Forskningsrapport: 3D-teknologi for romlig databehandling
og dens bruksområder AI Research Institute
2025_01Youngho Hong
Sammendrag:
Denne forskningen tar for seg utvikling og bruk av teknologi for
behandling av romlige 3D-data, spesielt datainnsamling av
punktskyer og deteksjon av 3D-objekter ved hjelp av LiDAR-sensorer.
Den fokuserer på 3D-objektdeteksjonsteknologiene VoxelNet,
PointNet og PointRCNN, og forklarer hvordan disse teknologiene
brukes på ulike områder som autonome kjøretøy, helsetjenester,
industriell automatisering, sikkerhetsovervåkingssystemer og VR/AR.
Punktskydata som samles inn av LiDAR-sensorer, analyserer 3D-rom
med høy presisjon, og 3D-objektdeteksjonsteknologi basert på disse
dataene en viktig rolle i sanntids miljøbevissthet,
presisjonsdiagnostikk, optimalisering av produksjonsprosesser osv. I
denne studien analyseres innvirkningen 3D-teknologi for romlig
databehandling har på moderne industri og teknologisk innovasjon,
og potensialet for fremtidig utvikling diskuteres.
Nøkkelord:
3D-romdata, LiDAR-sensorer, punktsky, 3Dobjektdeteksjon,
VoxelNet, PointNet, PointRCNN, autonome kjøretøy,
helsevesen, industriell automatisering,
sikkerhetsovervåkningssystemer, VR/AR, dyp læring2- -
1. Innledning
Det innebærer datainnsamling, lagring, analyse og visualisering, og
bruker teknologier som LiDAR, fotogrammetri og 3D-skanning for å
behandle tredimensjonal romlig informasjon. Disse teknologiene
brukes i en rekke ulike programvareplattformer, der geografiske
informasjonssystemer (GIS) og dataassistert design (CAD) de viktigste
verktøyene. Dette komplekse romlige analyser.
LiDAR bruker laserpulser til å samle inn avstandsdata, mens
fotogrammetri bruker flyfotografier til å lage 3D-modeller. Disse
dataene lagres i en database og brukes til analyse og visualisering ved
behov.1)
Forskning har vist at 3D CNN-strukturer kan brukes til å lære 3Drepresentasjoner,
og at dette kan gjøres mer effektivt enn
tradisjonelle CNN-baserte metoder.2)
GPU-baserte 3D-visualiseringsmetoder gir mulighet for mer
sofistikerte og nøyaktige romlige avgrensninger.3)
3D-modellering er et viktig verktøy i arkitektonisk design og
simuleringsprosessen. Det gjør det å vurdere sikkerheten til
strukturer og øke nøyaktigheten i designene dine.
3D-romdata brukes i forskning på økosystemendringer og
katastrofehåndtering. For eksempel brukes geologisk 3D-modellering
til grunnvannsleting og geologisk forskning.4)
3D-data brukes til å utvikle oppslukende miljøer for å forbedre
brukeropplevelsen. Dette brukes en rekke bransjer, blant annet
innen utdanning, helse og underholdning.
Teknologien for behandling av romlige 3D-data er i rivende utvikling
på en rekke områder, særlig når det gjelder innsamling av punktskydata
og deteksjon av objekter i 3D-rom ved hjelp av LiDAR-sensorer.
teknologiene revolusjonerer autonome kjøretøy, medisinske 3- -
applikasjoner, industriell automatisering,
sikkerhetsovervåkningssystemer og VR/AR-miljøer. Denne
forskningsrapporten gir en grunnleggende forståelse av 3Dteknologier
for romlig databehandling og forklarer hvordan de
brukes i ulike bransjer.
1) Bai, X., Zhou, J., Ning, X., & Wang, C. (2022). Beregning og visualisering av
3D-data. Displays, 73, 102169.
2) Kim, E. Y., Shin, S. Y., Lee, S., Lee, K., Lee, K. H., & Lee, K. M. (2020).
Triplanar konvolusjon med delte 2D-kjerner for 3D-klassifisering og
gjenfinning av form. Computer Vision and Image Understanding, 193,
102901.
3) Xue, Z., Wu, S., Li, M., & Cheng, K. (2024). En ny metode for regional
prospektering basert på moderne 3D-grafikk. Minerals.
4) Dzikunoo, E., Vignoli, G., Jørgensen, F., Yidana, S., & Banoeng-Yakubo, B.
(2020). Ny regional stratigrafisk innsikt fra en geologisk 3D-modell av Nasiabassenget
i Ghana, utviklet for hydrogeologiske formål og basert på
reprosesserte B-feltdata som opprinnelig ble samlet inn i forbindelse med .
Solid Earth, 11, 349-361.4- -
2. Innsamling av Point CLoud-data med LiDAR-sensorer
Innsamling av punktsky-data ved hjelp av LiDAR-sensorer spiller en
viktig rolle i en lang rekke bruksområder, og er spesielt godt egnet
for innsamling av 3D-data med høy oppløsning. LiDAR-teknologien
sender ut laserpulser for å motta signaler som reflekteres fra objekter,
og beregner avstandsinformasjon basert på disse. Denne
informasjonen lagres i et punktskyformat, der hvert punkt
inneholder X-, Y- og Z-koordinater og refleksjonsintensitet.
LiDAR-punktskyer kan en rekke , blant annet innen , og
ressursforvaltning. De kan for eksempel være nyttige for
strukturanalyse av skog eller presisjonsmåling av bygninger.
Punktskyer konverteres deretter til eller GIS-data ved hjelp av
etterbehandling for denoising, justering og overflaterekonstruksjon.
I denne prosessen brukes en rekke ulike programvarer, spesielt GPUbaserte
3D-visualiseringsmetoder, som gir mulighet for mer
sofistikerte romlige avgrensninger.5)
LiDAR-data spiller også en viktig rolle i persepsjonssystemer for
autonome kjøretøy. Behandling av LiDAR-punktskyer og opplæring
innen autonom kjøring har bidratt til nøyaktig persepsjon av
veimiljøet og gjenkjenning av objekter.6) Disse dataene er avgjørende
for å lage høyoppløselige 3D-kart i sanntid, noe som autonome
kjøretøy å navigere trygt under komplekse veiforhold.
kan også For eksempel kan data som samles inn med flymontert
LiDAR, brukes til å rekonstruere 3D-modeller av geologiske
formasjoner, noe som bidrar til grunnvannsleting eller geologisk
forskning.7) Denne geologiske 3D-modelleringen muliggjør nye
geologiske tolkninger og bidrar til å gi en bedre forståelse av de
geologiske egenskapene i et område.
