Pētījuma ziņojums: 3D telpisko datu apstrādes tehnoloģija
un tās pielietojums AI Research Institute 2025_01Youngho Hong
Kopsavilkumi:
Šis pētījums aptver 3D telpisko datu apstrādes tehnoloģiju izstrādi un
pielietojumu, jo īpaši punktu mākoņa datu iegūšanas un 3D objektu
noteikšanas tehnoloģijas, izmantojot LiDAR sensorus. Tajā galvenā
uzmanība pievērsta 3D objektu noteikšanas tehnoloģijām VoxelNet,
PointNet un PointRCNN un izskaidrots, kā šīs tehnoloģijas tiek
izmantotas dažādās jomās, piemēram, autonomo transportlīdzekļu,
veselības aprūpes, rūpnieciskās automatizācijas, drošības
uzraudzības sistēmu un VR/AR jomā. Ar LiDAR sensoru savāktie
punktu mākoņa dati ar augstu precizitāti analizē 3D telpu, un uz tiem
balstītai 3D objektu noteikšanas tehnoloģijai svarīga nozīme
reāllaika vides apzināšanā, precīzā diagnostikā, ražošanas procesu
optimizācijā utt. Šajā pētījumā analizēta 3D telpisko datu apstrādes
tehnoloģijas ietekme uz mūsdienu rūpniecību un tehnoloģiskajām
inovācijām, kā arī aplūkots nākotnes attīstības potenciāls.
Atslēgas vārdi:
3D telpiskie dati, LiDAR sensori, punktu mākoņi, 3D
objektu noteikšana, VoxelNet, PointNet, PointRCNN, autonomi
transportlīdzekļi, veselības aprūpe, rūpnieciskā automatizācija,
drošības uzraudzības sistēmas, VR/AR, dziļā mācīšanās2- -
1. Ievads
Tā ietver datu vākšanas, glabāšanas, analīzes un vizualizācijas
procesu, un trīsdimensiju telpiskās informācijas apstrādei izmanto
tādas tehnoloģijas kā LiDAR, fotogrammetrija un 3D skenēšana. Šīs
tehnoloģijas tiek izmantotas dažādās programmatūras platformās, no
kurām galvenie rīki ģeogrāfiskās informācijas sistēmas (GIS) un
datorizētā projektēšana (CAD). Tas veikt sarežģītu telpisko analīzi.
LiDAR izmanto lāzera impulsus, lai apkopotu attāluma datus,
savukārt fotogrammetrija izmanto aerofotogrāfijas, lai izveidotu 3D
modeļus. Šie dati tiek glabāti datu bāzē un pēc vajadzības izmantoti
analīzei un vizualizācijai.1)
Pētījumi liecina, ka 3D CNN struktūras var izmantot, lai apgūtu 3D
reprezentācijas, un ka to var izdarīt efektīvāk nekā ar tradicionālajām
pilnībā 3D CNN balstītajām metodēm.2)
Uz GPU balstītas 3D vizualizācijas metodes ļauj veikt sarežģītāku un
precīzāku telpisko norobežošanu.3)
3D modelēšana tiek izmantota kā būtisks instruments arhitektūras
projektēšanas un simulācijas procesā. Tas ļauj konstrukciju drošību
un palielināt projektu precizitāti.
3D telpiskie dati tiek izmantoti ekosistēmu pārmaiņu un katastrofu
pārvaldības pētījumos. Piemēram, 3D ģeoloģisko modelēšanu
izmanto gruntsūdeņu izpētē un ģeoloģiskajos pētījumos.4)
3D dati tiek izmantoti, lai izstrādātu aizraujošas vides, kas uzlabo
lietotāja pieredzi. Tas izmantots dažādās nozarēs, tostarp izglītībā,
veselības aprūpē un izklaidē.
3D telpisko datu apstrādes tehnoloģijas strauji attīstās dažādās jomās,
jo īpaši punktu mākoņu datu iegūšanā un objektu noteikšanā 3D
telpā, izmantojot LiDAR sensorus. Šīs tehnoloģijas revolūciju
autonomo transportlīdzekļu, medicīnas lietojumu, rūpnieciskās 3- -
automatizācijas, drošības uzraudzības sistēmu un VR/AR vides jomā.
Šajā pētījuma ziņojumā sniegta pamatizpratne par 3D telpisko datu
apstrādes tehnoloģijām un izskaidrots, kā tās tiek izmantotas dažādās
nozarēs.
1) Bai, X., Zhou, J., Ning, X., & Wang, C. (2022). 3D datu aprēķināšana un
vizualizācija. Displays, 73, 102169.
2) Kim, E. Y., Shin, S. Y., Lee, S., Lee, K., Lee, K. H., & Lee, K. M. (2020).
Triplānu konvolūcija ar koplietojamiem 2D kodoliem 3D klasifikācijai un
formas iegūšanai. Computer Vision and Image Understanding, 193, 102901.
3) Xue, Z., Wu, S., Li, M., & Cheng, K. (2024). Novel Method for Regional
Prospecting Based on Modern 3D Graphics. Minerals.
4) Dzikunoo, E., Vignoli, G., Jørgensen, F., Yidana, S., & Banoeng-Yakubo, B.
(2020). Jaunas reģionālās stratigrāfijas atziņas no Nasia apakšbaseina (Gana)
3D ģeoloģiskā modeļa, kas izstrādāts hidroģeoloģiskiem mērķiem un balstīts
uz pārstrādātiem B lauku datiem, kuri sākotnēji iegūti minerālu izpētes
vajadzībām. Solid Earth, 11, 349-361.4- -
2. Point CLoud datu vākšana ar LiDAR sensoriem
Punktu mākoņu datu iegūšanai, izmantojot LiDAR sensorus, ir
svarīga nozīme dažādos lietojumos, un tā ir īpaši piemērota augstas
izšķirtspējas 3D datu iegūšanai. LiDAR tehnoloģija izstaro lāzera
impulsus, lai saņemtu no objektiem atstarotos signālus un,
pamatojoties uz tiem, aprēķinātu attāluma informāciju. Šī
informācija tiek saglabāta punktu mākoņa formātā, kur katrs punkts
satur X, Y un Z koordinātas un atstarošanas intensitāti.
LiDAR punktu mākoņus var izmantot dažādās jomās, tostarp , vides
un resursu pārvaldībā. Piemēram, tie var būt noderīgi mežu
strukturālajā analīzē vai ēku precīzā uzmērīšanā. Pēc tam punktu
mākoņus pārveido 3D vai GIS datos, veicot to pēcapstrādi, lai veiktu
denozēšanu, izlīdzināšanu un virsmas rekonstrukciju. Šajā procesā
izmanto dažādas programmatūras, jo īpaši uz GPU balstītas 3D
vizualizācijas metodes, kas ļauj veikt sarežģītāku telpisko
norobežošanu.5)
LiDAR datiem ir svarīga nozīme arī autonomo transportlīdzekļu
uztveres sistēmās. LiDAR punktu mākoņu apstrāde un apmācība
autonomās braukšanas jomā ir veicinājusi precīzu ceļa vides uztveri
un objektu noteikšanu.6) Šie dati ir būtiski, lai konstruētu augstas
izšķirtspējas reāllaika 3D kartes, kas autonomajiem
transportlīdzekļiem droši orientēties sarežģītos ceļa apstākļos.
