3D térbeli adatfeldolgozási technológia és alkalmazásai

Kutatási jelentés: Yangpyeong Megyei AI Kutatóintézet 
2025_01Youngho Hong: 3D térbeli adatfeldolgozási technológia 
és alkalmazásai 2025_01Youngho Hong
Kivonatok:
Ez a kutatás a 3D térbeli adatfeldolgozási technológiák fejlesztésével és 
alkalmazásával foglalkozik, különösen a pontfelhő-adatgyűjtés és a 3D 
objektumfelismerési technológiák LiDAR-érzékelők használatával. A 
kutatás a VoxelNet, PointNet és PointRCNN 3D objektum-felismerési 
technológiákra összpontosít, és elmagyarázza, hogyan használják ezeket 
a technológiákat különböző területeken, például az autonóm 
járművekben, az egészségügyben, az ipari automatizálásban, a 
biztonsági felügyeleti rendszerekben és a VR/AR-ban. A LiDARérzékelők
által gyűjtött pontfelhőadatok nagy pontossággal elemzik a 3D 
teret, és az erre épülő 3D objektumfelismerő technológia fontos szerepet 
a valós idejű környezeti tudatosság, a precíziós diagnosztika, a gyártási 
folyamatok optimalizálása stb. területén. Ez a tanulmány elemzi a 3D 
térbeli adatfeldolgozási technológia hatását a modern iparra és a 
technológiai innovációra, és megvitatja a jövőbeli fejlődési 
lehetőségeket.
Kulcsszavak:
 3D térbeli adatok, LiDAR érzékelők, pontfelhő, 3D 
objektumfelismerés, VoxelNet, PointNet, PointRCNN, autonóm 
járművek, egészségügy, ipari automatizálás, biztonsági megfigyelő
rendszerek, VR/AR, mélytanulás, mélytanulás.2- -
1. Bevezetés
Az adatgyűjtés, -tárolás, -elemzés és -megjelenítés folyamatát foglalja 
magában, és olyan technológiákat használ, mint a LiDAR, a 
fotogrammetria és a 3D szkennelés a háromdimenziós térbeli 
információk feldolgozásához. Ezeket a technológiákat számos 
szoftverplatformon használják, a legfontosabb eszközök a földrajzi 
információs rendszerek (GIS) és a számítógéppel segített tervezés (CAD). 
Ez az összetett térbeli elemzéseket.
A LiDAR lézerimpulzusokat használ távolsági adatok gyűjtésére, míg a 
fotogrammetria légi felvételeket használ 3D modellek létrehozásához. 
Ezeket az adatokat adatbázisban tárolják, és szükség esetén elemzésre és 
megjelenítésre használják.1)
A kutatások kimutatták, hogy a 3D CNN struktúrák felhasználhatók 3D 
reprezentációk tanulására, és hogy ez hatékonyabban elvégezhető, mint 
a hagyományos, teljesen 3D CNN-alapú módszerek.2)
A GPU-alapú 3D-s vizualizációs módszerek kifinomultabb és pontosabb 
térbeli elhatárolást tesznek lehetővé.3)
A 3D modellezés az építészeti tervezés és szimuláció alapvető eszköze. 
Lehetővé teszi szerkezetek biztonságának értékelését és a tervek 
pontosságának növelését.
A 3D térbeli adatokat az ökoszisztéma-változással és a 
katasztrófavédelemmel kapcsolatos kutatásokban használják. A 3D-s 
geológiai modellezést például a felszín alatti vizek feltárására és a 
geológiai kutatásra használják.4)
 3D-s adatokat a felhasználói élmény fokozása érdekében magával 
ragadó környezetek kialakítására használják. számos iparágban 
alkalmazzák, többek között az oktatásban, az egészségügyben és a 
szórakoztatóiparban.
A 3D térbeli adatfeldolgozási technológiák gyorsan fejlődnek különböző
területeken, különösen a pontfelhő-adatgyűjtés és a 3D térben lévő
objektumok felismerése LiDAR-érzékelők segítségével. Ezek a 3- -
forradalmasítják az autonóm járműveket, az orvosi alkalmazásokat, az 
ipari automatizálást, a biztonsági felügyeleti rendszereket és a VR/ARkörnyezeteket.
Ez a kutatási jelentés alapvető ismereteket nyújt a 3D 
térbeli adatfeldolgozási technológiákról, és elmagyarázza, hogyan 
alkalmazzák ezeket a különböző iparágakban.
1) Bai, X., Zhou, J., Ning, X., & Wang, C. (2022). 3D adatszámítás és vizualizáció. 
Displays, 73, 102169.
2) Kim, E. Y., Shin, S. Y., Lee, S., Lee, K., Lee, K. H., & Lee, K. M. (2020). 
Triplanáris konvolúció megosztott 2D kernelekkel 3D osztályozáshoz és 
alakvisszakereséshez. Computer Vision and Image Understanding, 193, 
102901.
3) Xue, Z., Wu, S., Li, M., & Cheng, K. (2024). Új módszer a regionális 
kutatáshoz a modern 3D grafikán alapuló regionális kutatáshoz. Ásványok.
4) Dzikunoo, E., Vignoli, G., Jørgensen, F., Yidana, S., & Banoeng-Yakubo, B. 
(2020). Új regionális rétegtani meglátások a ghánai Nasia részmedence 3D-s 
geológiai modelljéből, amelyet hidrogeológiai célokra fejlesztettek ki, és 
amely eredetileg ásványkincs-kutatáshoz gyűjtött, újra feldolgozott B-mezős 
adatokon alapul. Solid Earth, 11, 349-361.4- -
2. Point CLoud adatok gyűjtése LiDAR érzékelőkkel
A LiDAR-érzékelőkkel történő pontfelhő-adatgyűjtés fontos szerepet 
játszik számos alkalmazásban, és különösen alkalmas a nagy felbontású 
3D-adatgyűjtésre. A LiDAR-technológia lézerimpulzusokat bocsát ki az 
objektumokról visszavert jelek fogadására, és ezek alapján 
távolságinformációkat számol ki. Ezt az információt pontfelhő
formátumban tárolja, ahol minden egyes pont X, Y és Z koordinátákat és 
a visszaverődés intenzitását tartalmazza.
A LiDAR pontfelhők számos területen felhasználhatók, többek között a , 
a környezeti és az erőforrás-gazdálkodásban. Hasznosak lehetnek 
például az erdők szerkezeti elemzéséhez vagy az épületek precíziós 
felméréséhez. A pontfelhőket ezután utólagos feldolgozással vagy GISadatokká
alakítják át a zajmentesítés, az igazítás és a 
felszínrekonstrukció céljából. Ebben a folyamatban különféle 
szoftvereket használnak, különösen a GPU-alapú 3D vizualizációs 
módszereket, amelyek kifinomultabb térbeli elhatárolást tesznek 
lehetővé.5)
A LiDAR-adatok fontos szerepet játszanak az autonóm járművek 
érzékelő rendszereiben is. A LiDAR pontfelhő feldolgozása és az 
autonóm vezetés területén végzett képzés hozzájárult az útkörnyezet 
pontos érzékeléséhez és az objektumok felismeréséhez.6) Ezek az adatok 
elengedhetetlenek a nagy felbontású, valós idejű 3D térképek 
létrehozásához, amelyek autonóm járművek biztonságos navigálását 
összetett útviszonyok között.
