Đám mây điểm là gì? Các bài nghiên cứu khoa học liên quan

Đám mây điểm là tập hợp các điểm trong không gian 3D chứa thông tin tọa độ và thuộc tính, đại diện số hóa hình dạng bề mặt vật thể hoặc môi trường thực. Đây là dạng dữ liệu không có kết cấu topo, được tạo ra từ cảm biến như LiDAR hay ảnh lập thể, đóng vai trò nền tảng trong phân tích hình học và mô hình 3D.

Định nghĩa đám mây điểm

Đám mây điểm (point cloud) là một tập hợp các điểm trong không gian ba chiều, trong đó mỗi điểm được biểu diễn bằng các tọa độ (x,y,z)(x, y, z). Các điểm này mô tả hình dạng bên ngoài của một vật thể hoặc bề mặt, đóng vai trò là đại diện số hóa của thế giới thực trong môi trường kỹ thuật số.

Mỗi điểm trong đám mây không chỉ mang thông tin vị trí mà còn có thể đi kèm các thuộc tính bổ sung như màu sắc (RGB), cường độ phản xạ, vector pháp tuyến hoặc giá trị thời gian bay (ToF). Đây là nguồn dữ liệu nền tảng cho nhiều ứng dụng như xây dựng mô hình 3D, thị giác máy tính, bản đồ số và kỹ thuật số hóa di sản.

Đám mây điểm có đặc điểm là không có kết nối topo giữa các điểm, khác với lưới tam giác (mesh) hay mô hình bề mặt liền mạch. Do đó, việc xử lý và phân tích đám mây điểm thường đòi hỏi thuật toán đặc thù để xác định cấu trúc hoặc tái tạo bề mặt từ dữ liệu rời rạc.

Các phương pháp thu thập đám mây điểm

Các kỹ thuật thu thập đám mây điểm chủ yếu dựa trên cảm biến đo khoảng cách hoặc hình ảnh đa chiều. Phổ biến nhất là công nghệ LiDAR, máy quét laser 3D, ảnh lập thể và cảm biến ánh sáng có cấu trúc.

Các công nghệ chính gồm:

  • LiDAR: Phát ra chùm tia laser và đo thời gian phản xạ để xác định khoảng cách. Ưu điểm: độ chính xác cao, hoạt động tốt cả trong điều kiện ánh sáng yếu.
  • Photogrammetry: Sử dụng ảnh chụp từ nhiều góc độ để tái dựng hình học 3D. Ưu điểm: chi phí thấp, dễ tiếp cận, nhưng độ chính xác phụ thuộc chất lượng ảnh và ánh sáng.
  • Structured Light và Time-of-Flight: Thường dùng trong thiết bị như Microsoft Kinect hoặc Intel RealSense. Phù hợp cho mô hình vật thể gần.

So sánh nhanh giữa các công nghệ:

Công nghệĐộ chính xácChi phíĐiều kiện hoạt động
LiDARCaoĐắtNgày/đêm, đa môi trường
PhotogrammetryTrung bìnhThấpCần ánh sáng tốt
Structured LightTrung bình - CaoTrung bìnhKhoảng cách gần

Ngoài ra, UAV (drone) có gắn cảm biến cũng thường được dùng để quét địa hình lớn, đặc biệt trong khảo sát nông nghiệp và xây dựng.

Các định dạng dữ liệu đám mây điểm phổ biến

Đám mây điểm được lưu trữ dưới nhiều định dạng khác nhau, phụ thuộc vào nguồn cảm biến, phần mềm xử lý và yêu cầu truyền dẫn. Các định dạng phổ biến gồm:

  • LAS/LAZ: Chuẩn dùng trong dữ liệu LiDAR, hỗ trợ thuộc tính phụ trợ và nén dữ liệu (LAZ).
  • PLY (Polygon File Format): Cho phép lưu cả tọa độ điểm và thông tin màu sắc, vector pháp tuyến.
  • PCD: Phát triển bởi Point Cloud Library (PCL), hỗ trợ tốt cho xử lý bằng mã nguồn mở.
  • XYZ: Định dạng đơn giản chỉ chứa x,y,zx, y, z, thường dùng trong xử lý nhanh hoặc lưu trữ tạm thời.

