszerzonej (AR) technologia wykrywania obiektów 
3D znacząco poprawia wrażenia użytkownika w różnych branżach. 
Wykrywanie obiektów 3D umożliwia użytkownikom interakcję z 
rzeczywistymi obiektami w środowiskach wirtualnych, co jest 
niezbędne dla aplikacji AR do rozpoznawania otoczenia w czasie 
rzeczywistym w celu dokładnego umieszczania i manipulowania 
wirtualnymi elementami. Sprawia to, że doświadczenie użytkownika jest 
bardziej wciągające.
W środowiskach VR wykrywanie obiektów 3D wykorzystywane do 
tworzenia realistycznych symulacji. Zapewnia to scenariusze 
szkoleniowe w różnych dziedzinach, w tym w medycynie, i lotnictwie, 
umożliwiając uczestnikom bezpieczne doświadczanie i ćwiczenie 
rzeczywistych sytuacji. Zastosowanie VR/AR, zwłaszcza w dziedzinie 
bezpieczeństwa budowlanego, zwiększa świadomość bezpieczeństwa 
pracowników.42)
W branży gier wykrywanie obiektów 3D zapewnia wrażenia dzięki 
dokładnemu śledzeniu ruchu i pozycji gracza. Umożliwia to interakcję z 
wirtualnymi postaciami, zwiększając realizm gry.
W architekturze i inżynierii technologia AR może być wykorzystywana 
do wizualizacji modeli projektowych w świecie rzeczywistym. pomóc w 
wykrywaniu błędów w procesie projektowania z wyprzedzeniem i 
ułatwić komunikację z klientami. Aplikacje te mogą być szczególnie 
synergiczne z bezpieczeństwem konstrukcji.43)
Technologia AR pomaga konsumentom podejmować decyzje zakupowe, 
umożliwiając im wirtualne doświadczanie produktów. Na przykład daje 
im możliwość umieszczenia mebli w domu lub wypróbowania kolorów 
kosmetyków z wyprzedzeniem. Zwiększa to doświadczenie zakupowe i 
interakcję konsumenta.44)
W ten sposób technologia wykrywania obiektów 3D zapewnia 
innowacyjne doświadczenia w VR i AR i jest wykorzystywana w różnych 
branżach. W przyszłości technologie te będą nadal ewoluować, dzięki 
czemu interakcja między użytkownikiem a środowiskiem wirtualnym 27- -
będzie jeszcze bardziej płynna i naturalna. Spowoduje to dalsze 
rozszerzenie zastosowania technologii VR/AR w edukacji, rozrywce, 
handlu i nie tylko. Jednocześnie postępy w tych stworzą nowe 
możliwości w branży turystycznej i hotelarskiej.45)
42) Li, X., Yi, W., Chi, H., Wang, X., & Chan, A. P. C. (2018). Krytyczny 
przegląd zastosowań rzeczywistości wirtualnej i rozszerzonej (VR/AR) w 
bezpieczeństwie budowlanym. Automation in Construction, 86, 150-162.
43) Li, X., Yi, W., Chi, H., Wang, X., & Chan, A. P. C. (2018). Krytyczny 
przegląd zastosowań rzeczywistości wirtualnej i rozszerzonej (VR/AR) w 
bezpieczeństwie budowlanym. Automation in Construction, 86, 150-162.
44) Jayawardena, N. S., Thaichon, P., Quach, S., Razzaq, A., & Behl, A. (2023). 
"Efekty perswazji reklam wideo w rzeczywistości wirtualnej (VR) i 
rzeczywistości rozszerzonej (AR): przegląd koncepcyjny". Journal of 
Business Research.
45) Wei, W. (2019). Postęp badań nad rzeczywistością wirtualną (VR) i 
rzeczywistością rozszerzoną (AR) w turystyce i hotelarstwie. Journal of 
Hospitality and Tourism Technology, 10, 539-570.28- -
W rzeczywistości wirtualnej (VR) i rozszerzonej (AR) dane przestrzenne 
3D odgrywają ważną rolę interakcji z obiektami w świecie rzeczywistym. 