A LiDAR is felhasználhatók. Például a repülőgépre szerelt LiDAR által 
gyűjtött adatok a geológiai képződmények 3D-s modelljeinek 
rekonstruálására, ami hozzájárul a felszín alatti vizek feltárásához vagy 
a geológiai kutatáshoz.7) Ez a 3D-s geológiai modellezés új geológiai 
értelmezéseket tesz lehetővé, és segít jobban megérteni egy terület 
geológiai jellemzőit.
A LiDAR-technológia előnyei közé tartozik a nagy sebességű adatgyűjtés 
és a nagy pontosság, de vannak korlátai a viszonylag magas költségek és 
a teljesítmény esős vagy időben. Folyamatos kutatás és fejlesztés folyik 5- -
e technikai korlátok leküzdésére, lehetővé teszi a LiDAR szélesebb körű
alkalmazását az iparágak szélesebb körében.
A LiDAR (Light Detection and Ranging) érzékelő olyan technológia, 
amely lézerrel méri egy tárgy felszínét, és az adatokból 3D térbeli 
információk nyerhetők. A LiDAR-érzékelő által generált 
pontfelhőadatok a 3D térben elosztott sok pont gyűjteménye, amelyek 
mindegyike magassággal, távolsággal és helymeghatározással írható le.
5) Bai, X., Zhou, J., Ning, X., & Wang, C. (2022). 3D adatszámítás és vizualizáció. 
Displays, 73, 102169.
6) Abbasi, R., Bashir, A., Alyamani, H. J., Amin, F., Doh, J., & Chen, J. (2023). 
Lidar pontfelhő tömörítés, feldolgozás és tanulás az autonóm vezetéshez. 
IEEE Transactions on Intelligent Transportation , 24, 962-979.
7) Dzikunoo, E., Vignoli, G., Jørgensen, F., Yidana, S., & Banoeng-Yakubo, B. 
(2020). Új regionális rétegtani meglátások a ghánai Nasia részmedence 3D-s 
geológiai modelljéből, amelyet hidrogeológiai célokra fejlesztettek ki, és 
amely az eredetileg ásványkincs-kutatáshoz gyűjtött B-mezős adatok 
újrafeldolgozásán alapul. Solid Earth, 11, 349-361.6- -
gerendák. Ezek az adatok az autonóm járművek környezetük 
érzékeléséhez, az építészeti és modellezéshez, valamint a 3D 
térképezéshez.
3. 3D tárgyfelismerő technológia
A 3D objektumdetektálás fontos technológia a 3D térben lévő
objektumok felismeréséhez és helymeghatározásához, és számos 
területen, például az autonóm járművek, a és a kiterjesztett valóság 
területén . Elsősorban LiDAR, RGB-D kamerák és sztereó látórendszerek 
által gyűjtött 3D adatokon .
A LiDAR által generált pontfelhőket használja az objektumok helyének 
és alakjának felismerésére. A mélytanulási modelleket, például a 
PointNet-et széles körben használják ezen a területen, és ezek a 
módszerek elengedhetetlenek a nagy felbontású, valós idejű 3D térképek 
előállításához.8)
Ez egy olyan technika, amely az objektumok felderítésére szolgál az 
RGB-kamerák által készített 2D-s képek és a 3D-s információk 
kombinálásával. Ez a javítja a felismerési teljesítményt az objektum 
szín- és mintainformációinak hozzáadásával. A legújabb tanulmányok 
olyan módszereket javasoltak, mint a FusionRCNN, amely a LiDAR és a 
kameraképek kombinálásával javítja a felismerés pontosságát.9)
A struktúrákat, például a konvolúciós neurális hálózatokat (CNN) és a 
rekurrens neurális hálózatokat (RNN) a 3D jellemzőinek és 
felismerésére használják. Ezek a modellek javítják az 
objektumosztályozás és a helymeghatározás pontosságát az 
adathalmazok alapján, különösen fontos az autonóm járművek 
akadályfelismerése szempontjából10).
A vezetés biztonságának növelésére szolgál az úton lévő akadályok és 
gyalogosok észlelésével. Aktív kutatás ezen a területen a LiDAR 
pontfelhők és a látási adatok összevonására a pontosabb észlelés 
érdekében.11)
Segít a robotnak megérteni a környezetét és kölcsönhatásba lépni vele. 
különösen fontos a tárgyak pontos helyének meghatározásához, hogy 7- -
segítse a robotot az útvonal megtervezésében és a feladatok 
végrehajtásában.
A felhasználói élmény fokozása érdekében valós időben felismeri a 
tárgyakat és reagál rájuk. kiterjesztett valóságban például pontosan 
meg kell határozni a tárgyak helyét és alakját a virtuális tárgyakkal való 
interakció javítása érdekében.
8) Qian, R., Lai, X., & Li, X. (2021). 3D objektumfelismerés az autonóm 
vezetéshez: A Survey. Pattern Recognition, 130, 108796.
9) Xu, X., Dong, S., Xu, T., Ding, L., Wang, J., Jiang, P., Song, L., & Li, J. (2023).
FusionRCNN: LiDAR-kamera fúzió kétlépcsős 3D objektumfelismeréshez. 
Remote Sensing, 15, 1839.
10) Fan, L., Yang, Y., Wang, F., Wang, N. és Zhang, Z. (2023). Super Sparse 3D 
objektum detektálás. IEEE Transactions on Pattern Analysis and Machine , 
45, 12490-12505.
11) Xu, X., Dong, S., Xu, T., Ding, L., Wang, J., Jiang, P., Song, L., & Li, J. (2023).
FusionRCNN: LiDAR-kamera fúzió kétlépcsős 3D objektumfelismeréshez. 
Remote Sensing, 15, 1839.8- -
Ezek a technológiák fejlődnek, és egyre pontosabb és hatékonyabb 3D 
objektumfelismerési megoldásokat kínálnak. A kutatás és a technológia 
fejlődése jelentősen javítja a felismerés pontosságát valós környezetben.
A 3D objektumdetektálás a 3D térben lévő konkrét objektumok pontos 
azonosítása és osztályozása, amelyet különböző 3D térbeli 
adatfeldolgozási technikák támogatnak. A közelmúltban a 
mélytanuláson alapuló aktívan alkalmazzák a 3D 
objektumdetektálásban. A reprezentatív technológiák VoxelNet, a 
PointNet és a PointRCNN.
3.1 VoxeLNet
A VoxelNet egy innovatív mélytanulási architektúra, amelyet 
kifejezetten 3D objektumok pontfelhőkből történő felismerésére 
terveztek, ami az autonóm vezetési rendszereknél kritikus fontosságú. 