Ví dụ định dạng PLY:

ply
format ascii 1.0
element vertex 3
property float x
property float y
property float z
end_header
0.0 0.0 0.0
1.0 0.0 0.0
0.0 1.0 0.0

Việc lựa chọn định dạng phụ thuộc vào nhu cầu phân tích và phần mềm mục tiêu. LAS được dùng trong bản đồ địa lý quy mô lớn, PLY phổ biến trong in 3D và đồ họa, PCD phù hợp với lập trình thời gian thực.

Tiền xử lý và lọc đám mây điểm

Để đảm bảo chất lượng và hiệu suất xử lý, dữ liệu đám mây điểm cần được tiền xử lý qua các bước như lọc nhiễu, giảm mật độ điểm, căn chỉnh (registration) và phân mảnh (segmentation). Đây là bước quan trọng giúp tối ưu quá trình phân tích tiếp theo.

Các kỹ thuật phổ biến:

  • Statistical Outlier Removal: Loại bỏ các điểm xa lạ bằng cách tính trung bình khoảng cách lân cận.
  • Voxel Grid Filter: Chia không gian thành lưới khối lập phương, chọn điểm đại diện cho mỗi khối để giảm số lượng.
  • ICP (Iterative Closest Point): Căn chỉnh hai đám mây điểm để khớp nhau tốt nhất.

Việc tiền xử lý chính xác giúp giảm tải tính toán trong các bước phân tích như phân đoạn, nhận dạng hình học hoặc xây dựng mô hình lưới (mesh generation).

Phân tích và tái tạo bề mặt từ đám mây điểm

Phân tích đám mây điểm là giai đoạn trích xuất thông tin hình học và xây dựng bề mặt liên tục từ dữ liệu rời rạc. Một số thuật toán nổi bật được sử dụng trong tái tạo bao gồm:

  • Poisson Surface Reconstruction: Ước lượng bề mặt dựa trên vector pháp tuyến của các điểm.
  • Ball Pivoting Algorithm (BPA): Dựng lưới tam giác bằng cách quay một quả cầu ảo trên tập điểm.
  • Marching Cubes: Tái tạo isosurface trong dữ liệu dạng thể tích hoặc voxel.

Các thuật toán này thường được áp dụng trong quy trình thiết kế ngược (reverse engineering), in 3D và mô phỏng thực tế ảo.

Ứng dụng thực tế của đám mây điểm

Đám mây điểm được ứng dụng rộng rãi trong nhiều ngành công nghiệp và nghiên cứu:

  • Xây dựng – BIM: Lập mô hình hiện trạng công trình và kiểm tra độ chính xác thi công.
  • Ô tô tự hành: Xe sử dụng LiDAR để định vị và phát hiện vật cản.
  • Khảo cổ học – bảo tồn: Số hóa các di tích và vật thể cổ nhằm phục dựng kỹ thuật số.
  • Công nghiệp: Đo kiểm sản phẩm so với mô hình CAD, phát hiện sai số sản xuất.

Trong nông nghiệp thông minh, đám mây điểm giúp lập bản đồ địa hình chính xác phục vụ tưới tiêu và theo dõi sức khỏe cây trồng.

Thách thức kỹ thuật trong xử lý đám mây điểm

Các vấn đề thường gặp khi xử lý đám mây điểm bao gồm kích thước dữ liệu lớn, nhiễu cao và thiếu cấu trúc topo. Điều này đòi hỏi sử dụng phần mềm chuyên dụng có khả năng xử lý song song hoặc GPU acceleration.

Thêm vào đó, các đối tượng phức tạp hoặc bị che khuất có thể tạo ra các lỗ hổng trong dữ liệu, ảnh hưởng đến quá trình tái tạo hình học. Do đó, cần có chiến lược quét đa góc và hợp nhất dữ liệu chính xác.

