點(diǎn)云智能研究進(jìn)展與趨勢

楊必勝，董 震

1. 武漢大學(xué)測繪遙感信息工程國家重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430079; 2. 時(shí)空數(shù)據(jù)智能獲取技術(shù)與應(yīng)用教育部工程研究中心，湖北 武漢 430079

2018年發(fā)布的《歐洲地理空間產(chǎn)業(yè)展望報(bào)告》(https:∥geospatialmedia.net/european-geospatial-business-outlook-report-download.html)在傳統(tǒng)地理空間產(chǎn)業(yè)三大領(lǐng)域(GNSS與定位、GIS與空間分析、遙感)中增加了三維點(diǎn)云，并預(yù)測三維點(diǎn)云市場將成為四大領(lǐng)域中增長最快的市場，將大力推進(jìn)智慧城市、智能交通、全球測圖等產(chǎn)業(yè)的快速發(fā)展。點(diǎn)云(X,Y,Z,A)已成為繼矢量地圖和影像數(shù)據(jù)之后的第三類重要的時(shí)空數(shù)據(jù)源，具有二維矢量地圖和影像無可比擬的優(yōu)越性，是三維地理信息獲取的主要來源，對三維空間的精細(xì)化描述具有無可替代的重要作用。如何準(zhǔn)確、快速地獲取三維地理信息成為測繪地理信息領(lǐng)域的根本任務(wù)和迫切需求[1-2]。隨著傳感器技術(shù)、芯片技術(shù)和無人化平臺的飛速發(fā)展，以激光掃描和傾斜攝影為代表性的點(diǎn)云大數(shù)據(jù)現(xiàn)實(shí)采集(reality capture)裝備在穩(wěn)定性、精度、易操作性、智能化等方面取得了長足的進(jìn)步，已形成星載、有人/無人機(jī)載、車載、地面、背包、手持等多平臺、多分辨率的系列化裝備，為點(diǎn)云大數(shù)據(jù)的獲取提供了便捷手段。點(diǎn)云大數(shù)據(jù)的智能化處理的理論與方法研究日益?zhèn)涫荜P(guān)注。國際攝影測量與遙感學(xué)會(huì)(ISPRS)成立了點(diǎn)云處理工作組，工業(yè)界的目光也重點(diǎn)聚焦點(diǎn)云處理(如：一年一度的國際Lidar制圖論壇ILMF(https:∥www.lidarmap.org/),中國兩年一度的激光雷達(dá)專委會(huì)學(xué)術(shù)會(huì)議等)，但是仍然無法滿足點(diǎn)云大數(shù)據(jù)智能處理與應(yīng)用的苛求。點(diǎn)云智能應(yīng)運(yùn)而生，構(gòu)建了點(diǎn)云大數(shù)據(jù)與科學(xué)研究和工程應(yīng)用之間的橋梁，是實(shí)現(xiàn)從點(diǎn)云大數(shù)據(jù)到具有結(jié)構(gòu)與功能的實(shí)體三維表達(dá)的科學(xué)手段，其核心包括點(diǎn)云大數(shù)據(jù)質(zhì)量增強(qiáng)、三維信息智能提取、按需三維重建等，是地球科學(xué)、信息科學(xué)以及智慧城市等科學(xué)研究和重大工程應(yīng)用的科學(xué)方法與工具。本文圍繞點(diǎn)云智能的核心，重點(diǎn)闡述點(diǎn)云大數(shù)據(jù)采集裝備、智能處理和工程應(yīng)用三個(gè)方面的研究進(jìn)展與趨勢，最后對點(diǎn)云智能的重要發(fā)展方向予以展望。