Az architektúra egyedi megközelítést alkalmaz, a nyers 
pontfelhőadatokat strukturált 3D voxelrácsokká alakítja, hogy lehetővé 
tegye a hatékony feldolgozást és a jellemzők kinyerését. A voxelreprezentációvá
alakítás , mivel lehetővé teszi a VoxelNet számára, hogy 
hatékonyan használja a 3D konvolúciót a térbeli információk 
megragadására, miközben biztosítja a számítási hatékonyságot. Ez a 
hatékonyság elengedhetetlen az autonóm vezetéshez szükséges valós 
idejű alkalmazásokhoz.
A VoxelNet erőssége abban rejlik, hogy képes egy új funkciókódoló 
réteget beépíteni, amely nagymértékben növeli az egyes voxelek 
reprezentációs erejét. Ezt az egyes voxelekben található pontok egyedi 
jellemzőinek figyelembevételével éri el, ami javítja a hálózat képességét 
az objektumok felismerésére és osztályozására komplex környezetben.12) 
Ez a jellemző-kódolási lépés a pontfelhőadatok szabálytalan és ritka 
jellegéből adódó problémák megoldásához, amelyeket a hagyományos 
2D-s konvolúciós neurális hálózatokkal nehéz kezelni.
A kutatások kimutatták, a VoxelNet jelentős mértékben hozzájárult a 
3D-s objektumfelismerés területéhez. Például az, hogy az architektúrája 
nagy pontosságot képes biztosítani a számítási hatékonyság fenntartása 
mellett, előnyös választássá teszi az autonóm járművekben történő9- -
megvalósításközi alkalmazásokhoz.13) Továbbá a VoxelNet ritka 
reprezentációjának integrációja lehetővé teszi, hatékonyan kezelje az 
autonóm vezetési forgatókönyvekben gyakran előforduló nagy 
mennyiségű adatot.
A VoxelNet fejlesztése jelentős előrelépést jelent a 3D 
adatfeldolgozásban, és megalapozza az autonóm vezetési technológia 
jövőbeli innovációit. A hatékony és a fejlett jellemző-kódolási technikák 
kombinálásával a terület legfontosabb kihívásaira ad választ.14) Ez 
nemcsak az észlelési pontosságot javítja, hanem kifinomultabb 
végrehajtást is lehetővé tesz.
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 , 43, 4338-4364.
13) Wang, X., Cai, M., Sohel, F., Sang, N., & Chang, Z. (2021). Ellentétes 
pontfelhő perturbációk a 3D objektumfelismerés ellen autonóm vezetési 
rendszerekben. Neurocomputing, 466, 27-36.
14) Chen, W., Li, P., & Zhao, H. (2022). MSL3D: 3D objektumdetektálás 
monokuláris, sztereó és pontfelhőből autonóm vezetéshez. Neurocomputing, 
494, 23-32.10- -
A VoxelNet 3D érzékelőrendszerek fejlesztésének határait feszegeti. 
Nagy teljesítményével és innovatív a VoxelNet továbbra is befolyásolja 
3D pontfelhő-feldolgozás és az autonóm rendszerek terén folyó kutatást 
és fejlesztést.15)
A VoxelNet egy innovatív modell a 3D objektumok észlelésére, amely a 
pontfelhő-adatokat 3D rácsokká (voxelekké) alakítva dolgozza fel. 
Minden egyes voxel a pontfelhő egy pontját képviseli, ami lehetővé teszi 
a modell számára térbeli információk hatékonyabb feldolgozását. A 
VoxelNet ezt a voxelinformációt használja fel objektumok észlelésére és 
előrejelzések készítésére. Ennek a az az előnye, hogy hatékonyan és 
gyorsan képes nagy mennyiségű pontfelhőadat feldolgozására.
3.2 PointNet
A PointNet egy úttörő mélytanulási architektúra, amely forradalmasítja 
a 3D pontfelhőadatok feldolgozását azáltal, hogy közvetlenül fogyasztja 
a rendezetlen ponthalmazokat. A hagyományos módszerekkel 
ellentétben, amelyek strukturált bemenetet igényelnek, a PointNet 
szimmetriafüggvényeket használ a permutációs invariabilitás 
biztosítására, a pontok közötti térbeli kapcsolatokat, így a bemeneti 
pontok marad.
A PointNet legfontosabb újítása a perceptronok (MLP-k és a maxpooling
használata. Ez az architektúra hatékonyan aggregálja az egyes 
pontokból származó jellemzőket egy globális reprezentációba, ami 
különösen hasznos az olyan feladatokhoz, mint az osztályozás és a 
szegmentálás. nagy és pontos feldolgozására való képességének 
köszönhetően a a terület egyik alapmodelljévé vált és számos későbbi, 
az elvein alapuló architektúrát inspirált.
A PointNet hatása túlmutat az akadémiai kutatáson, és olyan 
területeken is , mint az autonóm vezetés és a robotfelismerés. Az 
autonóm rendszerekben például a PointNet-et a LiDAR-adatok 
feldolgozására használták a tárgyak felismerésének és navigációjának 
javítása érdekében azáltal, hogy az objektumokat egyik kísérletről a 
másikra azonosítja és osztályozza.16) A PointNet felépítése lehetővé teszi, 
hogy hatékonyan kezelje a 3D-s adatokkal kapcsolatos összetett 11- -
problémákat, például az elfedéseket és a pontsűrűség változásait, ami 
sokoldalú eszközzé teszi a számítógépes látás alkalmazásaiban.
A PointNet által elért eredmények a PointNet különböző innovatív 
kontextusokban történő adaptálásához vezettek. Például a légi LiDARadatok
osztályozására alkalmazták, javítva a távérzékelési műveletek 
pontosságát és hatékonyságát.17) A PointNet alkalmazkodóképessége 
vezetett a fizikán alapuló neurális hálózatokkal való integrálásához is a 
repedések terjedésének elemzése céljából.
15) Yang, Y., Chen, F., Wu, F., Zeng, D., Ji, Y., & Jing, X. (2020). Több nézeti 
szemantikus tanulási hálózat pontfelhő alapú 3D objektum detektáláshoz. 
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 , 43, 4338-4364.
17) Nong, X., Bai, W., & Liu, G. (2023). Légi LiDAR pontfelhő osztályozása 
PointNet++ hálózat segítségével, teljes szomszédsági jellemzőkkel. PLOS 
ONE, 18.12- -
és áramlástani szimulációkat, és bizonyítottan alkalmas komplex ipari 
problémák megoldására.18)
A Pointnet továbbra is mérceként szolgál a 3D-s adatfeldolgozásban, 
jelentősen javítva a mélytanulási modellek képességét a 
pontfelhőadatok feldolgozására. Hatása nyilvánvaló mind az elméleti 
előrelépésekben, mind a gyakorlati alkalmazásokban, ami bizonyítja 
folyamatos relevanciáját és alkalmazkodóképességét a mesterséges 
intelligencia és a gépi tanulás fejlődő táján.19)
A PointNet egy olyan modell, amely közvetlenül feldolgozni a 
pontfelhőadatokat és felismerni az objektumokat a 3D térben, 
függetlenül az egyes pontok sorrendjétől. A PointNet kivonja a pontok 
jellemzőit, és ezek alapján osztályozást és szegmentálást végez. Ez a 
modell képes kezelni a pontfelhők strukturálatlan jellegét, és számos 
területen , például az autonóm vezetés, a robotika és az orvosi 
képelemzés területén.