LiDAR punktu var arī Piemēram, datus, kas iegūti, izmantojot LiDAR,
var izmantot, lai rekonstruētu ģeoloģisko veidojumu 3D modeļus, kas
veicina gruntsūdeņu izpēti vai ģeoloģiskos pētījumus.7) Šī 3D
ģeoloģiskā modelēšana ļauj veikt jaunas ģeoloģiskās interpretācijas
un palīdz labāk izprast teritorijas ģeoloģiskās īpašības.
LiDAR tehnoloģijas priekšrocības ir liela datu iegūšanas ātrums un
augsta precizitāte, taču tai ir arī ierobežojumi, salīdzinoši augstas
izmaksas un veiktspēja lietainā vai laikā. Lai pārvarētu šos tehniskos
ierobežojumus, tiek veikti nepārtraukti pētījumi un izstrādes darbi,
kas LiDAR izmantot plašākā nozaru klāstā.5- -
LiDAR (Light Detection and Ranging) sensors ir tehnoloģija, kas
izmanto lāzeru, lai izmērītu objekta virsmu, un iegūtos datus var
izmantot, lai iegūtu 3D telpisko informāciju. LiDAR sensora ģenerētie
punktu mākoņa dati ir daudzu 3D telpā izvietotu punktu kopums, no
kuriem katru var aprakstīt ar augstumu, attālumu un atrašanās vietu.
5) Bai, X., Zhou, J., Ning, X., & Wang, C. (2022). 3D datu aprēķināšana un
vizualizācija. Displays, 73, 102169.
6) Abbasi, R., Bashir, A., Alyamani, H. J., Amin, F., Doh, J., & Chen, J. (2023).
Lidar punktu mākoņu saspiešana, apstrāde un mācīšanās autonomai
braukšanai. IEEE Transactions on Intelligent Transportation Systems, 24,
962-979.
7) Dzikunoo, E., Vignoli, G., Jørgensen, F., Yidana, S., & Banoeng-Yakubo, B.
(2020). Jaunas reģionālās stratigrāfijas atziņas no Nasia apakšbaseina (Gana)
3D ģeoloģiskā modeļa, kas izstrādāts hidroģeoloģiskiem mērķiem un balstīts
uz pārstrādātiem B lauka datiem, kuri sākotnēji iegūti minerālu izpētes
vajadzībām. Solid Earth, 11, 349-361.6- -
sijas. Šiem datiem ir būtiska nozīme autonomo transportlīdzekļu
apkārtējās vides uztverē, modelēšanā arhitektūrā un
inženierbūvniecībā, kā arī 3D kartēšanā.
3. 3D objektu noteikšanas tehnoloģija
3D objektu noteikšana ir svarīga tehnoloģija objektu atpazīšanai un
atrašanās vietas noteikšanai 3D telpā, un tā būtiska dažādās jomās,
tostarp autonomo transportlīdzekļu, un paplašinātās realitātes jomā.
Tās pamatā galvenokārt 3D dati, kas iegūti, izmantojot LiDAR, RGB-D
kameras un stereovīzijas sistēmas.
Lai atpazītu objektu atrašanās vietu un formu, tā izmanto LiDAR
ģenerētus punktu mākoņus. Šajā jomā tiek plaši izmantoti tādi dziļās
mācīšanās modeļi kā PointNet, un šīs metodes ir būtiskas, lai
ģenerētu augstas izšķirtspējas reāllaika 3D kartes.8)
Tā ir metode objektu noteikšanai, apvienojot 2D attēlus, kas iegūti ar
RGB kamerām, ar 3D informāciju. Šī metode uzlabo atklāšanas
veiktspēju, pievienojot objekta krāsu un rakstu informāciju.
Jaunākajos pētījumos ir ierosinātas tādas metodes kā FusionRCNN,
kas apvieno LiDAR un kameras attēlus, lai uzlabotu noteikšanas
precizitāti.9)
Lai un atpazītu 3D iezīmes, tiek izmantotas dziļās struktūras,
piemēram, konvolūcijas neironu tīkli (CNN) un rekurentie neironu
tīkli (RNN). Šie modeļi uzlabo objektu klasifikācijas un atrašanās
vietas noteikšanas precizitāti, pamatojoties uz datu kopām, kas īpaši
svarīgi šķēršļu atpazīšanai autonomos transportlīdzekļos.10)
To izmanto, lai uzlabotu braukšanas drošību, uz ceļa pamanot
šķēršļus un gājējus. Šajā jomā veikti aktīvi pētījumi, lai apvienotu
LiDAR punktu mākoņus ar redzes datiem precīzākai noteikšanai.11)
Tas palīdz robotam saprast un mijiedarboties ar apkārtējo vidi. Tas
īpaši svarīgi, lai noteiktu precīzu objektu atrašanās vietu un palīdzētu
robotam plānot savu ceļu un veikt uzdevumus.7- -
Atpazīt un reaģēt uz objektiem reālajā laikā, lai uzlabotu lietotāja
pieredzi. Piemēram, paplašinātajā realitātē precīzi jānosaka objektu
atrašanās vieta un forma, lai uzlabotu mijiedarbību ar virtuālajiem
objektiem.
8) Qian, R., Lai, X., & Li, X. (2021). 3D objektu noteikšana autonomai
braukšanai: Pattern Recognition, 130, 108796.
9) Xu, X., Dong, S., Xu, T., Ding, L., Wang, J., Jiang, P., Song, L., & Li, J. (2023).
FusionRCNN: LiDAR un kameras apvienošana divpakāpju 3D objektu
noteikšanai. Remote Sensing, 15, 1839.
10) Fan, L., Yang, Y., Wang, F., Wang, N. un Zhang, Z. (2023). Īpaši blīva 3D
objektu noteikšana. 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 un kameras apvienošana divpakāpju 3D objektu
noteikšanai. Remote Sensing, 15, 1839.8- -
Šīs tehnoloģijas nepārtraukti attīstās nodrošinot precīzākus un
efektīvākus 3D objektu noteikšanas risinājumus. Pētniecības un
tehnoloģiju attīstība ievērojami uzlabo atpazīšanas precizitāti reālās
vides apstākļos.
3D objektu noteikšana ir konkrētu objektu precīza identificēšana un
klasificēšana 3D telpāko nodrošina dažādas 3D telpisko datu
apstrādes metodes. Pēdējā laikā 3D objektu noteikšanai aktīvi
izmantotas uz dziļo mācīšanos balstītas metodes. tehnoloģijām
VoxelNet, PointNet un PointRCNN.
3.1 VoxeLNet
VoxelNet ir inovatīva dziļās mācīšanās arhitektūra, kas īpaši
izstrādāta 3D objektu noteikšanai, izmantojot punktu mākoņus, kas ir
ļoti svarīgi autonomās braukšanas sistēmās. Arhitektūra izmanto
unikālu pieeju, pārvēršot neapstrādātus punktu mākoņa datus
strukturētā 3D vokseļu režģī, lai nodrošinātu efektīvu apstrādi un
pazīmju iegūšanu. Konvertēšana uz vokselu attēlojumu ir jo tā ļauj
VoxelNet efektīvi izmantot 3D konvolūciju, lai iegūtu telpisko
informāciju, vienlaikus nodrošinot skaitļošanas efektivitāti. Šī
efektivitāte ir būtiska reāllaika lietojumiem, kas nepieciešami
autonomai braukšanai.