Đám mây điểm trong trí tuệ nhân tạo và học sâu

Trong lĩnh vực học sâu, dữ liệu đám mây điểm ngày càng được khai thác cho các tác vụ như phân loại (classification), phân đoạn (segmentation) và phát hiện đối tượng (detection). Các mô hình tiêu biểu gồm:

  • PointNet, PointNet++: Kiến trúc mạng nơ-ron đầu tiên xử lý trực tiếp đám mây điểm.
  • PointCNN, DGCNN: Sử dụng phép tích chập trên tập điểm để học đặc trưng hình học cục bộ.

Các bộ dữ liệu phổ biến hỗ trợ huấn luyện mạng gồm ShapeNet, ModelNet, ScanNet và SemanticKITTI.

Hướng phát triển và xu hướng công nghệ

Tương lai của công nghệ đám mây điểm hướng đến việc tích hợp thời gian thực, xử lý dữ liệu lớn và ứng dụng đa lĩnh vực. Các xu hướng nổi bật:

  • Hợp nhất dữ liệu đa cảm biến (fusion of LiDAR, RGB, IR, Radar).
  • Phát triển tiêu chuẩn mở và hệ thống dữ liệu liên thông.
  • Ứng dụng trong xây dựng twin kỹ thuật số và mô hình đô thị thông minh.

Các công cụ như Open3D, CloudCompare, PCL đang đóng vai trò quan trọng trong nghiên cứu và thương mại hóa ứng dụng đám mây điểm.

Tài liệu tham khảo

  1. NIST – Point Cloud Measurement Standards
  2. USGS – What is LiDAR?
  3. Point Cloud Library (PCL) Documentation
  4. Open3D – Open-source library for 3D data
  5. Qi et al., PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation

Định nghĩa đám mây điểm

Đám mây điểm (point cloud) là một tập hợp các điểm trong không gian ba chiều, trong đó mỗi điểm được biểu diễn bằng các tọa độ (x,y,z)(x, y, z). Các điểm này mô tả hình dạng bên ngoài của một vật thể hoặc bề mặt, đóng vai trò là đại diện số hóa của thế giới thực trong môi trường kỹ thuật số.

Mỗi điểm trong đám mây không chỉ mang thông tin vị trí mà còn có thể đi kèm các thuộc tính bổ sung như màu sắc (RGB), cường độ phản xạ, vector pháp tuyến hoặc giá trị thời gian bay (ToF). Đây là nguồn dữ liệu nền tảng cho nhiều ứng dụng như xây dựng mô hình 3D, thị giác máy tính, bản đồ số và kỹ thuật số hóa di sản.

Đám mây điểm có đặc điểm là không có kết nối topo giữa các điểm, khác với lưới tam giác (mesh) hay mô hình bề mặt liền mạch. Do đó, việc xử lý và phân tích đám mây điểm thường đòi hỏi thuật toán đặc thù để xác định cấu trúc hoặc tái tạo bề mặt từ dữ liệu rời rạc.

Các phương pháp thu thập đám mây điểm

Các kỹ thuật thu thập đám mây điểm chủ yếu dựa trên cảm biến đo khoảng cách hoặc hình ảnh đa chiều. Phổ biến nhất là công nghệ LiDAR, máy quét laser 3D, ảnh lập thể và cảm biến ánh sáng có cấu trúc.

Các công nghệ chính gồm:

  • LiDAR: Phát ra chùm tia laser và đo thời gian phản xạ để xác định khoảng cách. Ưu điểm: độ chính xác cao, hoạt động tốt cả trong điều kiện ánh sáng yếu.
  • Photogrammetry: Sử dụng ảnh chụp từ nhiều góc độ để tái dựng hình học 3D. Ưu điểm: chi phí thấp, dễ tiếp cận, nhưng độ chính xác phụ thuộc chất lượng ảnh và ánh sáng.
  • Structured Light và Time-of-Flight: Thường dùng trong thiết bị như Microsoft Kinect hoặc Intel RealSense. Phù hợp cho mô hình vật thể gần.