3.3 PointRCNN
A PointRCNN fontos keretrendszer a 3D-s objektumdetektálás területén, 
különösen az olyan alkalmazásokban, mint az autonóm vezetés. A 
keretrendszer kétlépcsős észlelési folyamatot alkalmaz a 3D 
pontfelhőadatokban lévő objektumok észlelésének pontosságának és 
hatékonyságának javítása érdekében. Az első lépés az 
objektumjavaslatok generálása egy pontalapú helyi javaslati hálózaton 
keresztül. Ez a lépés azért , mert közvetlenül a nyers pontfelhőadatokon 
dolgozik, megőrizve a részletes térbeli információkat, amelyek a 
hagyományos, képvetítésre vagy voxelizációra épülő módszereknél 
elveszhetnek.
A második lépésben a PointRCNN a 3D határoló dobozok elvégzésével 
finomítja a kezdeti javaslatot. Ezáltal beállítja a méretét és orientációját, 
hogy jobban illeszkedjen a pontfelhőadatokon belül észlelt 
objektumokhoz. A közvetlenül a nyers pontfelhőből kinyert jellemzők 
felhasználásával a PointRCNN nagyobb pontosságot ér el az 
felismerésében különösen a bonyolult geometriájú és elfedésekkel 
rendelkező, kihívást jelentő környezetekben.13- -
A PointRCNN egyik fő előnye, képes végponttól végpontig tanulni. Ez az 
architektúra megkönnyíti a hálózati zökkenőmentes integrálását, ami 
nemcsak a modell észlelési teljesítményét, hanem a számítási 
hatékonyságát is javítja, így alkalmassá teszi a valós idejű
alkalmazásokhoz, például az autonóm vezetési rendszerekhez szükséges 
alkalmazásokhoz.
Kutatások kimutatták, hogy a pontfelhőadatokat használó módszerek 
jelentősen javíthatják a 3D-s jelenetek megértését és értelmezését 
autonóm vezetési helyzetekben. Például a PointRCNN-en és a voxeles 
pontfelhőfúziós technikákon alapuló több célpontot felismerő
algoritmusok használata sokoldalúságuknak és sokoldalúságuknak 
köszönhetően dinamikus forgatókönyvekben is alkalmazható.
18) Kashefi, A., & Mukerji, T. (2022). Physics-informed PointNet: Egy 
mélytanuló megoldó állandósult állapotú inkompresszibilis áramlásokhoz 
és hőmezőkhöz több szabálytalan geometriájú halmazon. 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- -
Emellett a 3D pontfelhők és a mélytanulási megközelítések területén 
végzett felmérések hogy ezek a keretrendszerek egyre nagyobb 
jelentőséggel bírnak az autonóm vezetésben a jelenetek megértésében.20)
Összességében a PointRCNN jelentős előrelépést jelent a 3D-s 
objektumfelismerési technológiában. A nyers pontfelhőadatok 
közvetlen feldolgozására való képessége és a hatékony kétlépcsős 
felismerési folyamat hatékony eszközzé autonóm számára, ahol a gyors 
és pontos kritikus fontosságú a biztonság és a teljesítmény 
szempontjából.
A PointRCNN egy olyan technológia, amely a PointNet-en alapuló CNN-t 
(Convolutional Neural Network) használja a 3D objektumok észlelésére, 
és hatékonyan feldolgozza a pontfelhőadatokat az objektumok pontos 
észlelése . A PointRCNN olyan technológia, amely a meglévő 2D-s 
objektumfelismerési módszert kiterjeszti 3D-s környezetre, és autonóm 
járművek objektumfelismerésére és robotok környezetfelismerésére 
alkalmazzák.
4. Alkalmazások
A PointRCNN-ek alapvető szerepet játszanak az autonóm vezetési 
rendszerekben, és a környezetükben lévő objektumok pontos 
felismerésére és követésére szolgálnak. A 3D segítségével történő
segíthet a járműveknek abban, hogy nagy pontossággal az útakadályokat, 
még összetett forgalmi helyzetekben is.22)
A robot 3D-s tárgyfelismerő technológiát használ a környezettel való 
interakcióhoz. A PointRCNN lehetővé teszi a robot számára, hogy 
futásról futásra megértse a környezetét, és elvégezze a szükséges 
feladatokat.24)
Ahhoz, hogy a virtuális tárgyakat zökkenőmentesen be lehessen 
illeszteni a valós világba egy AR-környezetben, pontos tárgyfelismerésre 
van szükség a 3D térben. A PointRCNN fontos szerepet ebben a 
feladatban.
A drónoknak repülés közben fel ismerniük és el kell kerülniük a 
különböző akadályokat. A PointRCNN segítségével a drón érzékelőinek 15- -
adataiból valós időben felismerhetők az objektumok, és beállítható a 
biztonságos repülési útvonal.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). 3D objektumfelismerés az autonóm 
vezetéshez: A Survey. Pattern Recognition, 130, 108796.
23) Mao, J., Shi, S., Wang, X., & Li, H. (2022). 3D objektumfelismerés az 
autonóm vezetéshez: International Journal of Computer , 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- -
A PointRCNN-t a városi környezet 3D-s modellezésére és elemzésére 
alkalmazzák, fontos ismereteket nyújtva a várostervezés és -irányítás 
számára. segíthet a közlekedés hatékonyságának javításában és a 
biztonság növelésében a városokban.
Ezekben az alkalmazásokban a PointRCNN-ek nagyon hasznosak olyan 
helyzetekben, ahol nagy pontosságra és valós idejű feldolgozásra van 
szükség. A kutatások azt mutatják, az olyan technikák, mint például a 
PointRCNN-eken alapuló több célpontot észlelő algoritmusok 
bizonyítják teljesítményüket és hatékonyságukat ezekben az 
alkalmazásokban.26) A PointRCNN-ek hozzájárulnak a 3D 
objektumfelismerés pontosságának és hatékonyságának 
maximalizálásához, fontos az autonóm járművek és más fejlett 
rendszerek fejlesztése szempontjából.
A 3D térbeli adatfeldolgozási számos iparágban használják. Néhány a 
főbb alkalmazások közül
4.1 Autonóm járművek
járművek olyan járművek, amelyek fejlett technológiával, emberi 
beavatkozás nélkül vezetik magukat. Ezek a járművek különféle 
érzékelőket, kamerákat, radart, LiDAR-t és egyebeket használnak, hogy 
pontos képet kapjanak a környezetükről. Ezek a technológiák a valós 
idejű adatfeldolgozással kombinálva elengedhetetlenek a biztonságos 
vezetési útvonalak meghatározásához.