VoxelNet stiprā puse ir tā spēja iekļaut jaunu iezīmju kodēšanas slāni,
kas ievērojami palielina katra vokseļa reprezentatīvo spēju. Tas tiek
panākts, ņemot vērā katrā vokselī esošo punktu unikālās īpašības,
kas uzlabo tīkla spēju atklāt un klasificēt objektus sarežģītā vidē.12)
Šis pazīmju kodēšanas posms ir lai risinātu problēmas, ko rada
punktu mākoņa datu neregularitāte un retums, ko ir grūti apstrādāt,
izmantojot tradicionālos 2D konvolūcijas neironu tīklus.
Pētījumi liecina, ka VoxelNet ir devis ievērojamu ieguldījumu 3D
objektu noteikšanas jomā. Piemēram, tā arhitektūras spēja
nodrošināt augstu precizitāti, vienlaikus saglabājot skaitļošanas
efektivitāti, padara to par vēlamo izvēli savstarpējās implementācijas 9- -
lietojumiem autonomajos transportlīdzekļos.13) Turklāt VoxelNet
retās reprezentācijas integrācija ļauj tam efektīvi apstrādāt lielus
datu apjomus, kas parasti sastopami autonomās braukšanas
scenārijos.
VoxelNet izveide ir nozīmīgs sasniegums 3D datu apstrādē un pamatu
nākotnes inovācijām autonomās braukšanas tehnoloģiju jomā. Tā
risina galvenos uzdevumus šajā jomā, apvienojot efektīvu
vokselizāciju ar progresīvām pazīmju kodēšanas metodēm.14) Tas ne
tikai uzlabo noteikšanas precizitāti, bet arī ļauj veikt sarežģītākas
izpildes
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). Adversarial
point cloud perturbations against 3D object detection in autonomous
driving systems. Neurocomputing, 466, 27-36.
14) Chen, W., Li, P., & Zhao, H. (2022). MSL3D: 3D objektu noteikšana no
monokulārā, stereo un punktu mākoņa autonomai braukšanai.
Neurocomputing, 494, 23-32.10- -
VoxelNet paplašina 3D uztveres sistēmu izstrādes robežas. Pateicoties
jaudīgajai veiktspējai un novatoriskajai pieejai, VoxelNet turpina
notiekošos pētījumus un attīstību 3D punktu mākoņu apstrādes un
autonomo sistēmu jomā.15)
VoxelNet ir inovatīvs 3D objektu noteikšanas modelis, kas apstrādā
punktu mākoņa datus, pārveidojot tos 3D režģos (vokselos). Katrs
vokselis ir punkts punktu mākonī, kas ļauj modelim efektīvāk
telpisko informāciju. VoxelNet izmanto šo vokseļu informāciju,
noteiktu objektus un veiktu prognozes. pieejas priekšrocība ir tā, ka
tā ir efektīva un ātra, lai apstrādātu lielu daudzumu punktu mākoņa
datu.
3.2 PointNet
PointNet ir revolucionāra dziļās mācīšanās arhitektūra, kas radikāli
maina 3D punktu mākoņu datu apstrādi, tieši izmantojot
nesakārtotas punktu kopas. Atšķirībā no tradicionālajām metodēm,
kas prasa strukturētus ievades datus, PointNet izmanto simetrijas
funkcijas, lai nodrošinātu permutācijas invarianci, telpiskās
attiecības starp punktiem, lai būtuneatkarīgi no ievades punktu
PointNet galvenais jauninājums ir perceptronu (MLPun maksimālās
apvienošanas izmantošana. Šī arhitektūra efektīvi apvieno atsevišķu
punktu iezīmes globālā attēlojumā, kas ir īpaši noderīgs tādiem
uzdevumiem kā klasifikācija un segmentācija. Pateicoties tās spējai
un precīzi lielus punktu , ir pamatmodeli šajā jomā, un tas ir
iedvesmojis daudzas turpmākas uz tā principiem balstītas
arhitektūras.
PointNet ietekme sniedzas tālāk par akadēmiskajiem pētījumiem un
praktiski tiek īstenota tādās jomās kā autonoma braukšana un robotu
atpazīšana. Piemēram, autonomās sistēmās PointNet ir izmantots
LiDAR datu apstrādei, lai uzlabotu objektu noteikšanu un navigāciju,
identificējot un klasificējot objektus no viena izmēģinājuma uz
nākamo.16) PointNet konstrukcija ļauj tam efektīvi apstrādāt
sarežģījumus, kas saistīti ar 3D datiem, piemēram, oklūzijas un 11- -
punktu blīvuma variācijas, padarot to par daudzpusīgu rīku
datorredzes lietojumos.
PointNet sasniegumi ir veicinājuši PointNet pielāgošanu dažādos
inovatīvos kontekstos. Piemēram, tas ir izmantots, lai klasificētu
lidaparāta LiDAR datus, uzlabojot attālās izpētes precizitāti un
efektivitāti.17) PointNet pielāgošanās spēja ir arī ļāvusi to integrēt ar
fizikas neironu tīkliem, lai analizētu plaisu izplatīšanos.
15) Yang, Y., Chen, F., Wu, F., Zeng, D., Ji, Y., & Jing, X. (2020). Vairāku skatu
semantiskās mācīšanās tīkls uz punktu mākoņa balstītai 3D objektu
noteikšanai. 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 punktu mākoņu
klasifikācija, izmantojot PointNet++ tīklu ar pilnas apkārtnes pazīmēm.
PLOS ONE, 18.12- -
un šķidrumu dinamikas simulācijas, un ir pierādīts, ka ar to var
atrisināt sarežģītas rūpnieciskas problēmas.18)
Pointnet turpina kalpot par etalonu 3D datu apstrādē, ievērojami
uzlabojot dziļās mācīšanās modeļu spēju apstrādāt punktu mākoņa
datus. Tās ietekme ir redzama gan teorētiskajos sasniegumos, gan
praktiskajos lietojumos, kas liecina par tās pastāvīgo nozīmi un
pielāgošanās spēju mākslīgā intelekta un mašīnmācīšanās jomā.19)
PointNet ir modelis, kas tieši apstrādāt punktu mākoņa datus un
atpazīt objektus 3D telpā neatkarīgi no katra punkta secības.
PointNet iegūst punktu pazīmes un, pamatojoties uz tām, veic
klasifikāciju un segmentāciju. Šis modelis var apstrādāt punktu
mākoņu nestrukturēto raksturu, un to var izmantot dažādās jomās,
piemēram, autonomā braukšanā, robotikā un medicīnisko attēlu
analīzē.
3.3 PointRCNN
PointRCNN ir svarīga sistēma 3D objektu noteikšanas jomā, jo īpaši
tādās lietojumprogrammās kā autonoma braukšana. Sistēma izmanto
divpakāpju noteikšanas procesu, lai uzlabotu objektu noteikšanas
precizitāti un efektivitāti 3D punktu mākoņa datos. Pirmais solis ir
objektu ierosinājumu ģenerēšana, izmantojot uz punktiem balstītu
vietējo ierosinājumu tīklu. Šis solis ir jo tas darbojas tieši ar
neapstrādātiem punktu mākoņa datiem, saglabājot detalizētu
telpisko informāciju, kas var tikt zaudēta tradicionālajās metodēs,
kuras balstās uz attēlu projekcijām vai vokselēšanu.