Fordelene med LiDAR-teknologien er annet høy datahastighet og
stor nøyaktighet, men den har også begrensninger som relativt høye
kostnader og ytelse i eller Det pågår kontinuerlig forskning og
utvikling for å overvinne disse tekniske begrensningene, noe som 5- -
gjør LiDAR kan brukes i et bredere spekter av bransjer.
En LiDAR-sensor (Light Detection and Ranging) er en teknologi som
bruker en laser til å måle overflaten på et objekt, og dataene kan
brukes til å innhente romlig 3D-informasjon. Punktskydataene som
genereres av en LiDAR-sensor, er en samling av mange punkter som
er fordelt i 3D-rom, og hvert av dem kan beskrives med høyde,
avstand og posisjon.
5) Bai, X., Zhou, J., Ning, X., & Wang, C. (2022). Beregning og visualisering av
3D-data. 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). Ny regional stratigrafisk innsikt fra en geologisk 3D-modell av Nasiabassenget
i Ghana, utviklet for hydrogeologiske formål og basert på
reprosesserte B-feltdata som opprinnelig ble samlet inn i forbindelse med .
Solid Earth, 11, 349-361.6- -
bjelker. Disse dataene er avgjørende for autonome kjøretøyers
oppfatning av omgivelsene, modellering arkitektur og
anleggsteknikk samt 3D-kartlegging.
3. 3D-teknologi for gjenkjenning av objekter
3D-objektdeteksjon er en viktig teknologi for å gjenkjenne og
lokalisere objekter i 3D-rommet, og er på en rekke områder, blant
annet autonome kjøretøy, og utvidet virkelighet. Teknologien først
og fremst basert på 3D-data som samles inn ved hjelp av LiDAR, RGBD-kameraer
og stereosynssystemer.
Den bruker punktskyer generert av LiDAR til å gjenkjenne
plasseringen og formen til objekter. Deep learning-modeller som
PointNet er mye brukt på dette feltet, og disse metodene er
avgjørende for å generere høyoppløselige 3D-kart i sanntid.8)
Det er en teknikk for å detektere objekter ved å kombinere 2D-bilder
tatt med RGB-kameraer med 3D-informasjon. Denne metoden
forbedrer deteksjonsytelsen ved å legge til farge- og
mønsterinformasjon om objektet. Nyere studier har foreslått
metoder som FusionRCNN, som kombinerer LiDAR- og kamerabilder
for å forbedre deteksjonsnøyaktigheten.9)
Dyplæringsstrukturer som CNN (Convolutional Neural Networks) og
RNN (Recurrent Neural Networks) brukes til å og gjenkjenne
egenskaper ved Disse modellene forbedrer nøyaktigheten ved
objektklassifisering og stedsestimering basert på datasett, noe som
spesielt viktig for hindergjenkjenning i autonome kjøretøy.10)
Det brukes til å øke kjøresikkerheten ved å oppdage hindringer og
fotgjengere på veien. Det forskes aktivt dette området for å
kombinere LiDAR-punktskyer med visjonsdata for mer presis
deteksjon.11)
Det hjelper roboten med å forstå og samhandle med omgivelsene.
Dette spesielt viktig for å bestemme den nøyaktige plasseringen av 7- -
objekter, slik at roboten kan planlegge banen sin og utføre oppgaver.
Gjenkjenne og reagere på objekter i sanntid for å forbedre
brukeropplevelsen. I utvidet virkelighet må for eksempel
plasseringen og formen objekter bestemmes nøyaktig for å forbedre
interaksjonen med virtuelle objekter.
8) Qian, R., Lai, X. og Li, X. (2021). 3D-objektdeteksjon for autonom kjøring:
Pattern Recognition, 130, 108796.
9) Xu, X., Dong, S., Xu, T., Ding, L., Wang, J., Jiang, P., Song, L., & Li, J. (2023).
FusionRCNN: LiDAR-kamerafusjon for to-trinns 3D-objektdeteksjon.
Remote Sensing, 15, 1839.
10) Fan, L., Yang, Y., Wang, F., Wang, N. og Zhang, Z. (2023). Super Sparse
3D-objektdeteksjon. 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., & Li, J. (2023).
FusionRCNN: LiDAR-kamerafusjon for to-trinns 3D-objektdeteksjon.
Remote Sensing, 15, 1839.8- -
Disse teknologiene i stadig utvikling, noe som gir mer presise og
effektive løsninger for 3D-objektdeteksjon. Fremskritt innen
forskning og teknologi forbedrer nøyaktigheten av gjenkjenningen i
virkelige miljøer betydelig.
3D-objektdeteksjon er nøyaktig identifisering og klassifisering av
spesifikke objekter i 3D-rom, noe som støttes av ulike teknikker for
behandling av romlige 3D-data. I det siste har teknikker basert på
dyp læring brukt aktivt til 3D-objektdeteksjon. Representative
teknologier VoxelNet, PointNet og PointRCNN.
3.1 VoxeLNet
VoxelNet er en innovativ arkitektur for dyp læring som er spesielt
utviklet for å oppdage 3D-objekter ved hjelp av punktskyer, noe som
er avgjørende i autonome kjøresystemer. Arkitekturen har en unik
tilnærming ved å konvertere rå punktskydata til et strukturert 3Dvoxelrutenett
for å muliggjøre effektiv prosessering og
funksjonsutvinning. Konverteringen til en voxel-representasjon er
fordi den gjør det mulig for VoxelNet å utnytte 3D-konvolusjon
effektivt for å fange opp romlig informasjon og samtidig sikre
beregningseffektivitet. Denne effektiviteten er avgjørende for
sanntidsapplikasjoner, som for eksempel de som kreves for autonom
kjøring.