Dane przestrzenne 3D prawidłowe umieszczenie wirtualnych obiektów 
w świecie rzeczywistym i pozwalają użytkownikom na interakcję z nimi 
w naturalny sposób.
5. Wnioski
Technologia przetwarzania danych przestrzennych 3D wiele dziedzin, w 
tym autonomiczną jazdę, opiekę zdrowotną, przemysł, bezpieczeństwo i 
VR/AR. W szczególności czujniki LiDAR i technologie wykrywania 
obiektów 3D ważną rolę w każdej z tych dziedzin, przyczyniając się do 
analizy środowiska w czasie rzeczywistym, dokładnej diagnostyki i 
leczenia oraz wydajnych systemów automatyzacji. Technologie te nadal 
ewoluować i zapewniać bogatsze doświadczenia użytkowników w 
różnych dziedzinach.29- -
Referencje
1. Abbasi, R., Bashir, A., Alyamani, H. J., Amin, F., Doh, J., & Chen, J. 
(2023). Lidar Point Cloud Compression, Processing and Learning for 
Autonomous Driving. 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). Przegląd metod wykrywania obiektów 3D dla 
aplikacji autonomicznej jazdy. IEEE Transactions on Intelligent 
Transportation Systems, 20, 3782-3795.
3. Bai, X., Zhou, J., Ning, X., & Wang, C. (2022). Obliczanie i 
wizualizacja danych 3D. Displays, 73, 102169.
4. Beam, A. L., Drazen, J. M., Kohane, I. S., Leong, T., Manrai, A., & 
Rubin, E. J. (2023). Sztuczna inteligencja w medycynie. New England 
Journal of Medicine, 388(13), 1220-1221.
5. Campilho, R., & Silva, F. J. G. (2023). Usprawnianie procesów 
przemysłowych poprzez automatyzację i robotyzację. Maszyny.
6. Cao, M., & Wang, J. (2020). Wykrywanie przeszkód w pojazdach 
autonomicznych za pomocą fuzji czujników Multi-LiDAR. Journal of 
Dynamic Systems Measurement and Control - Transactions of the ASME, 
142.
7. Chen, W., Li, P., & Zhao, H. (2022). MSL3D: wykrywanie obiektów 3D 
z chmury monokularowej, stereo i punktowej do autonomicznej jazdy. 
Neurocomputing, 494, 23-32.
8. Chen, Y., Wang, H., Pang, Y., Han, J., Mou, E., & Cao, E. (2023). 
Metoda wykrywania małych celów w podczerwieni oparta na 
mechanizmie ważonego porównania wzrokowego człowieka do 
monitorowania bezpieczeństwa. Remote. Sens., 15, 2922.
9. Dzikunoo, E., Vignoli, G., Jørgensen, F., Yidana, S., & BanoengYakubo,
B. (2020). Nowe regionalne spostrzeżenia stratygraficzne z 
trójwymiarowego modelu geologicznego subbasenu Nasia w Ghanie, 
opracowanego do celów hydrogeologicznych i opartego na ponownie 
przetworzonych danych pola B pierwotnie zebranych w celu 
poszukiwania minerałów. Solid Earth, 11, 349-361.
10. Enríquez, J. G., Ramirez, A. J., Domínguez-Mayo, F. J., & GarcíaGarcía,
J. A. (2020). Robotic Process Automation: A Scientific and 
Industrial Systematic Mapping Study, IEEE Access, 8, 39113-39129.
11. Fan, L., Yang, Y., Wang, F., Wang, N. i Zhang, Z. (2023). Super 30- -
rzadkie wykrywanie obiektów 3D. 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., & Melo-Pinto, P. 
(2021). Metody wykrywania i klasyfikacji obiektów 3D oparte na 
chmurze punktów dla aplikacji autonomicznej jazdy: przegląd i 
taksonomia. Fuzja informacji, 68, 161-191.
13. Guo, Y., Wang, H., Hu, Q., Liu, H., Liu, L. i Bennamoun (2019). 
Głęboki31- -
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). Raport grupy zadaniowej AAPM 273: Zalecenia 
dotyczące najlepszych praktyk w zakresie sztucznej inteligencji i 
uczenia maszynowego w diagnostyce wspomaganej komputerowo w 
obrazowaniu medycznym. Fizyka medyczna.