Otrajā posmā PointRCNN precizē sākotnējo priekšlikumu, veicot 3D
ierobežojošo kastu Tādējādi tiek pielāgots izmērs un orientācija, lai tā
labāk atbilstu punktu mākoņa datos atklātajiem objektiem.
Izmantojot pazīmes, kas iegūtas tieši no neapstrādāta punktu
mākoņa, PointRCNN sasniedz lielāku noteikšanas precizitāti, jo īpaši
sarežģītās vidēs ar sarežģītu ģeometriju un oklūzijām.
Viena no PointRCNN galvenajām priekšrocībām ir tā mācīties no 13- -
gala līdz galam. Šī arhitektūra atvieglo tīkla posmu integrāciju,
uzlabojot ne tikai modeļa noteikšanas veiktspēju, bet arī tā
skaitļošanas efektivitāti, padarot to piemērotu reāllaika lietojumiem,
piemēram, tādiem, kas nepieciešami autonomās braukšanas
sistēmām.
Pētījumi liecina, ka metodes, kurās izmanto punktu mākoņa datus,
var ievērojami uzlabot 3D ainu izpratni un interpretāciju autonomās
braukšanas situācijās. Piemēram, uz PointRCNN un vokseļu punktu
mākoņu saplūšanas metodēm balstītus vairāku mērķu noteikšanas
algoritmus var izmantot dinamiskos scenārijos, jo tie ir daudzpusīgi
un daudzveidīgi.
18) Kashefi, A., & Mukerji, T. (2022). Fizikāli informēts PointNet: dziļas
mācīšanās risinātājs stabila stāvokļa nesaspiestām plūsmām un termiskiem
laukiem uz vairākām neregulāru ģeometriju kopām. Journal of
Computational Physics, 468, 111510.
19) Wang, L., & Huang, Y. (2022). Pārskats par 3D punktu mākoņa un uz dziļo
mācīšanos balstītām pieejām ainas izpratnei autonomā braukšanā. IEEE
Intelligent Transportation Systems Magazine, 14, 135-154.14- -
Turklāt apsekojumi 3D punktu mākoņu un dziļās mācīšanās pieeju
jomā ka šo sistēmu nozīme autonomas braukšanas ainu izpratnē
arvien pieaug.20)
Kopumā PointRCNN ir nozīmīgs 3D objektu noteikšanas tehnoloģijas
sasniegums. Tās spēja tieši apstrādāt neapstrādātus punktu datus un
efektīvs divpakāpju noteikšanas process spēcīgu rīku autonomās
braukšanas , kur ātra un precīza objektu ir būtiska drošībai un
veiktspējai.
PointRCNN ir tehnoloģija, kas 3D objektu noteikšanai izmanto CNN
(konvolūcijas neironu tīklu), kura pamatā ir PointNet, un efektīvi
apstrādā punktu mākoņa datus, precīzi noteiktu objektus.
PointRCNN ir tehnoloģija, kas paplašina esošo 2D objektu
noteikšanas metodi uz 3D vidi un tiek izmantota autonomo
transportlīdzekļu objektu atpazīšanai un robotu vides atpazīšanai.
4. Pieteikumi
PointRCNN ir būtiska nozīme autonomās braukšanas sistēmās, un
tos izmanto, lai precīzi atpazītu un izsekotu objektus apkārtējā vidē.
Objektu , izmantojot 3D punktu , var palīdzēt transportlīdzekļiem ar
augstu precizitāti šķēršļiem uz ceļa pat sarežģītās satiksmes
situācijās.22)
Robots izmanto 3D objektu noteikšanas tehnoloģiju, lai
mijiedarbotos ar vidi. PointRCNN ļauj robotam izprast savu vidi no
brauciena uz braucienu un veikt nepieciešamos uzdevumus.24)
Lai virtuālos objektus bez problēmām ievietotu reālajā pasaulē AR
vidē, ir nepieciešama precīza objektu noteikšana 3D telpā.
PointRCNN svarīga loma šajā uzdevumā.
Droniem ir nepieciešama spēja atpazīt un izvairīties no dažādiem
šķēršļiem lidojuma laikā. PointRCNN var izmantot, lai reāllaikā
atpazītu objektus no drona sensoru datiem un noteiktu drošu
lidojuma trajektoriju.25)15- -
20) Luo, X., Zhou, F., Tao, C., Yang, A., Zhang, P., & Chen, Y. (2022).
Dinamisks vairāku mērķu noteikšanas algoritms, kas balstīts uz PointRCNN.
IEEE Transactions on Intelligent Transportation Systems, 23, 20707-20720.
21) Wang, L., & Huang, Y. (2022). Pārskats par 3D punktu mākoņa un uz dziļo
mācīšanos balstītām pieejām ainas izpratnei autonomā braukšanā. IEEE
Intelligent Transportation Systems Magazine, 14, 135-154.
22) Qian, R., Lai, X., & Li, X. (2021). 3D objektu noteikšana autonomai
braukšanai: Pattern Recognition, 130, 108796.
23) Mao, J., Shi, S., Wang, X., & Li, H. (2022). 3D objektu noteikšana
autonomai braukšanai: International Journal of Computer Vision, 131, 1909-
1963.
24) Wang, L., & Huang, Y. (2022). Pārskats par 3D punktu mākoņa un uz dziļo
mācīšanos balstītām pieejām ainas izpratnei autonomā braukšanā. 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 tiek izmantots pilsētvides 3D modelēšanai un analīzei,
sniedzot svarīgu ieskatu pilsētu plānošanā un pārvaldībā. Tas
palīdzēt uzlabot transporta efektivitāti un uzlabot drošību pilsētās.
Šajos lietojumos PointRCNN ir ļoti noderīgi situācijās, kad
nepieciešama augsta precizitāte un reāllaika apstrāde. Pētījumi
liecina, ka tādas metodes kā uz PointRCNN balstīti vairāku mērķu
noteikšanas algoritmi savu veiktspēju un efektivitāti šajos
lietojumos.26) PointRCNN palīdz maksimāli palielināt 3D objektu
noteikšanas precizitāti un efektivitāti, kas svarīgi autonomo
transportlīdzekļu un citu progresīvu sistēmu attīstībai.
3D telpisko datu apstrādes tehnoloģija izmantota daudzās nozarēs.
Daži no galvenajiem lietojumiem ir šādi.
4.1 Autonomie transportlīdzekļi
transportlīdzekļi ir transportlīdzekļi, kas izmanto modernas
tehnoloģijas, lai vadītu sevi bez cilvēka iejaukšanās. Šie
transportlīdzekļi izmanto dažādus sensorus, kameras, radarus,
LiDAR un citus, lai precīzi pārzinātu apkārtējo vidi. Šīs tehnoloģijas
apvienojumā ar reāllaika datu apstrādi ir būtiskas, lai noteiktu drošus
braukšanas maršrutus.