Styrken til VoxelNet ligger i evnen til å inkorporere et nytt lag med
funksjonskoding som i stor grad forbedrer representasjonskraften til
hver enkelt voxel. Dette oppnås ved å ta hensyn til de unike
egenskapene til punktene i hver voxel, noe som forbedrer nettverkets
evne til å oppdage og klassifisere objekter i komplekse miljøer.12)
Dette funksjonskodingstrinnet er for å løse problemer som skyldes at
punktskydataene er uregelmessige og sparsomme, noe som er
vanskelig å håndtere med tradisjonelle 2D-konvolusjonelle nevrale
nettverk.
Forskning har vist at VoxelNet har gitt betydelige bidrag til 3D-9- -
objektdeteksjon. eksempel gjør arkitekturens evne til å levere høy
nøyaktighet samtidig som beregningseffektiviteten opprettholdes, at
den er et foretrukket valg for inter-implementeringsapplikasjoner i
autonome kjøretøy.13) VoxelNets integrering av sparsom
representasjon gjør det dessuten mulig å håndtere de store
datamengdene som ofte forekommer i autonome kjørescenarier på
en effektiv måte.
Utviklingen av VoxelNet representerer et betydelig fremskritt innen
3D-databehandling og legger grunnlaget fremtidige innovasjoner
innen autonom kjøreteknologi. Den løser viktige utfordringer på
dette området ved å kombinere effektiv voxelisering med avanserte
kodingsteknikker.14) Dette forbedrer ikke bare
deteksjonsnøyaktigheten, men muliggjør også mer sofistikert
håndheving av
12) Guo, Y., Wang, H., Hu, Q., Liu, H., Liu, L., & Bennamoun (2019). Dyp
læring for 3D-punktskyer: En undersøkelse. IEEE Transactions on Pattern
Analysis and Machine Intelligence, 43, 4338-4364.
13) Wang, X., Cai, M., Sohel, F., Sang, N. og Chang, Z. (2021). Adversarial
punktskyforstyrrelser mot 3D-objektdeteksjon i autonome kjøresystemer.
Neurocomputing, 466, 27-36.
14) Chen, W., Li, P., & Zhao, H. (2022). MSL3D: 3D-objektdeteksjon fra
monokulær, stereo og punktsky for autonom kjøring. Neurocomputing, 494,
23-32.10- -
VoxelNet flytter grensene for utvikling 3D-persepsjonssystemer. Med
sin kraftige ytelse og innovative tilnærming fortsetter VoxelNet å
påvirke pågående forskning og utvikling innen behandling 3Dpunktskyer
og autonome systemer.15)
VoxelNet er en innovativ modell for 3D-objektdeteksjon som
behandler punktskydata ved å konvertere dem til 3D-ruter (voxels).
Hver voxel representerer et punkt i punktskyen, noe som at modellen
behandle romlig informasjon mer effektivt. VoxelNet bruker denne
voxel-informasjonen å oppdage objekter og komme med
prediksjoner. Fordelen denne tilnærmingen er at den er effektiv og
rask til å behandle store mengder punktsky-data.
3.2 PointNet
PointNet er en banebrytende arkitektur for dyp læring som
revolusjonerer behandlingen av 3D-punktsky-data ved å bruke
uordnede punktsett direkte. I motsetning til tradisjonelle metoder
som krever strukturerte inndata, bruker PointNet
symmetrifunksjoner for å sikre permutasjonsinvarians, slik at de
romlige relasjonene mellom punktene og forblir på
inndatapunktene.
Den viktigste nyvinningen i PointNet er bruken av perceptroner MLP)
og Denne arkitekturen aggregerer effektivt egenskaper fra
individuelle punkter til en global representasjon, noe som er spesielt
nyttig for oppgaver som klassifisering og segmentering. Takket være
sin evne til å store og nøyaktig har en grunnleggende modell på
feltet, og den har inspirert en rekke senere arkitekturer basert på
prinsippene i .
PointNets gjennomslagskraft strekker seg fra akademisk forskning til
praktiske anvendelser på områder som autonom kjøring og
robotgjenkjenning. I autonome systemer har PointNet for eksempel
blitt brukt til å behandle LiDAR-data for å forbedre objektdeteksjon
og navigasjon ved å identifisere og klassifisere objekter fra ett forsøk
til det neste.16) PointNets design gjør det mulig å håndtere 11- -
kompleksiteten knyttet til 3D-data, for eksempel okklusjoner og
variasjoner i punkttetthet, noe som gjør det til et allsidig verktøy i
datasynapplikasjoner.
De fremskrittene PointNet har ført til, har ført til at PointNet har blitt
tatt i bruk i en rekke innovative sammenhenger. Det har for
eksempel blitt brukt til å klassifisere luftbårne LiDAR-data, noe som
har forbedret nøyaktigheten og effektiviteten i
fjernmålingsoperasjoner.17) PointNets tilpasningsevne har også ført
til at det har blitt integrert med fysikkbaserte nevrale nettverk for å
analysere sprekkutbredelse
15) Yang, Y., Chen, F., Wu, F., Zeng, D., Ji, Y., & Jing, X. (2020). Semantisk
læringsnettverk med flere visninger for punktskybasert 3D-objektdeteksjon.
Neurocomputing, 397, 477-485.
16) Guo, Y., Wang, H., Hu, Q., Liu, H., Liu, L., & Bennamoun (2019). Dyp
læring for 3D-punktskyer: En undersøkelse. IEEE Transactions on Pattern
Analysis and Machine Intelligence, 43, 4338-4364.
17) Nong, X., Bai, W., & Liu, G. (2023). Luftbåren LiDAR-punktskyklassifisering
ved hjelp av PointNet ++ -nettverk med fulle nabolagsfunksjoner. PLOS ONE,
18.12- -
og fluiddynamikksimuleringer, og har vist seg å kunne løse komplekse
industrielle problemer.18)
Pointnet fortsetter å fungere som en målestokk for behandling av 3Ddata,
og har i betydelig grad bidratt til å forbedre
dyplæringsmodellers evne til å behandle punktsky-data. Effekten er
tydelig både i teoretiske fremskritt og praktiske anvendelser, noe
som viser at Pointnet fortsatt er relevant og tilpasningsdyktig i det
stadig skiftende landskapet innen kunstig intelligens og
maskinlæring.19)
PointNet er en modell som behandle punktskydata direkte og
gjenkjenne objekter i 3D-rom uavhengig av rekkefølgen på hvert
punkt. PointNet trekker ut kjennetegnene ved punktene og utfører
klassifisering og segmentering basert på dem. Modellen kan
håndtere punktskyenes ustrukturerte natur og kan brukes på ulike
områder som autonom kjøring, robotteknologi og medisinsk
bildeanalyse.