15. Huang, S. (2019). Rzeczywistość rozszerzona i rzeczywistość
wirtualna: siła AR i VR dla . Information Technology and Tourism, 21, 
457-459.
16. Ji, S., Lee, S., Yoo, S., Suh, I., Kwon, I., Park, F., Lee, S. i Kim, H. (2021).
Oparta na uczeniu się automatyzacja zrobotyzowanego montażu dla 
inteligentnej produkcji. Proceedings of the IEEE, 109, 423-440.
17. Jayawardena, N. S., Thaichon, P., Quach, S., Razzaq, A., & Behl, A. 
(2023). "Efekty perswazji reklam wideo w rzeczywistości wirtualnej (VR) 
i rzeczywistości rozszerzonej (AR): przegląd koncepcyjny". Journal of 
Business Research.
18. Kim, E. Y., Shin, S. Y., Lee, S., Lee, K., Lee, K. H. i 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., & Yoo, J. (2022). Wciągające technologie 
interaktywne i wirtualne doświadczenia zakupowe: Różnice w 
postrzeganiu przez konsumentów rzeczywistości rozszerzonej (AR) i 
wirtualnej (VR). Telematics and Informatics, 77, 101936.
20. Kusiak, A. (2023). Hiper-automatyzacja w przemyśle wytwórczym. J. 
Intell. Manuf., 35, 1-2.
21. Li, X., Yi, W., Chi, H., Wang, X., & Chan, A. P. C. (2018). Krytyczny 
przegląd zastosowań rzeczywistości wirtualnej i rozszerzonej (VR/AR) w 
bezpieczeństwie budowlanym. Automation in Construction, 86, 150-162.
22. Luo, X., Zhou, F., Tao, C., Yang, A., Zhang, P., & 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., & Li, H. (2022). Wykrywanie obiektów 3D 
dla autonomicznej jazdy: A Comprehensive Survey. International 32- -
Journal of Computer Vision, 131, 1909-1963.
24. Mulaveesala, R., Arora, V., Dua, G., Morello, R., & Vavilov, V. (2022). 
Widzenie przemysłowe i automatyzacja. Measurement Science and 
Technology, 33.
25. Mukherjee, J., Sharma, R., Dutta, P., & Bhunia, B. (2023). Sztuczna 
inteligencja w opiece zdrowotnej: mistrzostwo. Biotechnology and 
Genetic Engineering Reviews, None, 1-50.
26. Nebot, E. (2018). Robotyka: od automatyzacji do inteligentnych 
systemów. Inżynieria.
27. Ren, S., Pan, X., Zhao, W., Nie, B., & Han, B. 
(2022). Dynamiczny graf33- -
transformator do wykrywania obiektów 3D. Knowledge-Based Systems, 
259, 110085.
28. Song, S., Huang, T., Zhu, Q., & Hu, H. (2023). ODSPC: oparte na 
głębokim uczeniu wykrywanie obiektów 3D przy użyciu semantycznej 
chmury punktów. Visual Computer, , 1-15.
29. Wei, W. (2019). Postęp badań nad rzeczywistością wirtualną (VR) i 
rzeczywistością rozszerzoną (AR) w turystyce i hotelarstwie. Journal of 
Hospitality and Tourism Technology, 10, 539-570.
30. Xue, Z., Wu, S., Li, M., & Cheng, K. (2024). Nowa metoda 
poszukiwania regionalnego oparta na nowoczesnej grafice 3D. Minerały.
31. Yeh, M. C., Wang, Y., Yang, H., Bai, K., Wang, H., & Li, Y. (2020). 
Oparte na sztucznej inteligencji przewidywanie ryzyka raka płuc przy 
użyciu nieobrazowej elektronicznej medycznej: podejście głębokiego 
uczenia się. Journal of Medical Internet Research, 23.
32. Zhou, Q. (2022). Wspomagane komputerowo wykrywanie i 
diagnostyka/radiomatyka/uczenie maszynowe/głębokie uczenie się w 
obrazowaniu medycznym. Fizyka medyczna.