Különösen a 3D objektumfelismerő technológia az autonóm járművek 
kulcsfontosságú eleme, amely fontos szerepet játszik a jármű körüli 
objektumok pontos felismerésében és érzékelésében. A PointRCNN 
például pontfelhőadatokat használ fel a jármű környezetének nagy 
felbontású elemzéséhez. Ez autonóm járművek számára, hogy valós 
időben felismerjék a gyalogosokat, más járműveket, közúti jelzőtáblákat 
és egyebeket a biztonságos vezetés érdekében.27)
Az autonóm a gépi tanulás és a mesterséges intelligencia technológiák 
alkalmazásával képesek tanulni a vezetési mintákat és alkalmazkodni a 
különböző vezetési helyzetekhez. Ezek a hozzájárulnak a 17- -
járműbiztonság, a hatékonyság és a felhasználói élmény javításához. 
Különösen a több érzékelő fúziós technológiája javítja a 3D-s 
objektumfelismerés pontosságát, a megbízható teljesítményt a 
legkülönbözőbb környezetekben28).
Az autonóm vezetési alkalmazások 3D objektum-felismerési módszereinek 
áttekintése. IEEE Transactions on Intelligent Transportation , 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). Több szenzoros fúziós technológia 
3D objektumfelismeréshez az autonóm vezetésben: IEEE Transactions on 
Intelligent Transportation , 25, 1148-1165.18- -
Az autonóm járművek összetett algoritmusok és érzékelőtechnológiák 
konvergenciája révén a jövő közlekedési rendszereinek egyik 
kulcsfontosságú innovációs területét . Ezek a pozitív hatást gyakorolnak 
a társadalom egészére azáltal, hogy csökkentik a forgalmi torlódásokat, 
mérséklik a közúti balesetek számát, és hatékonyabbá teszik a forgalom 
áramlását.29)
Az autonóm járművek LiDAR-érzékelőket és 3D-s tárgyfelismerő
technológiát használnak a jármű környezetének valós idejű érzékelésére 
és elemzésére. Ez lehetővé teszi az akadályok elkerülését, a gyalogosok 
felismerését, a kereszteződések elemzését és a jármű biztonságának és 
vezetési hatékonyságának maximalizálása érdekében.
4.2 Egészségügy
A 3D objektumdetektálási technikák az orvostudomány területén, 
különösen az olyanok, mint a PointRCNN, széleskörű alkalmazási 
lehetőségeket . Ezeket a technológiákat elsősorban az orvosi 
képalkotásban, a sebészeti robotikában, a betegmegfigyelő
rendszerekben stb. használják.
A 3D objektumfelismerő technológia segít CT-, MRI- és 
ultrahangfelvételeken az elváltozások pontos felismerésében. Ez 
különösen fontos az olyan területeken, mint a radiológia, ahol a 
mesterséges intelligenciát és gépi tanulást alkalmazó számítógépes 
diagnosztikai rendszerekkel kombinálva javítható a diagnosztikai 
pontosság.30).
A sebészeti robotrendszerekben a 3D objektumfelismerő technológia 
lehetővé teszi a környező szövetek és szervek pontos felismerését a 
műtét során, ami a biztonságos és pontos műtétben. Az orvosi 
mesterséges intelligencia fejlődésével együtt ez nagymértékben 
javíthatja műtétek hatékonyságát és biztonságát31).
A 3D érzékelők és a tárgyfelismerő technológia képes elemezni a páciens 
valós idejű mozgását és életjeleit, hogy a rendellenességeket korai 
stádiumban felismerje. Ezeket a mesterséges intelligencia alapú 
betegmegfigyelő rendszerekkel kombinálva folyamatosan nyomon 19- -
követhető és kezelhető a beteg állapota.32)
A virtuális valósággal (VR) kombinálva az orvosi oktatásban és képzésben 
is felhasználható lenne. 3D-s tárgyfelismerő technológia
29) Arnold, E., Al-Jarrah, O. Y., Dianati, M., Fallah, S., Oxtoby, D., & 
Mouzakitis, A. (2019). A Survey on 3D Object Detection Methods for 
Autonomous Driving Applications (Felmérés a 3D objektumfelismerési 
módszerekről autonóm vezetési alkalmazásokhoz). IEEE Transactions on 
Intelligent Transportation , 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 munkacsoport 273. jelentése: 
Ajánlások a legjobb gyakorlatokról a mesterséges intelligencia és a gépi 
tanulás számítógépes diagnosztikájához az orvosi képalkotásban. Orvosi 
fizika.
31) Mukherjee, J., Sharma, R., Dutta, P., & Bhunia, B. (2023). Mesterséges 
intelligencia az egészségügyben: mesterséges intelligencia. Biotechnology 
and Genetic Engineering Reviews, None, 1-50.
32) Almagharbeh, W. (2024). Az AI-alapú döntéstámogató rendszerek hatása 
az ápolási munkafolyamatokra a kritikus ápolási osztályokon. International 
nursing review, None.
[8] Wang, L., Chen, X., Zhang, L., Li, L., Huang, Y., Sun, Y., & Yuan, X. (2023). 
Mesterséges intelligencia az onkológiai klinikai döntéstámogató 
rendszerekben. International Journal of Medical Sciences, 20, 79-86.20- -
Fontos szerepet játszanak orvosok és az egészségügyi szakemberek 
műtétek és diagnózisok szimulálásában, lehetővé téve a valósághű
környezetben történő tanulást.33)
Ezek az alkalmazások hozzájárulnak a diagnózis és a kezelés 
pontosságának növeléséhez az orvostudomány területén, valamint az 
általános biztonság javításához. Különösen a 3D objektumfelismerő
technológia és a mesterséges intelligencia kombinációja gyorsítja az 
innovációt az egészségügyben, és betegek egészségének és 
biztonságának javítását szolgáló fontos eszközzé válik. Ezek a 
tanulmányok új perspektívákat nyújtanak az orvosi mesterséges 
intelligencia kereskedelmi, szabályozási és társadalmi vonatkozásaival 
kapcsolatban.34)
Az orvostudományban a 3D térbeli adatfeldolgozást pontos diagnózis és 
a műtéti tervezés során használják. A 3D orvosi képalkotásból, például 
CT- vagy MRI-vizsgálatokból származó pontfelhőadatokat a műtéti 
terület vizualizálására és pontos helyének és méretének mérésére 
használják a műtéti pontosság javítása érdekében.