3.3 PointRCNN
PointRCNN er et viktig rammeverk for deteksjon av 3D-objekter,
spesielt for applikasjoner som autonom kjøring. Rammeverket
bruker en totrinns deteksjonsprosess for å forbedre nøyaktigheten og
effektiviteten ved gjenkjenning av objekter i 3D-punktskydata. Det
første trinnet er å generere forslag til objekter gjennom et
punktbasert lokalt forslagsnettverk. Dette trinnet er fordi det
fungerer direkte på de rå punktskydataene og bevarer detaljert
romlig informasjon som kan gå tapt i tradisjonelle metoder som
baserer seg på bildeprojeksjoner eller voxelisering.
I det andre trinnet forbedrer PointRCNN det opprinnelige forslaget
ved å utføre Dette justerer størrelsen og retningen på slik at den
passer bedre til de detekterte objektene i punktskydataene. Ved å
bruke funksjoner som er hentet direkte fra den rå punktskyen,
oppnår PointRCNN høyere nøyaktighet i objektdeteksjonen, spesielt
utfordrende miljøer med kompleks geometri og okklusjoner.13- -
En av de viktigste fordelene med PointRCNN er at den lære fra ende
til ende. Denne arkitekturen gjør det mulig å integrere
nettverksstadier sømløst, noe som ikke bare forbedrer modellens
deteksjonsytelse, men også dens beregningseffektivitet, noe som gjør
den egnet for sanntidsapplikasjoner, som for eksempel autonome
kjøresystemer.
Forskning har vist at metoder som bruker punktskydata, kan
forbedre forståelsen og tolkningen av 3D-scener i autonome
kjøresituasjoner betraktelig. For eksempel kan bruk av algoritmer for
deteksjon av flere mål basert på PointRCNN og voxelpunktskyfusjonsteknikker
brukes i dynamiske scenarier på grunn av
deres allsidighet og
18) Kashefi, A., & Mukerji, T. (2022). Physics-informed PointNet: En dyp
læringsløser for inkompressible strømmer og termiske felt i stabil tilstand
på flere sett med uregelmessige geometrier. Journal of Computational
Physics, 468, 111510.
19) Wang, L., & Huang, Y. (2022). En undersøkelse av 3D Point Cloud og Deep
Learning-baserte tilnærminger for sceneforståelse i autonom kjøring. IEEE
Intelligent Transportation Systems Magazine, 14, 135-154.14- -
I tillegg undersøkelser innen 3D-punktskyer og
dyplæringstilnærminger den økende betydningen av disse
rammeverkene for sceneforståelse i autonom kjøring.20)
PointRCNN representerer et betydelig fremskritt innen 3Dobjektdeteksjonsteknologi.
Dens evne til å behandle rå punktskydata
direkte og den effektive deteksjonsprosessen kraftig verktøy for
autonom kjøring, der rask og nøyaktig er avgjørende for sikkerhet og
ytelse.
PointRCNN er en teknologi som bruker et CNN (Convolutional Neural
Network) basert på PointNet for 3D-objektgjenkjenning, og som
effektivt behandler punktskydata for å gjenkjenne objekter med stor
nøyaktighet. PointRCNN er en teknologi som utvider den
eksisterende 2D-objektdeteksjonsmetoden til 3D-miljøer, og brukes
til objektgjenkjenning av autonome kjøretøy og miljøgjenkjenning av
roboter.
4. Bruksområder
PunktRCNN spiller en viktig rolle i autonome kjøresystemer, og
brukes til å gjenkjenne og spore objekter i omgivelsene med stor
nøyaktighet. ved hjelp av kan hjelpe kjøretøyer med hindringer i
veien med stor nøyaktighet, selv i komplekse trafikksituasjoner.22)
Roboten bruker 3D-objektdeteksjonsteknologi for å samhandle med
omgivelsene. PointRCNN gjør det mulig for roboten å forstå
omgivelsene fra kjøring til kjøring og utføre de nødvendige
handlingene.24)
For å kunne sette virtuelle objekter sømløst inn i den virkelige verden
i et AR-miljø, er det nødvendig med nøyaktig objektdeteksjon i 3Drommet.
PointRCNN en viktig rolle i denne oppgaven.
Droner må kunne gjenkjenne og unngå ulike hindringer under
flyging. PointRCNN kan brukes til å oppdage objekter i sanntid fra
dronens sensordata og angi en trygg flyrute.25)15- -
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). En undersøkelse av 3D Point Cloud og Deep
Learning-baserte tilnærminger for sceneforståelse i autonom kjøring. IEEE
Intelligent Transportation Systems Magazine, 14, 135-154.
22) Qian, R., Lai, X. og Li, X. (2021). 3D-objektdeteksjon for autonom kjøring:
Pattern Recognition, 130, 108796.
23) Mao, J., Shi, S., Wang, X., & Li, H. (2022). 3D-objektdeteksjon for
autonom kjøring: A Comprehensive Survey, International Journal of
Computer Vision, 131, 1909-1963.
24) Wang, L., & Huang, Y. (2022). En undersøkelse av 3D Point Cloud og Deep
Learning-baserte tilnærminger for sceneforståelse i autonom kjøring. 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 brukes til 3D-modellering og analyse av bymiljøer, noe
som gir viktig innsikt for byplanlegging og -forvaltning. Dette bidra
til å forbedre transporteffektiviteten og øke sikkerheten i byene.
I disse bruksområdene er PointRCNN svært nyttige i situasjoner der
det kreves høy nøyaktighet og sanntidsbehandling. Forskning viser at
teknikker som flermålsdeteksjonsalgoritmer basert på PointRCNN
har vist å være effektive i slike anvendelser.26) PointRCNN bidrar til å
maksimere nøyaktigheten og effektiviteten ved 3D-objektdeteksjon,
noe som viktig for utviklingen av autonome kjøretøy og andre
avanserte systemer.
3D-teknologi for romlig databehandling brukes mange ulike bransjer.