Jo īpaši 3D objektu noteikšanas tehnoloģija ir autonomo
transportlīdzekļu galvenā sastāvdaļa, kurai ir svarīga nozīme, lai
precīzi noteiktu un atpazītu objektus ap transportlīdzekli. Piemēram,
PointRCNN izmanto punktu mākoņa datus, lai varētu veikt
transportlīdzekļa apkārtnes augstas izšķirtspējas analīzi. Tas
autonomajiem transportlīdzekļiem reāllaikā atpazīt gājējus, citus
transportlīdzekļus, ceļa zīmes un citus objektus, lai nodrošinātu
drošu braukšanu.27)
Autonomajiem transportlīdzekļiem arī spēja apgūt braukšanas
paradumus un pielāgoties dažādām braukšanas situācijām,
izmantojot mašīnmācīšanās un mākslīgā intelekta tehnoloģijas. Šīs 17- -
tehnoloģijas uzlabot transportlīdzekļu drošību, efektivitāti un
lietotāju pieredzi. Jo īpaši vairāku sensoru saplūšanas tehnoloģija
uzlabo 3D objektu noteikšanas precizitāti, uzticamu darbību dažādās
vidēs28).
Pārskats par 3D objektu noteikšanas metodēm autonomās braukšanas
lietojumprogrammām. IEEE Transactions on Intelligent Transportation
Systems, 20, 3782-3795.
26) Luo, X., Zhou, F., Tao, C., Yang, A., Zhang, P., & Chen, Y. (2022).
Dinamisks vairāku mērķu noteikšanas algoritms, kas balstīts uz PointRCNN.
IEEE Transactions on Intelligent Transportation Systems, 23, 20707-20720.
27) Luo, X., Zhou, F., Tao, C., Yang, A., Zhang, P., & Chen, Y. (2022).
Dinamisks vairāku mērķu noteikšanas algoritms, kas balstīts uz PointRCNN.
IEEE Transactions on Intelligent Transportation Systems, 23, 20707-20720.
28) Wang, X., Li, K., & Chehri, A. (2024). Multi-sensoru saplūšanas
tehnoloģija 3D objektu noteikšanai autonomā braukšanā: IEEE Transactions
on Intelligent Transportation Systems, 25, 1148-1165.18- -
Autonomie transportlīdzekļi viena no galvenajām inovāciju jomām
nākotnes transporta sistēmās, jo tajās tiek apvienoti sarežģīti
algoritmi un sensoru tehnoloģijas. Šīm tehnoloģijām ir pozitīva
ietekme uz sabiedrību kopumā, jo tās samazina satiksmes
sastrēgumus, samazina ceļu satiksmes negadījumu skaitu un
nodrošina efektīvāku satiksmes plūsmu.29)
Autonomie transportlīdzekļi izmanto LiDAR sensorus un 3D objektu
noteikšanas tehnoloģiju, lai reāllaikā uztvertu un analizētu
transportlīdzekļa apkārtni. Tas ļauj izvairīties no šķēršļiem, atpazīt
gājējus, analizēt krustojumus u. , lai maksimāli palielinātu
transportlīdzekļa drošību un braukšanas efektivitāti.
4.2 Veselības aprūpe
3D objektu noteikšanas metodēm medicīnas jomā, jo īpaši tādām kā
PointRCNN, plašs pielietojuma spektrs. Šīs tehnoloģijas galvenokārt
izmanto medicīniskajā attēlveidošanā, ķirurģiskajā robotikā,
pacientu uzraudzības sistēmās u. c.
3D objektu noteikšanas tehnoloģija palīdz noteikt bojājumus
datortomogrāfijas, magnētiskās rezonanses un ultraskaņas attēlos.
Tas ir īpaši svarīgi tādās jomās kā radioloģija, kur to var apvienot ar
datorizētās diagnostikas sistēmām, kurās izmanto mākslīgo intelektu
un mašīnmācīšanos, lai uzlabotu diagnostikas precizitāti.30)
Ķirurģiskajās robotizētajās sistēmās 3D objektu noteikšanas
tehnoloģija ļauj operācijas laikā precīzi atpazīt apkārtējos audus un
orgānus, palīdzot nodrošināt drošu un precīzu operāciju. Kopā ar
medicīniskā mākslīgā intelekta sasniegumiem tas var ievērojami
uzlabot operāciju efektivitāti un drošību.31)
3D sensori un objektu noteikšanas tehnoloģija var analizēt pacienta
kustības reālajā laikā un dzīvības rādītājus, lai agrīnā stadijā atklātu
novirzes. Šīs tehnoloģijas apvienot ar mākslīgā intelekta balstītām
pacientu uzraudzības sistēmām, lai nepārtraukti sekotu līdzi
pacienta stāvoklim un pārvaldītu to.32)19- -
Apvienojumā ar virtuālo realitāti (VR) to varētu izmantot medicīnas
izglītībā un apmācībā. 3D objektu noteikšanas tehnoloģija
29) Arnold, E., Al-Jarrah, O. Y., Dianati, M., Fallah, S., Oxtoby, D., &
Mouzakitis, A. (2019). Pārskats par 3D objektu noteikšanas metodēm
autonomās braukšanas lietojumiem. 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 darba grupas 273. ziņojums:
Ieteikumi par labāko praksi mākslīgā intelekta un mašīnmācīšanās jomā
datorizētai diagnostikai medicīniskās attēlveidošanas jomā. Medicīnas fizika.
31) Mukherjee, J., Sharma, R., Dutta, P., & Bhunia, B. (2023). Mākslīgais
intelekts veselības aprūpē: meistarība. Biotechnology and Genetic
Engineering Reviews, None, 1-50.
32) Almagharbeh, W. (2024). The impact of AI-based decision support
systems on nursing workflows in critical care units [Mākslīgā intelekta
lēmumu atbalsta sistēmu ietekme uz aprūpes darba plūsmu kritiskās
aprūpes nodaļās]. International nursing review, Nav.
[8] Wang, L., Chen, X., Zhang, L., Li, L., Huang, Y., Sun, Y., & Yuan, X. (2023).
Mākslīgais intelekts klīnisko lēmumu atbalsta sistēmās onkoloģijā.
International Journal of Medical Sciences, 20, 79-86.20- -
ir liela nozīme, palīdzot ārstiem un veselības aprūpes speciālistiem
simulēt operācijas un diagnozes, ļaujot mācīties reālā vidē.33)
Šie lietojumi palīdz palielināt diagnostikas un ārstēšanas precizitāti
medicīnas jomā un uzlabot vispārējo drošību. Jo īpaši 3D objektu
noteikšanas tehnoloģija apvienojumā ar mākslīgo intelektu paātrina
inovācijas veselības aprūpē kļūst par svarīgu instrumentu pacientu
veselības un drošības uzlabošanai. Šie pētījumi sniedz jaunas
perspektīvas par mākslīgā intelekta komerciālo, regulatīvo un
sabiedrisko ietekmi medicīnā.34)
Medicīnas jomā 3D telpisko datu apstrādi precīzai diagnostikai un
ķirurģiskai plānošanai. Punktu mākoņa datus no 3D medicīniskās
attēlveidošanas, piemēram, datortomogrāfijas vai magnētiskās
rezonanses rezultātiem, izmanto, lai vizualizētu ķirurģiskās
operācijas vietu un izmērītu tās precīzu atrašanās vietu un lielumu,
tādējādi uzlabojot ķirurģisko precizitāti.