1 點(diǎn)云大數(shù)據(jù)采集裝備：從專業(yè)級單一化到消費(fèi)級集成化

以激光掃描為代表的主動(dòng)采集裝備和以傾斜攝影為代表的被動(dòng)采集裝備發(fā)展迅猛，在裝備的搭載平臺方面目前已形成從星載、有人/無人機(jī)載、車載、地面、便攜式等空、天、地多平臺并存。激光掃描裝備通過集成GPS/IMU和不同性能的掃描儀，在不同的搭載平臺實(shí)現(xiàn)激光發(fā)射器的位置、姿態(tài)信息和到目標(biāo)區(qū)域距離的聯(lián)合解算，獲取目標(biāo)區(qū)域的三維點(diǎn)云。星載激光掃描方面有NASA在2003年和2018年分別發(fā)射的ICESat-1及ICESat-2，以及中國2017年發(fā)射的資源3號02星[3]。有人/無人機(jī)載和車載移動(dòng)激光掃描方面過去主要是Riegl、Optech、Hexagon等公司的系列化激光掃描系統(tǒng)占據(jù)主導(dǎo)。近年來，立得空間、北科天匯、中海達(dá)、華測、南方等國內(nèi)公司相繼推出了系列化機(jī)載、車載、背包式激光掃描系統(tǒng)，在性能方面與國外同類系統(tǒng)的差距不斷縮小。測深雷達(dá)則通過發(fā)射藍(lán)綠兩種不同波段的激光束對水域進(jìn)行測深，從而獲得水底地形，在海洋測繪、水下測量等領(lǐng)域發(fā)揮重要作用。

近10年來，傾斜攝影測量快速發(fā)展，在飛行過程中分別從垂直與側(cè)面對地觀測，同時(shí)獲取地面目標(biāo)頂面與側(cè)面的紋理，通過專業(yè)化的處理軟件(如：INPHO,nFrame,PixelGrid等)可生成具有顏色信息的密集影像點(diǎn)云，與激光掃描點(diǎn)云(包括當(dāng)前各種背包、手持終端如GeoSLAM等獲取的點(diǎn)云)形成有益的互補(bǔ)，在三維城市重建等方面得以廣泛使用。另外，消費(fèi)級深度相機(jī)，通過結(jié)構(gòu)光相機(jī)或TOF(time of flight)相機(jī)或雙目相機(jī)實(shí)現(xiàn)近距離三維點(diǎn)云獲取，并有商業(yè)化的產(chǎn)品問世，如：蘋果Prime Sense(https:∥www.apple.com/)，微軟Kinect-1(www.microsoftstore.com)，英特爾RealSense(http:∥www.intel.com)，ZED(https:∥www.stereolabs.com)，Bumblebee(www.flir.com/iis/machine-vision/stereo-vision)等。

隨著人們對地理空間信息粒度和內(nèi)涵要求的不斷提高，點(diǎn)云獲取在內(nèi)容上從原來幾何為主走向幾何與光譜/紋理的同步獲取，如：多光譜激光掃描系統(tǒng)[4]；在方式上從掃描式三維成像到面陣單光子/量子三維成像轉(zhuǎn)變，面陣單光子LiDAR在遙感領(lǐng)域具有廣泛應(yīng)用前景，已成為未來主動(dòng)式對地觀測激光的發(fā)展趨勢[5]；在平臺方面從單一的專業(yè)化裝備走向多元化的消費(fèi)級智能裝備，如基于輕小型無人機(jī)的傾斜攝影。隨著傳感器的尺寸、重量和價(jià)格進(jìn)一步微型化、輕量化和廉價(jià)化，消費(fèi)級、便攜式集成化智能掃描裝備蓬勃發(fā)展[6-7]。美國國防部高級研究計(jì)劃局(DARPA)研發(fā)了地面機(jī)器人與空中機(jī)器人自主協(xié)同掃描系統(tǒng)，在同時(shí)定位與制圖技術(shù)(SLAM)和機(jī)器人控制規(guī)劃支持下對未知環(huán)境進(jìn)行掃描，大大減少人力成本，并解決危險(xiǎn)、特殊環(huán)境下人工無法作業(yè)的問題[8]。