Noen av de viktigste bruksområdene inkluderer
4.1 Selvkjørende kjøretøy
kjøretøy er kjøretøy som bruker avansert teknologi til å kjøre seg selv
uten menneskelig inngripen. Disse kjøretøyene bruker en rekke
sensorer, kameraer, radar, LiDAR og mer for å få nøyaktig oversikt
over omgivelsene sine. Disse teknologiene, kombinert med
databehandling i sanntid, er avgjørende for å bestemme trygge
kjøreruter.
3D-teknologi for gjenkjenning av objekter er en nøkkelkomponent i
autonome kjøretøy, og spiller en viktig rolle når det gjelder å oppdage
og gjenkjenne objekter rundt kjøretøyet på en nøyaktig måte.
PointRCNN utnytter for eksempel punktskydata for å muliggjøre
høyoppløselig analyse av kjøretøyets omgivelser. Dette det mulig for
autonome kjøretøy å gjenkjenne fotgjengere, andre kjøretøy, veiskilt
med mer i sanntid for å sikre trygg kjøring.27)
Autonome kjøretøy også evnen til å lære seg kjøremønstre og tilpasse
seg ulike kjøresituasjoner ved hjelp av maskinlæring og kunstig
intelligens. Disse teknologiene bidrar til forbedre kjøretøyets
sikkerhet, effektivitet og brukeropplevelse. Spesielt forbedrer 17- -
multisensorfusjonsteknologien nøyaktigheten ved deteksjon av 3Dobjekter,
noe som pålitelig ytelse i en rekke ulike miljøer.28)
En undersøkelse om 3D-objektdeteksjonsmetoder for autonome
kjøreapplikasjoner. 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). Multi-Sensor Fusion Technology for
3D Object Detection in Autonomous Driving: IEEE Transactions on
Intelligent Transportation Systems, 25, 1148-1165.18- -
Autonome kjøretøy et viktig innovasjonsområde i fremtidens
transportsystemer, der komplekse algoritmer og sensorteknologi
smelter sammen. Disse teknologiene har en positiv innvirkning på
samfunnet som helhet ved at de reduserer trafikkbelastningen,
reduserer trafikkulykker og muliggjør en mer effektiv trafikkflyt.29)
Autonome kjøretøy bruker LiDAR-sensorer og 3D-teknologi for
gjenkjenning av objekter for å oppfatte og analysere kjøretøyets
omgivelser i sanntid. Dette gjør det mulig å unngå hindringer,
gjenkjenne fotgjengere, analysere veikryss og for å maksimere
kjøretøyets sikkerhet og kjøreeffektivitet.
4.2 Helsetjenester
Teknikker for deteksjon av 3D-objekter i det medisinske feltet,
spesielt teknikker som PointRCNN, et bredt spekter av potensielle
bruksområder. Disse teknologiene brukes hovedsakelig innen
medisinsk bildebehandling, kirurgisk robotteknologi,
pasientovervåkingssystemer osv.
3D-teknologi gjenkjenning av objekter bidrar til å oppdage lesjoner i
CT-, MR- og ultralydbilder med stor nøyaktighet. Dette er spesielt
viktig innen felt som radiologi, der det kan kombineres med
datastøttede diagnosesystemer som bruker kunstig intelligens og
maskinlæring for å forbedre den diagnostiske nøyaktigheten.30)
I kirurgiske robotsystemer gjør 3D-teknologi for gjenkjenning av
objekter det mulig å gjenkjenne omkringliggende vev og organer
nøyaktig under operasjonen, noe som bidrar til å sikre trygg og presis
kirurgi. Sammen med fremskritt innen medisinsk kunstig intelligens
kan dette i stor grad forbedre effektiviteten og sikkerheten ved
operasjoner.31)
3D-sensorer og objektdeteksjonsteknologi kan analysere pasientens
bevegelser og vitale tegn i sanntid for å oppdage avvik på et tidlig
stadium. Disse teknologiene kombineres med kunstig intelligensbaserte
pasientovervåkingssystemer for kontinuerlig sporing og 19- -
håndtering av pasientens tilstand.32)
Kombinert med virtuell virkelighet (VR) kan den brukes i medisinsk
utdanning og opplæring. 3D-teknologi for gjenkjenning av objekter
29) Arnold, E., Al-Jarrah, O. Y., Dianati, M., Fallah, S., Oxtoby, D., &
Mouzakitis, A. (2019). En undersøkelse om 3D-objektdeteksjonsmetoder for
autonome kjøreapplikasjoner. 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). AAPM-arbeidsgrupperapport 273:
Anbefalinger om beste praksis for AI og maskinlæring for datastøttet
diagnose innen medisinsk bildebehandling. Medisinsk fysikk.
31) Mukherjee, J., Sharma, R., Dutta, P., & Bhunia, B. (2023). Kunstig
intelligens i helsevesenet: en mestring. Bioteknologi og gentekniske
anmeldelser, Ingen, 1-50.
32) Almagharbeh, W. (2024). Effekten av AI-baserte
beslutningsstøttesystemer på arbeidsflyten i intensivavdelinger,
International nursing review, None.
[8] Wang, L., Chen, X., Zhang, L., Li, L., Huang, Y., Sun, Y., & Yuan, X. (2023).
Artificial intelligence in clinical decision support systems for oncology,
International Journal of Medical Sciences, 20, 79-86.20- -
spiller en viktig rolle i å hjelpe leger og helsepersonell med å
simulere operasjoner og diagnoser, noe som muliggjør læring i et
realistisk miljø.33)
Disse bruksområdene bidrar til å øke nøyaktigheten i diagnostisering
og behandling på det medisinske området og forbedre den generelle
sikkerheten. Spesielt 3D-teknologi for gjenkjenning av objekter
kombinert med kunstig intelligens setter fart på innovasjonen i
helsevesenet og er i ferd med å bli et viktig verktøy for å forbedre
pasientenes helse og sikkerhet. Disse studiene gir nye perspektiver
på de kommersielle, regulatoriske og samfunnsmessige
implikasjonene av medisinsk AI.34)
Innenfor medisin brukes 3D-databehandling å stille nøyaktige
diagnoser og planlegge kirurgiske inngrep. Punktskydata fra
medisinsk 3D-avbildning, for eksempel CT- eller MR-bilder, brukes
til å visualisere operasjonsstedet og måle dets nøyaktige plassering og
størrelse for å forbedre den kirurgiske nøyaktigheten.