So sánh nhanh giữa các công nghệ:

Công nghệĐộ chính xácChi phíĐiều kiện hoạt động
LiDARCaoĐắtNgày/đêm, đa môi trường
PhotogrammetryTrung bìnhThấpCần ánh sáng tốt
Structured LightTrung bình - CaoTrung bìnhKhoảng cách gần

Ngoài ra, UAV (drone) có gắn cảm biến cũng thường được dùng để quét địa hình lớn, đặc biệt trong khảo sát nông nghiệp và xây dựng.

Các định dạng dữ liệu đám mây điểm phổ biến

Đám mây điểm được lưu trữ dưới nhiều định dạng khác nhau, phụ thuộc vào nguồn cảm biến, phần mềm xử lý và yêu cầu truyền dẫn. Các định dạng phổ biến gồm:

  • LAS/LAZ: Chuẩn dùng trong dữ liệu LiDAR, hỗ trợ thuộc tính phụ trợ và nén dữ liệu (LAZ).
  • PLY (Polygon File Format): Cho phép lưu cả tọa độ điểm và thông tin màu sắc, vector pháp tuyến.
  • PCD: Phát triển bởi Point Cloud Library (PCL), hỗ trợ tốt cho xử lý bằng mã nguồn mở.
  • XYZ: Định dạng đơn giản chỉ chứa x,y,zx, y, z, thường dùng trong xử lý nhanh hoặc lưu trữ tạm thời.

Ví dụ định dạng PLY:

ply
format ascii 1.0
element vertex 3
property float x
property float y
property float z
end_header
0.0 0.0 0.0
1.0 0.0 0.0
0.0 1.0 0.0

Việc lựa chọn định dạng phụ thuộc vào nhu cầu phân tích và phần mềm mục tiêu. LAS được dùng trong bản đồ địa lý quy mô lớn, PLY phổ biến trong in 3D và đồ họa, PCD phù hợp với lập trình thời gian thực.

Tiền xử lý và lọc đám mây điểm

Để đảm bảo chất lượng và hiệu suất xử lý, dữ liệu đám mây điểm cần được tiền xử lý qua các bước như lọc nhiễu, giảm mật độ điểm, căn chỉnh (registration) và phân mảnh (segmentation). Đây là bước quan trọng giúp tối ưu quá trình phân tích tiếp theo.

Các kỹ thuật phổ biến:

  • Statistical Outlier Removal: Loại bỏ các điểm xa lạ bằng cách tính trung bình khoảng cách lân cận.
  • Voxel Grid Filter: Chia không gian thành lưới khối lập phương, chọn điểm đại diện cho mỗi khối để giảm số lượng.
  • ICP (Iterative Closest Point): Căn chỉnh hai đám mây điểm để khớp nhau tốt nhất.

Việc tiền xử lý chính xác giúp giảm tải tính toán trong các bước phân tích như phân đoạn, nhận dạng hình học hoặc xây dựng mô hình lưới (mesh generation).

Phân tích và tái tạo bề mặt từ đám mây điểm

Phân tích đám mây điểm là giai đoạn trích xuất thông tin hình học và xây dựng bề mặt liên tục từ dữ liệu rời rạc. Một số thuật toán nổi bật được sử dụng trong tái tạo bao gồm:

  • Poisson Surface Reconstruction: Ước lượng bề mặt dựa trên vector pháp tuyến của các điểm.
  • Ball Pivoting Algorithm (BPA): Dựng lưới tam giác bằng cách quay một quả cầu ảo trên tập điểm.
  • Marching Cubes: Tái tạo isosurface trong dữ liệu dạng thể tích hoặc voxel.

Các thuật toán này thường được áp dụng trong quy trình thiết kế ngược (reverse engineering), in 3D và mô phỏng thực tế ảo.