4.3 Rūpnieciskā automatizācija un robotika
3D objektu noteikšanas tehnoloģijas, jo īpaši tādi modeļi kā
PointRCNN, revolucionizē rūpnieciskās automatizācijas un robotikas
jomu. Šīs tehnoloģijas ievērojami uzlabo efektivitāti un precizitāti
dažādās nozarēs, un tām ir svarīga nozīme šādās konkrētās jomās.
3D objektu noteikšanas tehnoloģija ir būtiska robotizētām sistēmām,
lai atpazītu un šķirotu objektus noliktavā. Tā ļauj robotiem precīzi
atpazīt dažāda izmēra un formas objektus, ļaujot tiem efektīvi veikt
pārvietošanas un šķirošanas uzdevumus. Šīs tehnoloģijas palielina
rūpniecisko procesu efektivitāti un atvieglo loģistikas sistēmu
automatizāciju.35)
Kad rūpnieciskie roboti automātiski montē detaļas, 3D objektu
noteikšana palielina montāžas efektivitāti, jo ļauj atpazīt precīzu
detaļu pozīciju un orientāciju. Tas būtiski palielina ražošanas ātrumu
un samazina defektu skaitu, un tam svarīga nozīme viedās ražošanas
vidē.36)21- -
Tos izmanto, lai pārbaudītu izstrādājumu ģeometriju un izmērus,
izmantojot 3D skenēšanas tehnoloģiju, un tiem svarīga loma
izstrādājumu kvalitātes nodrošināšanā, defektu agrīnā atklāšanā un
izmaksu samazināšanā. Šīs automatizētās detaļas
33) Yeh, M. C., Wang, Y., Yang, H., Bai, K., Wang, H., & Li, Y. (2020).
Artificial Intelligence- Based Prediction of Lung Cancer Risk Using
Nonimaging Electronic Medical Records: Deep Learning Approach (Ar
mākslīgo intelektu balstīta plaušu vēža riska prognozēšana, izmantojot
elektroniskos medicīniskos ierakstus bez attēliem: dziļās mācīšanās pieeja).
Journal of Medical Internet Research, 23. lpp.
34) Mukherjee, J., Sharma, R., Dutta, P., & Bhunia, B. (2023). Mākslīgais
intelekts veselības aprūpē: meistarība. 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 in Robotics and Automation: Applications and
Challenges (Sim2Real robotikā un automatizācijā: lietojumi un izaicinājumi).
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).
Uz mācīšanos balstīta robotizētas montāžas automatizācija viedai ražošanai.
Proceedings of the IEEE, 109, 423-440.22- -
Kvalitātes pārbaudes sistēmas palielina produktu uzticamību.37)
Lai palielinātu robotu un automatizācijas sistēmu drošību, tiek
izmantota 3D objektu noteikšanas tehnoloģija. Tā ļauj atpazīt tuvumā
esošus vai droši. Šie drošības mehānismi palīdz samazināt nelaimes
gadījumu skaitu rūpnieciskajā vidē.38)
Autonomiem transportlīdzekļiem vai droniem ir svarīgi noteikt
objektus un plānot to maršrutus. 3D objektu noteikšanas tehnoloģija
šīm sistēmām efektīvi darboties, izvairīties no šķēršļiem un droši
veikt piegādes uzdevumus.39)
Šajās jomās 3D objektu noteikšanas tehnoloģijas inovāciju
virzītājspēks rūpniecības automatizācijā, palīdzot palielināt
produktivitāti, samazināt izmaksas un uzlabot drošību. Nākotnē šīs
tehnoloģijas arī turpmāk būs neatņemama robotikas un
automatizācijas sistēmu attīstības sastāvdaļa. Pētījumi liecina, ka šo
tehnoloģiju izmantošana dod nozīmīgu ieguldījumu rūpniecisko
procesu efektivitātes palielināšanā automatizēto sistēmu sarežģītības
pārvaldībā.40)
Rūpnieciskajā automatizācijā un robotikā 3D telpisko datu apstrādi
izmanto, lai palielinātu ražošanas procesu efektivitāti un
automatizētu kvalitātes pārbaudes. Roboti izmanto LiDAR sensorus
vai 3D kameras atpazītu produktus, atklātu anomālijas un palīdzētu
risināt kvalitātes problēmas.
4.4 Drošības uzraudzības sistēmas
Drošības uzraudzības sistēmās 3D objektu noteikšanas tehnoloģijai
svarīga nozīme, lai nodrošinātu efektīvus uzraudzības un drošības
risinājumus dažādās vidēs. Šī tehnoloģija ir īpaši nozīmīga tādās
jomās kā reāllaika uzraudzība, ielaušanās atklāšana, incidentu
novēršana, datu analīze un ziņošana, kā arī mākslīgā intelekta
integrācija.
3D objektu noteikšanas sistēmas ar reāllaika uzraudzības iespējām 23- -
izmanto kameras un sensorus, lai reāllaikā analizētu apkārtējo vidi.
Šī reāllaika analīze ļauj precīzi atpazīt cilvēkus, transportlīdzekļus un
objektus un sniedz tūlītējus brīdinājumus bīstamas situācijas
gadījumā. Tas ir būtiski, lai palielinātu drošību, jo īpaši sarežģītā
vidē, piemēram, uz ceļiem un lidostās.
Kad runa ir par ielaušanās atklāšanu, 3D objektu atklāšanas
tehnoloģija ir efektīva, lai noteiktu neparastu kustību vai uzvedību
konkrētā drošības zonā. Tas var ļaut agrīni atklāt iebrucēja tuvošanos
un nodrošināt apsardzes darbiniekiem tūlītēju palīdzību.
37) Wang, K., Zhou, J., Li, G., Hu, Y., & Hu, F. (2024). Rūpnieciskā
automatizācija un produktu kvalitāte: robotizētas ražošanas transformācijas
nozīme. Lietišķā ekonomika.
38) Salcic, Z., Atmojo, U., Park, H., Chen, A., & Wang, K. (2019). Dynamic and
Collaborative Automation and Robotics Software Systems Designing. IEEE
Transactions on Industrial Informatics, 15, 540-549.
39) Nebot, E. (2018). Robotika: no automatizācijas līdz inteliģentām sistēmām.
Engineering.
40) Mulaveesala, R., Arora, V., Dua, G., Morello, R., & Vavilov, V. (2022).
Rūpnieciskā redze un automatizācija. Measurement Science and Technology,
33.24- -
Novērst nesankcionētu iekļūšanu drošās zonās, sniedzot sarkanos
brīdinājumus.
Attiecībā uz nelaimes gadījumu novēršanu šīs sistēmas novērš
nelaimes gadījumus dažādās vidēs, tostarp rūpniecības objektos,
savlaicīgi atklājot apdraudējumus un sniedzot brīdinājumus.
Piemēram, automātisko brīdināšanas sistēmu iedarbināt, kad
darbinieks tuvojas bīstamai zonai, lai novērstu nelaimes gadījumu.