4.3 Industriell automatisering og robotteknologi
3D-teknologier for gjenkjenning av objekter, spesielt modeller som
PointRCNN, er i ferd med å revolusjonere feltet industriell
automasjon og robotikk. Disse teknologiene forbedrer effektiviteten
og nøyaktigheten betydelig i en lang rekke bransjer, og spiller en
viktig rolle på følgende spesifikke områder
3D-teknologi for gjenkjenning av objekter er avgjørende for at
robotsystemer skal kunne gjenkjenne og sortere objekter på et lager.
Den gjør det mulig for roboter å gjenkjenne gjenstander av ulik
størrelse og form, slik at de kan utføre effektive forflytnings- og
sorteringsoppgaver. Disse teknologiene øker effektiviteten i
industrielle prosesser og gjør det lettere å automatisere
logistikksystemer.35)
Når industriroboter automatisk monterer deler, øker 3Dobjektdeteksjon
monteringseffektiviteten ved å gjenkjenne den 21- -
nøyaktige posisjonen og retningen til delene. Dette bidrar i betydelig
grad til å øke produksjonshastigheten og redusere antall feil, en
viktig rolle i smarte produksjonsmiljøer.36)
De brukes til å inspisere geometri og dimensjoner på produkter ved
hjelp av 3D-skanningsteknologi, og en viktig rolle når det gjelder å
sikre produktkvalitet, oppdage feil tidlig og redusere kostnader.
Disse automatiserte delene
33) Yeh, M. C., Wang, Y., Yang, H., Bai, K., Wang, H., & Li, Y. (2020). Kunstig
intelligensbasert prediksjon av lungekreftrisiko ved bruk av elektroniske
medisinske journaler uten bildebehandling: Deep Learning Approach.
Journal of Medical Internet Research, 23.
34) Mukherjee, J., Sharma, R., Dutta, P., & Bhunia, B. (2023). Kunstig
intelligens i helsevesenet: en mestring. Bioteknologi og gentekniske
anmeldelser, Ingen, 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.
og White, M. (2021). Sim2Real i robotikk og automatisering: applikasjoner og
utfordringer. 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., & Kim, H. (2021).
Læringsbasert automatisering av robotmontering for smart produksjon.
Proceedings of the IEEE, 109, 423-440.22- -
Systemer for kvalitetskontroll øker produktenes pålitelighet.37)
For å øke sikkerheten til roboter og automasjonssystemer brukes 3Dteknologi
for objektdeteksjon. Dette gjør det mulig for å gjenkjenne
eller i nærheten en trygg måte. Disse sikkerhetsmekanismene bidrar
til å redusere ulykker i industrielle miljøer.38)
Det er avgjørende for autonome kjøretøy eller droner å kunne
oppdage objekter og planlegge rutene sine. 3D-teknologi for
gjenkjenning av objekter disse systemene å operere effektivt, unngå
hindringer og utføre leveringsoppgaver på en trygg måte.39)
disse områdene driver 3D-teknologier for objektdeteksjon
innovasjonen innen industriell automasjon, og bidrar til å øke
produktiviteten, redusere kostnadene og forbedre sikkerheten. I
fremtiden vil disse teknologiene fortsette å være en integrert del av
utviklingen av robotikk og automatiseringssystemer. Forskning har
vist at anvendelsen av disse teknologiene bidrar betydelig til øke
effektiviteten i industrielle prosesser og håndtere kompleksiteten i
automatiserte systemer.40)
Innen industriell automasjon og robotteknologi brukes behandling
av romlige 3D-data til å produksjonsprosesser og automatisere
kvalitetsinspeksjoner. Roboter bruker LiDAR-sensorer eller 3Dkameraer
til gjenkjenne produkter, oppdage avvik og bidra til å løse
kvalitetsproblemer.
4.4 Systemer for sikkerhetsovervåking
I sikkerhetsovervåkingssystemer 3D-teknologi for gjenkjenning av
objekter en viktig rolle når det gjelder å tilby effektive overvåkingsog
sikkerhetsløsninger i en rekke ulike miljøer. Teknologien har vært
spesielt fremtredende på områder som sanntidsovervåking,
innbruddsdeteksjon, forebygging av hendelser, dataanalyse og
rapportering samt integrering av kunstig intelligens.
3D-objektdeteksjonssystemer med sanntidsovervåking bruker 23- -
kameraer og sensorer til å analysere omgivelsene i sanntid. Denne
sanntidsanalysen muliggjør nøyaktig gjenkjenning av personer,
kjøretøy og objekter, og gir umiddelbare advarsler i tilfelle en farlig
situasjon skulle oppstå. Dette er avgjørende for å øke sikkerheten,
spesielt i komplekse miljøer som veier og flyplasser.
Når det gjelder innbruddsdeteksjon, er 3D-teknologi for
objektdeteksjon effektiv når det gjelder å oppdage uvanlig bevegelse
eller atferd innenfor et bestemt sikkerhetsområde. Dette kan føre til
tidlig oppdagelse av en inntrenger og gi sikkerhetspersonell
umiddelbar
37) Wang, K., Zhou, J., Li, G., Hu, Y., & Hu, F. (2024). Industriell
automatisering og produktkvalitet: rollen som transformasjon av
robotproduksjon. Anvendt økonomi.
38) Salcic, Z., Atmojo, U., Park, H., Chen, A., & Wang, K. (2019). Designing
Dynamic and Collaborative Automation and Robotics Software Systems,
IEEE Transactions on Industrial Informatics, 15, 540-549.
39) Nebot, E. (2018). Robotikk: Fra automatisering til intelligente systemer,
Engineering.
40) Mulaveesala, R., Arora, V., Dua, G., Morello, R., & Vavilov, V. (2022).
Industrielt syn og automatisering. Measurement Science and Technology, 33.24- -
Forhindre uautorisert adgang til sikrede områder ved å gi røde varsler.
Når det gjelder ulykkesforebygging, forebygger disse systemene
ulykker i en rekke ulike miljøer, inkludert industriområder, ved å
oppdage farer tidlig og gi advarsler. For eksempel et automatisk
varslingssystem utløses når en arbeider nærmer seg et farlig område,
slik at en ulykke forhindres.