4.3 Ipari automatizálás és robotika
A 3D-s tárgyfelismerő technológiák, különösen az olyan modellek, mint 
a PointRCNN, forradalmasítják az ipari automatizálás és a robotika 
területét. Ezek a technológiák jelentősen javítják a hatékonyságot és a 
pontosságot az iparágak széles körében, és fontos szerepet játszanak a 
következő konkrét területeken
A 3D-s tárgyfelismerő technológia elengedhetetlen a robotrendszerek 
számára a raktárban lévő tárgyak felismeréséhez és szortírozásához. 
Lehetővé teszi a robotok számára, hogy pontosan felismerjék a 
különböző méretű és formájú tárgyakat, lehetővé téve számukra a 
hatékony mozgatási és válogatási feladatok elvégzését. Ezek a 
technológiák növelik az ipari folyamatok hatékonyságát, és 
megkönnyítik a logisztikai rendszerek automatizálását.35)
Amikor az ipari robotok automatikusan szerelik össze az alkatrészeket, a 
3D objektumfelismerés növeli az összeszerelés hatékonyságát az 
alkatrészek pontos helyzetének és tájolásának felismerésével. Ez 21- -
jelentősen hozzájárul a gyártási sebesség növeléséhez és a hibaarány 
csökkentéséhez, és fontos szerepet az intelligens gyártási 
környezetekben.36)
A 3D szkennelési technológia segítségével a termékek geometriájának és 
méreteinek ellenőrzésére szolgálnak, és fontos szerepet a 
termékminőség biztosításában, a hibák korai felismerésében és a 
költségek csökkentésében. Ezek az automatizált alkatrészek
33) Yeh, M. C., Wang, Y., Yang, H., Bai, K., Wang, H., & Li, Y. (2020). A 
tüdőrák kockázatának mesterséges intelligencián alapuló előrejelzése nem 
képalkotó elektronikus orvosi nyilvántartások felhasználásával: 
mélytanulási megközelítés. Journal of Medical Internet Research, 23.
34) Mukherjee, J., Sharma, R., Dutta, P., & Bhunia, B. (2023). Mesterséges 
intelligencia az egészségügyben: mesterséges intelligencia. 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 a robotikában és az automatizálásban: 
Alkalmazások és kihívások. IEEE Transactions on Automation Science and , 
18, 398-400.
36) Ji, S., Lee, S., Yoo, S., Suh, I., Kwon, I., Park, F., Lee, S., & Kim, H. (2021).
A robotok összeszerelésének tanuláson alapuló automatizálása az intelligens 
gyártáshoz. Proceedings of the IEEE, 109, 423-440.22- -
A minőségellenőrzési rendszerek növelik a termékek megbízhatóságát.37)
A robotok és automatizálási rendszerek biztonságának növelése 
érdekében 3D-s tárgyfelismerő technológiát alkalmaznak. Ez lehetővé 
teszi számára, hogy felismerjék a közeli vagy biztonságosan Ezek a 
biztonsági mechanizmusok hozzájárulnak az ipari környezetben 
bekövetkező balesetek csökkentéséhez.38)
Az autonóm járművek vagy drónok számára alapvető fontosságú a 
tárgyak észlelése és útvonaltervezés. A 3D-s objektumfelismerő
technológia e rendszerek hatékony működését, az akadályok elkerülését 
és a szállítási feladatok biztonságos végrehajtását.39)
Ezeken a területeken a 3D-s objektumfelismerő technológiák ipari 
automatizálás innovációjának motorjai, segítve a termelékenység 
növelését, a költségek csökkentését és a biztonság javítását. Ezek a 
technológiák a jövőben is szerves részét képezik majd a robotika és az 
automatizálási rendszerek fejlődésének. Kutatások kimutatták, e 
technológiák alkalmazása jelentősen hozzájárul az ipari folyamatok 
hatékonyságának növeléséhez és az automatizált rendszerek 
komplexitásának kezeléséhez.40)
Az ipari automatizálásban és a robotikában a 3D térbeli adatfeldolgozást 
a gyártási folyamatok hatékonyságának növelésére és a 
minőségellenőrzések automatizálására használják. A robotok LiDARérzékelőket
vagy 3D-kamerákat használnak termékek felismerésére, a 
rendellenességek észlelésére és a minőségi problémák megoldásának 
elősegítésére.
4.4 Biztonsági felügyeleti rendszerek
A biztonsági felügyeleti rendszerekben a 3D objektumfelismerő
technológia fontos szerepet a hatékony felügyeleti és biztonsági 
megoldások biztosításában a legkülönbözőbb környezetekben. A 
technológia különösen kiemelkedő szerepet tölt be az olyan területeken, 
mint a valós idejű megfigyelés, a behatolásérzékelés, az incidensek 
megelőzése, az adatelemzés és jelentéskészítés, valamint a mesterséges 
intelligencia integrálása.23- -
A valós idejű megfigyelési képességekkel rendelkező 3D 
objektumérzékelő rendszerek kamerákat és érzékelőket használnak a 
környezet valós idejű elemzésére. Ez a valós idejű elemzés lehetővé teszi 
az emberek, járművek és tárgyak pontos felismerését, és veszélyes 
helyzet esetén azonnali figyelmeztetést ad. Ez elengedhetetlen a 
biztonság növeléséhez, különösen az olyan összetett környezetekben, 
mint az utak és repülőterek.
A behatolásérzékelés során a 3D objektumérzékelési technológia 
hatékonyan érzékeli a szokatlan mozgást vagy viselkedést egy adott 
biztonsági területen belül. Ez a behatoló közeledésének korai 
észleléséhez vezethet, és a biztonsági személyzet számára azonnali
37) Wang, K., Zhou, J., Li, G., Hu, Y., & Hu, F. (2024). Ipari automatizálás és 
termékminőség: a robotizált termelés átalakításának szerepe. Alkalmazott 
közgazdaságtan.
38) Salcic, Z., Atmojo, U., Park, H., Chen, A., & Wang, K. (2019). Dinamikus 
és együttműködő automatizálási és robotikai szoftverrendszerek tervezése. 
IEEE Transactions on Industrial Informatics, 15, 540-549.
39) Nebot, E. (2018). Robotika: Az automatizálástól az intelligens rendszerekig. 
Mérnöki tudományok.
40) Mulaveesala, R., Arora, V., Dua, G., Morello, R., & Vavilov, V. (2022). 
Ipari látás és automatizálás. Measurement Science and Technology, 33.24- -
Vörös jelzéssel megakadályozza az illetéktelen behatolást a biztonságos 
területekre.
A balesetmegelőzés szempontjából ezek a rendszerek a veszélyek korai 
észlelésével és figyelmeztetéssel előzik meg a baleseteket a 
legkülönbözőbb környezetekben, beleértve az ipari telephelyeket is. Egy 
automatikus figyelmeztető rendszer akkor léphet működésbe, amikor 
egy munkavállaló megközelít egy veszélyes területet, így megelőzhető a 
baleset.
Az adatelemzési és jelentéstételi képességek segítenek a biztonsági 
helyzet értékelésében és a problémák azonosításában az összegyűjtött 
3D-s adatok későbbi elemzésével. Ezek az elemzések fontos betekintést 
nyújtanak a jövőbeli biztonsági stratégiához, és folyamatos biztonsági 
fejlesztést.