Datu analīzes un pārskatu sniegšanas iespējas palīdz novērtēt
drošības situāciju un identificēt problēmas, veicot turpmāku analīzi,
izmantojot savāktos 3D datus. Šīs analīzes sniedz svarīgu ieskatu
turpmākajā drošības stratēģijā un nepārtraukti uzlabot drošību.
Integrējot mākslīgo intelektu, 3D objektu noteikšanas tehnoloģiju var
apvienot ar mašīnmācīšanās algoritmiem, lai radītu inteliģentāku
uzraudzības sistēmu. Tas sistēmai apgūt modeļus un ieviest
sarežģītākus brīdināšanas un reaģēšanas mehānismus.
Tādējādi 3D objektu noteikšanas tehnoloģija kļūst par drošības
uzraudzības sistēmu neatņemamu sastāvdaļu, palīdzot apmierināt
dažādas drošības vajadzības un paaugstinot objektu drošību.
Paredzams, ka nākotnē šīs tehnoloģijas turpinās attīstīties, radot vēl
sarežģītākus un efektīvākus drošības uzraudzības risinājumus. Šie
tehnoloģiskie sasniegumi pārtaps spēcīgākās drošības sistēmāsjo
īpaši integrējot tās ar mākslīgo intelektu.41)
3D objektu noteikšanas tehnoloģijai svarīga loma arī drošības
uzraudzības sistēmās. LiDAR sensorus un 3D objektu noteikšanas
tehnoloģiju izmantot, lai atklātu iebrucējus vai noteiktu, vai tuvumā
atrodas cilvēki. Tās arī analizēt uzvedības modeļus 3D telpā, lai
izsekotu un novērstu nelikumīgas darbības.25- -
41) Chen, Y., Wang, H., Pang, Y., Han, J., Mou, E., & Cao, E. (2023).
Infrasarkanā starojuma mazo mērķu noteikšanas metode, kas balstīta uz
svērto cilvēka vizuālās salīdzināšanas mehānismu drošības uzraudzībai.
Remote. Sens., 15, 2922.26- -
4.5 VR/AR
Virtuālajā realitātē (VR) un paplašinātajā realitātē (AR) 3D objektu
noteikšanas tehnoloģija būtiski uzlabo lietotāju pieredzi dažādās
nozarēs. 3D objektu noteikšana ļauj lietotājiem mijiedarboties ar
reālās pasaules objektiem virtuālajā vidē, kas ir būtiski AR
lietojumprogrammām, lai reāllaikā atpazītu apkārtējo vidi, lai precīzi
izvietotu un manipulētu ar virtuālajiem elementiem. Tas padara
lietotāja pieredzi aizraujošāku.
VR vidē 3D objektu noteikšana tiek izmantota, lai radītu reālistiskas
simulācijas. Tas nodrošina mācību scenārijus dažādās jomās, tostarp
medicīnā, un aviācijas jomāļaujot dalībniekiem droši piedzīvot un
praktizēties reālās dzīves situācijās. VR/AR izmantošana, jo īpaši
būvniecības drošības jomā, palielina darbinieku izpratni par
drošību.42)
Spēļu nozarē 3D objektu noteikšana nodrošina pieredzi, precīzi
izsekojot spēlētāja kustību un pozīciju. Tas nodrošina mijiedarbību
ar virtuālajiem tēliem, palielinot spēles reālismu.
Arhitektūrā un inženierzinātnēs AR tehnoloģiju var izmantot, lai
vizualizētu dizaina modeļus reālajā pasaulē. Tas palīdzēt iepriekš
atklāt kļūdas projektēšanas procesā un atvieglot saziņu ar klientiem.
Šie lietojumi var būt īpaši sinerģiski ar būvniecības drošību.43)
AR tehnoloģija palīdz patērētājiem pieņemt lēmumus par pirkumu,
ļaujot viņiem virtuāli izmēģināt produktus. Piemēramtā sniedz
iespēju izvietot mēbeles savā mājoklī vai iepriekš izmēģināt
kosmētikas krāsas. Tas uzlabo patērētāju iepirkšanās pieredzi un
mijiedarbību.44)
Tādējādi 3D objektu noteikšanas tehnoloģija nodrošina inovatīvu
pieredzi VR un AR un tiek izmantota dažādās nozarēs. Nākotnē šīs
tehnoloģijas turpinās attīstīties, padarot lietotāja un virtuālās vides
mijiedarbību vēl ērtāku un dabiskāku. Tas vairāk paplašinās VR/AR
tehnoloģiju izmantošanu izglītībā, izklaidē, tirdzniecībā un citur. 27- -
Vienlaikus šo tehnoloģiju attīstība jaunas iespējas tūrisma un
viesmīlības nozarē.45)
42) Li, X., Yi, W., Chi, H., Wang, X., & Chan, A. P. C. (2018). Kritisks pārskats
par virtuālās un papildinātās realitātes (VR/AR) lietojumiem būvniecības
drošībā. Automation in Construction, 86, 150-162.
43) Li, X., Yi, W., Chi, H., Wang, X., & Chan, A. P. C. (2018). Kritisks pārskats
par virtuālās un papildinātās realitātes (VR/AR) lietojumiem būvniecības
drošībā. Automation in Construction, 86, 150-162.
44) Jayawardena, N. S., Thaichon, P., Quach, S., Razzaq, A., & Behl, A. (2023).
"Virtuālās realitātes (VR) un papildinātās realitātes (AR) video reklāmu
pārliecināšanas ietekme: konceptuāls pārskats". Journal of Business
Research.
45) Wei, W. (2019). Virtuālās realitātes (VR) un papildinātās realitātes (AR)
pētniecības progress tūrismā un viesmīlībā. Journal of Hospitality and
Tourism Technology, 10, 539-570.28- -
Virtuālajā realitātē (VR) un paplašinātajā realitātē (AR) 3D
telpiskajiem datiem ir svarīga loma mijiedarbībā ar reālās pasaules
objektiem3D telpiskie dati virtuālos objektus pareizi novietot reālajā
pasaulē un ļauj lietotājiem ar tiem mijiedarboties dabiskā veidā.
5. Secinājums
3D telpisko datu apstrādes tehnoloģija revolūciju daudzās jomās,
tostarp autonomās braukšanas, veselības aprūpes, rūpniecības,
drošības un VR/AR jomā. Jo īpaši LiDAR sensoriem un 3D objektu
noteikšanas tehnoloģijām loma katrā no šīm jomām, veicinot vides
analīzi reālajā laikā, precīzu diagnostiku un ārstēšanu, kā arī
efektīvas automatizācijas sistēmas. Šīs tehnoloģijas turpinās
attīstīties un nodrošinās bagātāku lietotāju pieredzi dažādās jomās.29- -
Atsauces
1. Abbasi, R., Bashir, A., Alyamani, H. J., Amin, F., Doh, J., & Chen, J.
(2023). Lidar punktu mākoņu saspiešana, apstrāde un mācīšanās
autonomai braukšanai. 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). Pārskats par 3D objektu noteikšanas metodēm
autonomās braukšanas lietojumiem. IEEE Transactions on Intelligent
Transportation Systems, 20, 3782-3795.
3. Bai, X., Zhou, J., Ning, X., & Wang, C. (2022). 3D datu aprēķināšana
un vizualizācija. Displays, 73, 102169.