Dataanalyse- og rapporteringsfunksjonene hjelper deg med å vurdere
sikkerhetssituasjonen og identifisere problemer ved hjelp av
påfølgende analyser av innsamlede 3D-data. Disse analysene gir
viktig innsikt for fremtidig sikkerhetsstrategi og kontinuerlig
forbedring av sikkerheten.
Ved å integrere kunstig intelligens kan 3D-teknologi for
objektdeteksjon kombineres med maskinlæringsalgoritmer for å
skape et mer intelligent overvåkingssystem. Dette gjør det for
systemet å lære seg mønstre og implementere mer sofistikerte
varslings- og responsmekanismer.
På denne måten er 3D-teknologi for gjenkjenning av objekter i ferd
med å bli en integrert del av sikkerhetsovervåkingssystemer, noe som
oppfyller en rekke sikkerhetsbehov og bidrar til sikkerheten på
anlegg. Denne teknologien forventes å utvikle seg videre i fremtiden,
noe som vil føre til mer sofistikerte og effektive løsninger for
sikkerhetsovervåking. Disse teknologiske fremskrittene vil utvikle
seg til mer robuste sikkerhetssystemer, særlig gjennom integrering
med kunstig intelligens.41)
3D-teknologi for gjenkjenning av objekter også en viktig rolle i
sikkerhetsovervåkingssystemer. LiDAR-sensorer og 3Dobjektdeteksjonsteknologi
brukes til å oppdage inntrengere eller
avgjøre om det befinner seg mennesker i nærheten. De også
analysere atferdsmønstre i 3D-rom for å spore og forhindre ulovlig
aktivitet.25- -
41) Chen, Y., Wang, H., Pang, Y., Han, J., Mou, E. og Cao, E. (2023). En
infrarød metode for deteksjon av små mål basert på en vektet menneskelig
visuell sammenligningsmekanisme for sikkerhetsovervåking. Remote Sens.
15, 2922.26- -
4.5 VR/AR
I virtuell virkelighet (VR) og utvidet (AR) bidrar 3D-teknologi for
gjenkjenning av objekter til å forbedre brukeropplevelsen i en rekke
ulike bransjer. 3D-objektdeteksjon gjør det mulig for brukerne å
samhandle med virkelige objekter i virtuelle miljøer, noe som er
avgjørende for at AR-applikasjoner skal kunne gjenkjenne
omgivelsene i sanntid og plassere og manipulere virtuelle elementer
nøyaktig. Dette gjør brukeropplevelsen mer oppslukende.
I VR-miljøer brukes 3D-objektdeteksjon til å skape realistiske
simuleringer. Dette gir opplæringsscenarioer på en rekke områder,
blant annet innen medisin, og luftfart, slik at deltakerne trygt kan
oppleve og øve på virkelige situasjoner. Bruken av VR/AR, spesielt
innen bygg- og anleggssikkerhet, øker arbeidernes
sikkerhetsbevissthet.42)
I spillindustrien gir 3D-objektdeteksjon en opplevelse ved å spore
spillerens bevegelse og posisjon nøyaktig. Dette muliggjør
interaksjon med virtuelle figurer, noe som øker spillets realisme.
Innen arkitektur og ingeniørfag kan AR-teknologi brukes til å
visualisere designmodeller i den virkelige verden. Dette bidra til å
oppdage feil i designprosessen på forhånd og lette kommunikasjonen
med kundene. Disse bruksområdene kan være spesielt synergistiske
med konstruksjonssikkerhet.43)
AR-teknologi hjelper forbrukerne med å ta kjøpsbeslutninger ved å la
dem oppleve produkter virtuelt. De kan for eksempel plassere
møbler i hjemmet sitt eller prøve kosmetikkfarger på forhånd. Dette
forbedrer forbrukerens kjøpsopplevelse og interaksjon.44)
På denne måten gir 3D-teknologi for gjenkjenning av objekter
innovative opplevelser i VR og AR, og teknologien brukes i en rekke
ulike bransjer. I fremtiden vil disse teknologiene fortsette å utvikle
seg, slik at interaksjonen mellom brukeren og det virtuelle miljøet
blir enda mer sømløs og naturlig. Dette vil ytterligere utvide bruken 27- -
av VR/AR-teknologi innen utdanning, underholdning, handel og mye
mer. Samtidig vil fremskritt innen disse teknologiene skape nye
muligheter i reiselivs- og hotellbransjen.45)
42) Li, X., Yi, W., Chi, H., Wang, X., & Chan, A. P. C. (2018). En kritisk
gjennomgang av anvendelser av virtuell og utvidet virkelighet (VR/AR) i
bygg- og anleggssikkerhet, Automation in Construction, 86, 150-162.
43) Li, X., Yi, W., Chi, H., Wang, X., & Chan, A. P. C. (2018). En kritisk
gjennomgang av anvendelser av virtuell og utvidet virkelighet (VR/AR) i
bygg- og anleggssikkerhet, Automation in Construction, 86, 150-162.
44) Jayawardena, N. S., Thaichon, P., Quach, S., Razzaq, A., & Behl, A. (2023).
'Overtalelseseffektene av virtual reality (VR) og augmented reality (AR)
videoannonser: En konseptuell gjennomgang'. Journal of Business Research.
45) Wei, W. (2019). Fremskritt i forskningen på virtuell virkelighet (VR) og
utvidet virkelighet (AR) innen turisme og gjestfrihet, Journal of Hospitality
and Tourism Technology, 10, 539-570.28- -
I virtuell virkelighet (VR) og utvidet virkelighet (AR) spiller 3Dromdata
en viktig rolle man skal samhandle med objekter i den
virkelige verden. 3D-romdata det å plassere virtuelle objekter riktig i
den virkelige verden, slik at brukerne kan samhandle med dem på en
naturlig måte.
5. Konklusjon
3D-teknologi for romlig databehandling revolusjonere mange felt,
deriblant autonom kjøring, helsevesen, industri, sikkerhet og VR/AR.
LiDAR-sensorer og 3D-teknologi for gjenkjenning av objekter spiller
en viktig rolle alle disse feltene, og bidrar til miljøanalyser i sanntid,
nøyaktig diagnose og behandling samt effektive
automatiseringssystemer. Disse teknologiene vil fortsette å utvikle
seg og gi rikere brukeropplevelser på ulike områder.29- -
Referanser
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). En undersøkelse om 3Dobjektdeteksjonsmetoder
for autonome kjøreapplikasjoner. IEEE
Transactions on Intelligent Transportation Systems, 20, 3782-3795.