Ứng dụng thực tế của đám mây điểm

Đám mây điểm được ứng dụng rộng rãi trong nhiều ngành công nghiệp và nghiên cứu:

  • Xây dựng – BIM: Lập mô hình hiện trạng công trình và kiểm tra độ chính xác thi công.
  • Ô tô tự hành: Xe sử dụng LiDAR để định vị và phát hiện vật cản.
  • Khảo cổ học – bảo tồn: Số hóa các di tích và vật thể cổ nhằm phục dựng kỹ thuật số.
  • Công nghiệp: Đo kiểm sản phẩm so với mô hình CAD, phát hiện sai số sản xuất.

Trong nông nghiệp thông minh, đám mây điểm giúp lập bản đồ địa hình chính xác phục vụ tưới tiêu và theo dõi sức khỏe cây trồng.

Thách thức kỹ thuật trong xử lý đám mây điểm

Các vấn đề thường gặp khi xử lý đám mây điểm bao gồm kích thước dữ liệu lớn, nhiễu cao và thiếu cấu trúc topo. Điều này đòi hỏi sử dụng phần mềm chuyên dụng có khả năng xử lý song song hoặc GPU acceleration.

Thêm vào đó, các đối tượng phức tạp hoặc bị che khuất có thể tạo ra các lỗ hổng trong dữ liệu, ảnh hưởng đến quá trình tái tạo hình học. Do đó, cần có chiến lược quét đa góc và hợp nhất dữ liệu chính xác.

Đám mây điểm trong trí tuệ nhân tạo và học sâu

Trong lĩnh vực học sâu, dữ liệu đám mây điểm ngày càng được khai thác cho các tác vụ như phân loại (classification), phân đoạn (segmentation) và phát hiện đối tượng (detection). Các mô hình tiêu biểu gồm:

  • PointNet, PointNet++: Kiến trúc mạng nơ-ron đầu tiên xử lý trực tiếp đám mây điểm.
  • PointCNN, DGCNN: Sử dụng phép tích chập trên tập điểm để học đặc trưng hình học cục bộ.

Các bộ dữ liệu phổ biến hỗ trợ huấn luyện mạng gồm ShapeNet, ModelNet, ScanNet và SemanticKITTI.

Hướng phát triển và xu hướng công nghệ

Tương lai của công nghệ đám mây điểm hướng đến việc tích hợp thời gian thực, xử lý dữ liệu lớn và ứng dụng đa lĩnh vực. Các xu hướng nổi bật:

  • Hợp nhất dữ liệu đa cảm biến (fusion of LiDAR, RGB, IR, Radar).
  • Phát triển tiêu chuẩn mở và hệ thống dữ liệu liên thông.
  • Ứng dụng trong xây dựng twin kỹ thuật số và mô hình đô thị thông minh.

Các công cụ như Open3D, CloudCompare, PCL đang đóng vai trò quan trọng trong nghiên cứu và thương mại hóa ứng dụng đám mây điểm.

Tài liệu tham khảo

  1. NIST – Point Cloud Measurement Standards
  2. USGS – What is LiDAR?
  3. Point Cloud Library (PCL) Documentation
  4. Open3D – Open-source library for 3D data
  5. Qi et al., PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation

Các bài báo, nghiên cứu, công bố khoa học về chủ đề đám mây điểm:

Khảo sát về Tái tạo Bề mặt từ Đám mây Điểm Dịch bởi AI
Computer Graphics Forum - Tập 36 Số 1 - Trang 301-329 - 2017
Tóm tắtLĩnh vực tái tạo bề mặt đã có những tiến bộ đáng kể trong hai thập kỷ qua. Vấn đề truyền thống được giải quyết bởi tái tạo bề mặt là khôi phục đại diện số của một hình dạng vật lý đã được quét, trong đó dữ liệu quét chứa nhiều khuyết tật khác nhau. Mặc dù phần lớn công việc trước đây tập trung vào việc tái tạo một đại diện mượt mà theo từng đoạn của hình dạn...... hiện toàn bộ
Xây dựng quy trình thu nhận, xử lý và phân loại dữ liệu đám mây điểm LiDAR phục vụ thành lập mô hình 3D thành phố
Khoa học Kỹ thuật Mỏ Địa chất - - Trang 1-12 - 2022
Cùng với sự phát triển của các công nghệ đo đạc bản đồ, hệ thống thu nhận dữ liệu thông qua hệ thống quét laser hàng không đã tạo ra một nguồn dữ liệu đám mây điểm LiDAR rất lớn. Đây là nguồn dữ liệu quan trọng và chi tiết phục vụ đắc lực cho các lĩnh vực khác nhau như thành lập bản đồ, bản đồ 3D,... Quá trình xây dựng mô hình 3D thành phố đòi hỏi phải xử lý nhiều loại dữ liệu, trong đó công tác x...... hiện toàn bộ
#Cấp độ chi tiết -LoD #Đám mây điểm #LiDAR #Mô hình 3D thành phố
Tạo lập đám mây điểm 3D của vật thể độc lập bằng máy quét Laser đơn tia Hokuyo UTM LX30
Tạp chí Khoa học Đo đạc và Bản đồ - Số 49 - 2021
Hiện nay, công nghệ quét laser được xem như một công cụ hữu dụng nhằm thu dữ liệu trong thời gian ngắn. Phương pháp đo gián tiếp này có thể thu thập dữ liệu đám mây điểm dày đặc mô tả vẻ ngoài mà không làm tổn hại vật thể. Nhằm giảm chi phí thiết bị, máy quét laser đơn tia 2D Hokuyo UTM 30LX được sử dụng trong nghiên cứu này để tạo lập đám mây điểm 3D cho vật thể được chọn là một khối đá với hình ...... hiện toàn bộ
#point cloud #mô hình 3D #hokuyo UTM 30LX #quét laser
Xây dựng bản đồ độ phân giải cao 3D cho xe tự hành bằng Velodyne
Tạp chí Khoa học và Công nghệ - Đại học Đà Nẵng - - Trang 44-47 - 2020
Xe tự hành là một phương tiện với khả năng hoạt động mà không cần sự điều khiển hay can thiệp trực tiếp từ con người. Đây đang là hướng đi tương lai, một xu thế trong ngành công nghiệp xe đang ngày càng hiện đại và phát triển hiện nay vì thế việc hình thành các khái niệm về xe tự hành cũng như bước đầu xây đựng bản đồ số hóa cho xe đóng vai trò rất quan trọng tạo nên dữ liệu cơ sở tốt cho việc vận...... hiện toàn bộ
#Xe tự hành #bản đồ số #bản đồ đám mây điểm
Kết hợp lọc hình thái và lọc phân bố mật độ đám mây điểm UAV-LiDAR để xây dựng mô hình số địa hình
Khoa học Kỹ thuật Mỏ Địa chất - - Trang 1-10 - 2022
Việc lọc đám mây điểm LiDAR sử dụng thiết bị bay không người lái (UAV-LiDAR) ở khu vực có thực phủ dày đặc nhằm xây dựng mô hình số địa hình (DTM) là yêu cầu cơ bản của thành lập bản đồ địa hình tỷ lệ lớn. Bài báo có mục đích nghiên cứu sử dụng bộ lọc hình thái đơn giản (SMRF) với các tham số phù hợp để phân tách các điểm phi địa hình (điểm địa vật: cây cối, điểm nhiễu,…) và các điểm của bề mặt đị...... hiện toàn bộ
#Đám mây điểm #Lọc điểm #Mô hình số địa hình Thực phủ #UAV-LiDAR
Nghiên cứu thành lập mô hình 3D mặt bằng sân công nghiệp mỏ từ dữ liệu quét laser mặt đất và thiết bị bay không người lái