4. Beam, A. L., Drazen, J. M., Kohane, I. S., Leong, T., Manrai, A., &
Rubin, E. J. (2023). Mākslīgais intelekts medicīnā. New England
Journal of Medicine, 388(13), 1220-1221.
5. Campilho, R., & Silva, F. J. G. (2023). Rūpniecisko procesu
uzlabošana ar automatizāciju un robotiku. Machines.
6. Cao, M., & Wang, J. (2020). Šķēršļu noteikšana autonomi
braucošiem transportlīdzekļiem ar vairāku LiDAR sensoru
apvienošanu. Journal of Dynamic Systems Measurement and Control
- Transactions of the ASME, 142.
7. Chen, W., Li, P., & Zhao, H. (2022). MSL3D: 3D objektu noteikšana
no monokulārā, stereo un punktu mākoņa autonomai braukšanai.
Neurocomputing, 494, 23-32.
8. Chen, Y., Wang, H., Pang, Y., Han, J., Mou, E., & Cao, E. (2023).
Infrasarkanā starojuma mazo mērķu noteikšanas metode, kas balstīta
uz svērto cilvēka vizuālās salīdzināšanas mehānismu drošības
uzraudzībai. Remote. Sens., 15, 2922.
9. Dzikunoo, E., Vignoli, G., Jørgensen, F., Yidana, S., & BanoengYakubo,
B. (2020). Jaunas reģionālās stratigrāfijas atziņas no Nasia
apakšbaseina (Gana) 3D ģeoloģiskā modeļa, kas izstrādāts
hidroģeoloģiskiem mērķiem un balstīts pārstrādātiem B lauka datiem,
kuri sākotnēji iegūti minerālu izpētes vajadzībām. Solid Earth, 11,
349-361.
10. Enríquez, J. G., Ramirez, A. J., Domínguez-Mayo, F. J., & GarcíaGarcía,
J. A. (2020). Robotizēta procesu automatizācija: zinātnisks un
rūpniecisks sistemātisks kartēšanas pētījums. IEEE Access, 8, 39113-30- -
39129.
11. Fan, L., Yang, Y., Wang, F., Wang, N. un Zhang, Z. (2023). Īpaši
blīva 3D objektu noteikšana. 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). Uz punktu mākoņiem balstītas 3D objektu noteikšanas un
klasifikācijas metodes pašbraucošām lietojumprogrammām:
Pārskats un taksonomija. Information Fusion, 68, 161-191.
13. Guo, Y., Wang, H., Hu, Q., Liu, H., Liu, L., & Bennamoun. (2019).
Deep31- -
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 darba grupas 273. ziņojums: Ieteikumi
par labāko praksi mākslīgā intelekta un mašīnmācīšanās jomā
datorizētai diagnostikai medicīniskās attēlveidošanas jomā.
Medicīnas fizika.
15. Huang, S. (2019). Paplašinātā realitāte un virtuālā realitāte: AR un
VR iespējas uzņēmējdarbībā. Informācijas tehnoloģijas un tūrisms,
21, 457-459.
16. Ji, S., Lee, S., Yoo, S., Suh, I., Kwon, I., Park, F., Lee, S., & Kim, H.
(2021).
Uz mācīšanos balstīta robotizētas montāžas automatizācija viedai
ražošanai. Proceedings of the IEEE, 109, 423-440.
17. Jayawardena, N. S., Thaichon, P., Quach, S., Razzaq, A., & Behl, A.
(2023). "Virtuālās realitātes (VR) un papildinātās realitātes (AR) video
reklāmu pārliecināšanas ietekme: konceptuāls pārskats". Journal of
Business Research.
18. Kim, E. Y., Shin, S. Y., Lee, S., Lee, K., Lee, K. H., & Lee, K. M.
(2020).
Triplānu konvolūcija ar koplietojamiem 2D kodoliem 3D
klasifikācijai un formas iegūšanai. Computer Vision and Image
Understanding, 193, 102901.
19. Kim, J., Kim, M., Park, M., & Yoo, J. (2022). Imersīvās interaktīvās
tehnoloģijas un virtuālā iepirkšanās pieredze: J.: Atšķirības
patērētāju uztverē starp papildināto realitāti (AR) un virtuālo realitāti
(VR). Telemātika un informātika, 77, 101936.
20. Kusiak, A. 2023). Hiperautomatizācija apstrādes rūpniecībā. J.
Intell. Manuf., 35, 1-2.
21. Li, X., Yi, W., Chi, H., Wang, X., & Chan, A. P. C. (2018). Kritisks
pārskats par virtuālās un papildinātās realitātes (VR/AR) lietojumiem
būvniecības drošībā. Automation in Construction, 86, 150-162.
22. Luo, X., Zhou, F., Tao, C., Yang, A., Zhang, P., & Chen, Y. (2022).
Dinamisks vairāku mērķu noteikšanas algoritms, kas balstīts uz 32- -
PointRCNN. IEEE Transactions on Intelligent Transportation Systems,
23, 20707-20720.
23.Mao, J., Shi, S., Wang, X., & Li, H. (2022). 3D objektu noteikšana
autonomai braukšanai: International Journal of Computer Vision, 131,
1909-1963.
24.Mulaveesala, R., Arora, V., Dua, G., Morello, R., & Vavilov, V.
(2022). Rūpnieciskā redze un automatizācija. Measurement Science
and Technology, 33.
25. Mukherjee, J., Sharma, R., Dutta, P., & Bhunia, B. (2023).
Mākslīgais intelekts veselības aprūpē: meistarība. Biotechnology and
Genetic Engineering Reviews, None, 1-50.
26.Nebot, E. (2018). Robotika: no automatizācijas līdz inteliģentām
sistēmām. Engineering.
27. Ren, S., Pan, X., Zhao, W., Nie, B., & Han, B.
(2022). Dynamic graph.33- -
transformators 3D objektu noteikšanai. Uz zināšanām balstītas
sistēmas, 259, 110085.
28. Song, S., Huang, T., Zhu, Q., & Hu, H. (2023). ODSPC: uz dziļu
mācīšanos balstīta 3D objektu noteikšana, izmantojot semantisko
punktu mākoni. Visual Computer, , 1-15.
29.Wei, W. (2019). Virtuālās realitātes (VR) un papildinātās realitātes
(AR) pētniecības progress tūrismā un viesmīlībā. Journal of
Hospitality and Tourism Technology, 10, 539-570.
30. Xue, Z., Wu, S., Li, M., & Cheng, K. (2024). Novel Method for
Regional Prospecting Based on Modern 3D Graphics. Minerals.
31. Yeh, M. C., Wang, Y., Yang, H., Bai, K., Wang, H., & Li, Y. (2020).
Artificial Intelligence-Based Prediction of Lung Cancer Risk Using
Nonimaging Electronic Medical Records: Deep Learning Approach
(Mākslīgā intelekta balstīta plaušu vēža riska prognozēšana,
izmantojot elektroniskos medicīniskos ierakstus bez attēliem: dziļās
mācīšanās pieeja). Journal of Medical Internet Research, 23. lpp.
32. Zhou, Q. (2022). Datorizēta atklāšana un
diagnostika/radiomika/mašīnmācīšanās/dziļā mācīšanās
medicīniskajā attēlveidošanā. Medical Physics.