3. Bai, X., Zhou, J., Ning, X., & Wang, C. (2022). Beregning og
visualisering av 3D-data. Displays, 73, 102169.
4. Beam, A. L., Drazen, J. M., Kohane, I. S., Leong, T., Manrai, A., &
Rubin, E. J. (2023). Kunstig intelligens i medisin. New England
Journal of Medicine, 388(13), 1220-1221.
5. Campilho, R., & Silva, F. J. G. (2023). Forbedring av industrielle
prosesser ved hjelp av automatisering og robotteknologi. Maskiner.
6. Cao, M. og Wang, J. (2020). Hindringsdeteksjon for autonome
kjøretøy med multi-LiDAR-sensorfusjon. Journal of Dynamic Systems
Measurement and Control - Transactions of the ASME, 142.
7. Chen, W., Li, P., & Zhao, H. (2022). MSL3D: 3D-objektdeteksjon fra
monokulær, stereo og punktsky for autonom kjøring.
Neurocomputing, 494, 23-32.
8. Chen, Y., Wang, H., Pang, Y., Han, J., Mou, E. og Cao, E. (2023). En
infrarød metode for deteksjon av små mål basert på en vektet
menneskelig visuell sammenligningsmekanisme for
sikkerhetsovervåking. Remote Sens. 15, 2922.
9. Dzikunoo, E., Vignoli, G., Jørgensen, F., Yidana, S., & BanoengYakubo,
B. (2020). Ny regional stratigrafisk innsikt fra en geologisk
3D-modell av Nasia-bassenget i Ghana, utviklet for hydrogeologiske
formål og basert på reprosesserte B-feltdata som opprinnelig ble
samlet inn i forbindelse med . 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. og Zhang, Z. (2023). Super
Sparse 3D-objektdeteksjon. IEEE Transactions on Pattern Analysis 30- -
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). Punktskybaserte 3D-objektdeteksjons- og
klassifiseringsmetoder for selvkjørende applikasjoner: En
undersøkelse og taksonomi. Information Fusion, 68, 161-191.
13. Guo, Y., Wang, H., Hu, Q., Liu, H., Liu, L., & Bennamoun (2019).
Dype31- -
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). AAPM-arbeidsgrupperapport 273:
Anbefalinger om beste praksis for AI og maskinlæring for datastøttet
diagnose innen medisinsk bildebehandling. Medisinsk fysikk.
15. Huang, S. (2019). Utvidet virkelighet og virtuell : kraften i AR VR
for næringslivet, Information Technology and Tourism, 21, 457-459.
16. Ji, S., Lee, S., Yoo, S., Suh, I., Kwon, I., Park, F., Lee, S., & Kim, H.
(2021).
Læringsbasert automatisering av robotmontering for smart
produksjon. Proceedings of the IEEE, 109, 423-440.
17. Jayawardena, N. S., Thaichon, P., Quach, S., Razzaq, A., & Behl, A.
(2023). 'Overtalelseseffektene av virtual reality (VR) og augmented
reality (AR) videoannonser: En konseptuell gjennomgang'. Journal of
Business Research.
18. Kim, E. Y., Shin, S. Y., Lee, S., Lee, K., Lee, K. H., & Lee, K. M.
(2020).
Triplanar konvolusjon med delte 2D-kjerner for 3D-klassifisering og
gjenfinning av form, Computer Vision and Image Understanding, 193,
102901.
19. Kim, J., Kim, M., Park, M., & Yoo, J. (2022). Oppslukende
interaktive teknologier og virtuelle shoppingopplevelser: Forskjeller i
forbrukernes oppfatninger mellom utvidet virkelighet (AR) og
virtuell virkelighet (VR). Telematikk og informatikk, 77, 10-1936.
20. Kusiak, A. (2023). Hyperautomatisering i produksjonsindustrien,
J. Intell. Manuf. 35, 1-2.
21. Li, X., Yi, W., Chi, H., Wang, X., & Chan, A. P. C. (2018). En kritisk
gjennomgang av anvendelser av virtuell og utvidet virkelighet (VR/AR)
i bygg- og anleggssikkerhet, 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, 20707-20720.32- -
23.Mao, J., Shi, S., Wang, X., & Li, H. (2022). 3D-objektdeteksjon for
autonom kjøring: A Comprehensive Survey, International Journal of
Computer Vision, 131, 1909-1963.
24.Mulaveesala, R., Arora, V., Dua, G., Morello, R., & Vavilov, V.
(2022). Industrielt syn og automatisering. Measurement Science and
Technology, 33.
25. Mukherjee, J., Sharma, R., Dutta, P., & Bhunia, B. (2023). Kunstig
intelligens i helsevesenet: en mestring. Bioteknologi og gentekniske
anmeldelser, Ingen, 1-50.
26.Nebot, E. (2018). Robotikk: Fra automatisering til intelligente
systemer, Engineering.
27. Ren, S., Pan, X., Zhao, W., Nie, B., & Han, B.
(2022). Dynamisk graf33- -
transformator for deteksjon av 3D-objekter. Knowledge-Based Systems,
259, 110085.
28. Song, S., Huang, T., Zhu, Q., & Hu, H. (2023). ODSPC: dyp
læringsbasert 3D-objektdeteksjon ved hjelp av semantisk punktsky.
Visual Computer, , 1-15.
29.Wei, W. (2019). Fremskritt i forskningen på virtuell virkelighet
(VR) og utvidet virkelighet (AR) innen turisme og gjestfrihet, Journal
of Hospitality and Tourism Technology, 10, 539-570.
30. Xue, Z., Wu, S., Li, M., & Cheng, K. (2024). En ny metode for
regional prospektering basert på moderne 3D-grafikk. Minerals.
31. Yeh, M. C., Wang, Y., Yang, H., Bai, K., Wang, H., & Li, Y. (2020).
Kunstig intelligensbasert prediksjon av lungekreftrisiko ved bruk av
elektroniske medisinske journaler uten bildebehandling: Deep
Learning Approach. Journal of Medical Internet Research, 23.
32. Zhou, Q. (2022). Datastøttet deteksjon og
diagnose/radiomikk/maskinlæring/dyb læring innen medisinsk
avbildning. Medisinsk fysikk.