Khoa học Kỹ thuật Mỏ Địa chất - - Trang 25-36 - 2022
Trong những năm gần đây, mô hình 3D đang được quan tâm nghiên cứu ứng dụng trong lĩnh vực khai thác mỏ, với mục tiêu quản lý và vận hành khai thác mỏ an toàn, hiệu quả và tiến tới xây dựng cơ sở dữ liệu cho loại hình mỏ thông minh. Máy bay không người lái (UAV) và quét laser mặt đất (TLS) được biết đến là hai công nghệ chính hiện nay dùng để thu thập dữ liệu đám mây điểm 3D (3D Points cloud - PC) ...... hiện toàn bộ
#Đám mây điểm #Mô hình 3D #SCN #TLS #UAV
Ứng dụng công nghệ xử lí ảnh viễn thám trên nền tảng điện toán đám mây (GEE) trong theo dõi biến động đường bờ sông – thí điểm tại sông Cửu Long
Tạp chí Khoa học Trường Đại học Sư phạm Thành phố Hồ Chí Minh - Tập 16 Số 6 - Trang 38 - 2019
Bài báo chia sẻ cách tiếp cận khai thác và xử lí ảnh vệ tinh đa thời gian trên nền tảng điện toán đám mây của Google Earth Engine (GEE) trong giám sát biến động đường bờ sông khu vực đồng bằng sông Cửu Long. Tư liệu viễn thám quang học (LANDSAT) và radar SAR (Sentinel-1) tổ hợp theo năm đ...... hiện toàn bộ
#viễn thám #điện toán đám mây #biến động đường bờ sông #sông Cửu Long
Phân cụm Nhanh cho Nhận Thức Hợp Tác Dựa trên Mã Hóa Lưới Động Thích Ứng LiDAR Dịch bởi AI
Cognitive Computation - - Trang 1-20 - 2023
Nghiên cứu này giới thiệu một chiến lược được lấy cảm hứng từ hành vi hợp tác trong tự nhiên nhằm nâng cao khả năng chia sẻ thông tin giữa các phương tiện tự hành (AVs), tiến tới hệ thống giao thông thông minh. Tuy nhiên, trong bối cảnh nhiều phương tiện được trang bị cảm biến LiDAR hợp tác, dữ liệu đám mây điểm được sinh ra có thể cản trở việc nhận thức môi trường theo thời gian thực. Nghiên cứu ...... hiện toàn bộ
#LiDAR #phương tiện tự hành #nhận thức hợp tác #phân cụm #dữ liệu đám mây điểm #mã hóa lưới động
Xác định sự gián đoạn khối đá từ đám mây điểm 3D sử dụng phương pháp C-means mờ cải tiến và mạng nơ-ron tích chập Dịch bởi AI
Bulletin of Engineering Geology and the Environment - - 2024
Việc thu thập chính xác thông tin về sự gián đoạn trong khối đá có vai trò đặc biệt quan trọng trong phân tích ổn định độ dốc và phân loại khối đá. Hiện nay, các phương pháp đo không tiếp xúc ngày càng trở thành một phương tiện bổ sung cho các kỹ thuật truyền thống, đặc biệt là trong các khu vực nguy hiểm và khó tiếp cận. Nghiên cứu này giới thiệu một phương pháp bán tự động sáng tạo để xác định c...... hiện toàn bộ
#khối đá #sự gián đoạn #đám mây điểm 3D #mạng nơ-ron tích chập #C-means mờ
FuseNet: Mạng Phát Hiện Đối Tượng 3D với Thông Tin Kết Hợp cho Điểm Lidar Dịch bởi AI
Springer Science and Business Media LLC - Tập 54 - Trang 5063-5078 - 2022
Phát hiện đối tượng 3D từ đám mây điểm lidar đóng một vai trò quan trọng trong hệ thống cảm biến môi trường của các phương tiện tự lái. Trong bài báo này, chúng tôi đề xuất hai mô-đun cho công việc phát hiện đối tượng thông qua việc trích xuất thông tin voxel ban đầu chi tiết hơn và kết hợp đầy đủ thông tin ngữ cảnh. Ngoài ra, chúng tôi trích xuất thông tin mật độ như là đặc trưng ban đầu của các ...... hiện toàn bộ
#phát hiện đối tượng 3D #đám mây điểm lidar #mạng nơ-ron #thông tin ngữ cảnh #voxel hóa
Tổng số: 19   
  • 1
  • 2