A mesterséges intelligencia integrálásával a 3D objektumfelismerő
technológia gépi tanulási algoritmusokkal, hogy intelligensebb 
felügyeleti rendszert hozzon létre. Ez hogy a rendszer mintákat tanuljon, 
és kifinomultabb riasztási és reagálási mechanizmusokat alkalmazzon.
Így a 3D objektumfelismerő technológia a biztonsági felügyeleti 
rendszerek szerves részévé válik, segítve a különböző biztonsági igények 
kielégítését és növelve a létesítmények biztonságát. Ezek a technológiák 
a jövőben várhatóan tovább fejlődnek, ami még kifinomultabb és 
hatékonyabb biztonsági felügyeleti megoldásokat eredményez. Ezek a 
technológiai fejlesztések robusztusabb biztonsági rendszerekké fognak 
fejlődni, különösen a mesterséges intelligenciával való integráció 
révén.41)
A 3D objektumfelismerő technológia a biztonsági felügyeleti 
rendszerekben is fontos szerepet . A LiDAR-érzékelők és a 3D-s 
objektumfelismerő technológia a betolakodók észlelésére vagy annak 
megállapítására, hogy emberek vannak-e a közelben. A 3D térben a 
viselkedésmintákat elemezhetik, hogy nyomon követhessék és 
megakadályozhassák az illegális tevékenységeket.25- -
41) Chen, Y., Wang, H., Pang, Y., Han, J., Mou, E., & Cao, E. (2023). Egy 
súlyozott emberi vizuális összehasonlítási mechanizmuson alapuló 
infravörös kis célpont észlelési módszer a biztonsági megfigyeléshez. 
Remote. Sens., 15, 2922.26- -
4.5 VR/AR
A virtuális valóságban (VR) és a kiterjesztett valóságban (AR) a 3D 
objektumfelismerő technológia jelentősen javítja a felhasználói élményt 
számos iparágban. A 3D objektumfelismerés lehetővé teszi a 
felhasználók számára, hogy a virtuális környezetben valós tárgyakkal 
lépjenek interakcióba, ami az AR-alkalmazások számára 
elengedhetetlen ahhoz, hogy valós időben felismerjék a környezetüket a 
virtuális elemek pontos elhelyezéséhez és manipulálásához. Ezáltal a 
felhasználói élmény még magával ragadóbbá válik.
A VR-környezetekben a 3D-s objektumérzékelést valósághű szimulációk 
létrehozására használják. Ez képzési forgatókönyveket biztosít számos , 
többek között az orvostudomány, a és a repülés területén lehetővé téve a 
résztvevők számára, hogy biztonságosan megtapasztalják és gyakorolják 
a valós élethelyzeteket. A VR/AR alkalmazása, különösen az építőipari 
biztonság területén, növeli a munkavállalók biztonságtudatosságát.42)
A játékiparban a 3D-s objektumérés a játékos mozgásának és 
helyzetének pontos követésével élményt nyújt. Ez lehetővé teszi a 
virtuális karakterekkel való interakciót, növelve a játék realizmusát.
Az építészetben és a mérnöki tudományokban az AR-technológia a 
tervezési modellek valós világban történő megjelenítésére . segíthet a 
tervezési folyamat hibáinak előzetes felismerésében, és megkönnyítheti 
az ügyfelekkel való kommunikációt. Ezek az alkalmazások különösen 
szinergikusak az építési biztonsággal.43)
Az AR technológia segíti a fogyasztókat a vásárlási döntések 
meghozatalában, mivel lehetővé teszi számukra a termékek virtuális 
megtapasztalását. Például lehetővé teszi számukra, hogy előre 
elhelyezzék a bútorokat az otthonukban, vagy előre felpróbálják a 
kozmetikai színeket. Ez fokozza a fogyasztók vásárlási élményét és 
interakcióját.44)
Így a 3D-s tárgyfelismerő technológia innovatív élményeket nyújt a VR 
és az AR területén, és számos iparágban alkalmazzák. A jövőben ezek a 
technológiák tovább fognak fejlődni, még zökkenőmentesebbé és 
természetesebbé téve a felhasználó és a virtuális környezet közötti 27- -
interakciót. Ez tovább fogja bővíteni a VR/AR technológia használatát az 
oktatásban, a szórakoztatásban, a kereskedelemben és még sok más 
területen. Ugyanakkor e technológiák fejlődése új lehetőségeket teremt 
a turizmusban és a vendéglátásban.45)
42) Li, X., Yi, W., Chi, H., Wang, X., & Chan, A. P. C. (2018). A virtuális és 
kiterjesztett valóság (VR/AR) alkalmazások kritikai áttekintése az építőipari 
biztonságban. Automation in Construction, 86, 150-162.
43) Li, X., Yi, W., Chi, H., Wang, X., & Chan, A. P. C. (2018). A virtuális és 
kiterjesztett valóság (VR/AR) alkalmazások kritikai áttekintése az építőipari 
biztonságban. Automation in Construction, 86, 150-162.
44) Jayawardena, N. S., Thaichon, P., Quach, S., Razzaq, A., & Behl, A. (2023). 
"A virtuális valóság (VR) és a kiterjesztett valóság (AR) videóreklámok 
meggyőző hatása: Egy koncepcionális áttekintés". Journal of Business 
Research.
45) Wei, W. (2019). A virtuális valóság (VR) és a kiterjesztett valóság (AR) 
kutatási előrehaladása a turizmusban és a vendéglátásban. Journal of 
Hospitality and Tourism Technology, 10, 539-570.28- -
A virtuális valóságban (VR) és a kiterjesztett valóságban (AR) a 3D térbeli 
adatok fontos szerepet játszanak valós tárgyakkal való interakcióban. A 
3D térbeli adatok virtuális tárgyak megfelelő elhelyezését a valós 
világban, és a felhasználók számára a velük való természetes interakciót.
5. Következtetés
A 3D térbeli adatfeldolgozási számos területet forradalmasít, többek 
között az autonóm vezetést, az egészségügyet, az ipart, a biztonságot és a 
VR/AR-t. Különösen a LiDAR-érzékelők és a 3D-s objektumfelismerési 
technológiák fontos szerepet e területek mindegyikén, hozzájárulva a 
valós idejű környezeti elemzéshez, a pontos diagnózishoz és kezeléshez, 
valamint a hatékony automatizálási rendszerekhez. Ezek a tovább 
fejlődnek, és gazdagabb felhasználói élményt nyújtanak majd a 
különböző területeken.29- -
Hivatkozások
1. Abbasi, R., Bashir, A., Alyamani, H. J., Amin, F., Doh, J., & Chen, J. 
(2023). Lidar pontfelhő tömörítés, feldolgozás és tanulás az autonóm 
vezetéshez. IEEE Transactions on Intelligent Transportation , 24, 962-
979.
2. Arnold, E., Al-Jarrah, O. Y., Dianati, M., Fallah, S., Oxtoby, D., & 
Mouzakitis, A. (2019). A Survey on 3D Object Detection Methods for 
Autonomous Driving Applications (Felmérés a 3D objektumfelismerési 
módszerekről autonóm vezetési alkalmazásokhoz). IEEE Transactions 
on Intelligent Transportation , 20, 3782-3795.
3. Bai, X., Zhou, J., Ning, X., & Wang, C. (2022). 3D adatszámítás és 
vizualizáció. Displays, 73, 102169.
4. Beam, A. L., Drazen, J. M., Kohane, I. S., Leong, T., Manrai, A., & 
Rubin, E. J. (2023). Mesterséges intelligencia az orvostudományban. 
New England Journal of Medicine, 388(13), 1220-1221.
5. Campilho, R., & Silva, F. J. G. (2023). Ipari folyamatfejlesztés 
automatizálással és robotikával. gépek.
6. Cao, M., & Wang, J. (2020). Akadályérzékelés autonóm vezetésű
járművek számára több LiDAR érzékelő fúziójával. Journal of Dynamic 
Systems Measurement and Control - Transactions of the ASME, 142.
7. Chen, W., Li, P., & Zhao, H. (2022). MSL3D: 3D objektumdetektálás 
monokuláris, sztereó és pontfelhőből autonóm vezetéshez. 
Neurocomputing, 494, 23-32.
8. Chen, Y., Wang, H., Pang, Y., Han, J., Mou, E., & Cao, E. (2023). Egy 
súlyozott emberi vizuális összehasonlítási mechanizmuson alapuló 
infravörös kis célpont észlelési módszer a biztonsági megfigyeléshez. 
Remote. Sens., 15, 2922.
9. Dzikunoo, E., Vignoli, G., Jørgensen, F., Yidana, S., & BanoengYakubo,
B. (2020). Új regionális rétegtani meglátások a ghánai Nasia 
részmedence 3D-s geológiai modelljéből, amelyet hidrogeológiai célokra 
fejlesztettek ki, és amely eredetileg ásványkincs-kutatáshoz gyűjtött Bmezős
adatok újrafeldolgozásán alapul. 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. és Zhang, Z. (2023). Super 
Sparse 3D objektum detektálás. IEEE Transactions on Pattern Analysis 30- -
and Machine , 45, 12490-12505.
12. Fernandes, D., Silva, A., Névoa, R., Simőes, C., Gonzalez, D. G., 
Guevara, M., Novais, P., Monteiro, J., Melo-Pinto, P., & Melo-Pinto, P. 
(2021). Pontfelhő alapú 3D objektum detektálási és osztályozási 
módszerek önvezető alkalmazásokhoz: Egy áttekintés és taxonómia. 
Information Fusion, 68, 161-191.
13. Guo, Y., Wang, H., Hu, Q., Liu, H., Liu, L., & Bennamoun. (2019). 
Mély31- -
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 munkacsoport 273. jelentése: Ajánlások a 
legjobb gyakorlatokról a mesterséges intelligencia és a gépi tanulás 
számítógépes diagnosztikájához az orvosi képalkotásban. Orvosi fizika.
15. Huang, S. (2019). A kiterjesztett valóság és a virtuális valóság: az AR 
és a VR ereje az üzleti életben. 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).
A robotok összeszerelésének tanuláson alapuló automatizálása az 
intelligens gyártáshoz. Proceedings of the IEEE, 109, 423-440.
17. Jayawardena, N. S., Thaichon, P., Quach, S., Razzaq, A., & Behl, A. 
(2023). "A virtuális valóság (VR) és a kiterjesztett valóság (AR) 
videóreklámok meggyőző hatása: Egy koncepcionális áttekintés". 
Journal of Business Research.
18. Kim, E. Y., Shin, S. Y., Lee, S., Lee, K., Lee, K. H., & Lee, K. M. (2020).
Triplanáris konvolúció megosztott 2D kernelekkel 3D osztályozáshoz és 
alakvisszakereséshez. Computer Vision and Image Understanding, 193, 
102901.
19. Kim, J., Kim, M., Park, M., & Yoo, J. (2022). Merev interaktív 
technológiák és virtuális vásárlási élmények: Különbségek a fogyasztók 
megítélésében a kiterjesztett valóság (AR) és a virtuális valóság (VR) 
között. Telematika és informatika, 77, 101936.
20. Kusiak, A. (2023). Hiperautomatizálás a feldolgozóiparban. J. Intell. 
Manuf., 35, 1-2.
21. Li, X., Yi, W., Chi, H., Wang, X., & Chan, A. P. C. (2018). A virtuális és 
kiterjesztett valóság (VR/AR) alkalmazások kritikai az építőipari 
biztonságban. 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). 3D objektumfelismerés az 32- -
autonóm vezetéshez: A Computer Vision International Journal of 
Computer Vision, 131, 1909-1963.
24. Mulaveesala, R., Arora, V., Dua, G., Morello, R., & Vavilov, V. (2022). 
Ipari látás és automatizálás. Measurement Science and Technology, 33.
25. Mukherjee, J., Sharma, R., Dutta, P., & Bhunia, B. (2023). 
Mesterséges intelligencia az egészségügyben: mesterséges intelligencia. 
Biotechnology and Genetic Engineering Reviews, None, 1-50.
26. Nebot, E. (2018). Robotika: Az automatizálástól az intelligens 
rendszerekig. Mérnöki tudományok.
27. Ren, S., Pan, X., Zhao, W., Nie, B., & Han, B. 
(2022). Dynamic graph33- -
transzformátor a 3D objektumok felismeréséhez. Knowledge-Based 
Systems, 259, 110085.
28. Song, S., Huang, T., Zhu, Q., & Hu, H. (2023). ODSPC: mélytanulásalapú
3D objektumdetektálás szemantikus pontfelhő felhasználásával. 
Visual Computer, , 1-15.
29. Wei, W. (2019). A virtuális valóság (VR) és a kiterjesztett valóság (AR) 
kutatási előrehaladása a turizmusban és a vendéglátásban. Journal of 
Hospitality and Tourism Technology, 10, 539-570.
30. Xue, Z., Wu, S., Li, M., & Cheng, K. (2024). Új módszer a regionális 
kutatáshoz a modern 3D grafikán alapuló regionális kutatáshoz. 
Ásványok.
31. Yeh, M. C., Wang, Y., Yang, H., Bai, K., Wang, H., & Li, Y. (2020). A 
tüdőrák kockázatának mesterséges intelligencián alapuló előrejelzése 
nem képalkotó elektronikus orvosi nyilvántartások felhasználásával: 
mélytanulási megközelítés. Journal of Medical Internet Research, 23.
32. Zhou, Q. (2022). Számítógéppel támogatott észlelés és 
diagnózis/radiomika/gépi tanulás/mély tanulás az orvosi képalkotásban. 
Medical Physics.