顯然，傳感器的進(jìn)步有力地推進(jìn)了點(diǎn)云獲取的智能化，豐富了點(diǎn)云獲取的平臺和裝備，導(dǎo)致了點(diǎn)云的采樣粒度、質(zhì)量、表達(dá)方式等方面的巨大差異和沖突，面向平臺的點(diǎn)云處理方式無法有效協(xié)同多平臺點(diǎn)云實(shí)現(xiàn)優(yōu)勢互補(bǔ)，亟待發(fā)展點(diǎn)云智能，把點(diǎn)云大數(shù)據(jù)的數(shù)據(jù)處理推進(jìn)到面象任務(wù)需求的點(diǎn)云場景智能理解。

2 點(diǎn)云場景：從可視化量測到智能化理解

點(diǎn)云大數(shù)據(jù)描述的場景具有數(shù)據(jù)量大、真三維、高冗余、非結(jié)構(gòu)化、質(zhì)量差異大、采樣粒度分布嚴(yán)重不均和不完整等典型特點(diǎn)。因此，必須在點(diǎn)云大數(shù)據(jù)的數(shù)據(jù)模型、處理模型與服務(wù)模型方面取得突破，解決面向點(diǎn)云場景特征多層次準(zhǔn)確刻畫，三維信息的抽取與融合及場景的按需結(jié)構(gòu)化表達(dá)等核心難題(如圖1所示)，靈性耦合點(diǎn)云大數(shù)據(jù)處理的關(guān)鍵技術(shù)，實(shí)現(xiàn)面向工程任務(wù)和科學(xué)研究的點(diǎn)云場景智能，為科學(xué)研究和工程應(yīng)用提供關(guān)鍵支撐。下面分別闡述上述幾方面的主要研究進(jìn)展。

2.1 從狹義點(diǎn)云到廣義點(diǎn)云

在點(diǎn)云大數(shù)據(jù)的數(shù)據(jù)模型方面，楊必勝首次提出了“廣義點(diǎn)云”的科學(xué)概念與理論研究框架[9]，被國際攝影測量與遙感學(xué)會(huì)(ISPRS)遴選為重要研究主題之一，并初步構(gòu)建了廣義點(diǎn)云模型理論方法，為多平臺點(diǎn)云的智能處理與工程應(yīng)用提供了科學(xué)支撐，得到國際同行的高度認(rèn)可，被授予2019年度唯一的Carl Pulfrich獎(jiǎng)。廣義點(diǎn)云模型理論方法能充分實(shí)現(xiàn)狹義點(diǎn)云(單一平臺采集點(diǎn)云)間的優(yōu)勢互補(bǔ)，在模型方面把過去孤立、分散表達(dá)轉(zhuǎn)變?yōu)槎嗄＝y(tǒng)一表達(dá)，在方法方面把室內(nèi)外、地上下獨(dú)立轉(zhuǎn)變?yōu)槭覂?nèi)外、地上下一體，在結(jié)果方面把過去的可視、量算轉(zhuǎn)變?yōu)橛?jì)算與分析。模型框架如圖2所示。

圖1 點(diǎn)云智能的框架與核心組成模塊Fig.1 Frame and core components of point cloud intelligence

2.2 點(diǎn)云大數(shù)據(jù)質(zhì)量自動(dòng)改善

點(diǎn)云大數(shù)據(jù)質(zhì)量改善主要包括位置修正、反射強(qiáng)度校正和點(diǎn)云屬性數(shù)據(jù)整合等方面。在點(diǎn)云位置修正方面主要有不同點(diǎn)云條帶間平差，基于人工控制點(diǎn)或融合影像參考的點(diǎn)位修正以及運(yùn)動(dòng)平臺軌跡的姿態(tài)精化進(jìn)行點(diǎn)云重解算等方法[10-15]，用來減弱或消除點(diǎn)云的不一致，實(shí)現(xiàn)點(diǎn)云位置修正。在點(diǎn)云反射強(qiáng)度校正方面主要集中在機(jī)載點(diǎn)云的強(qiáng)度校正[16-18]，根據(jù)校正的點(diǎn)云強(qiáng)度，可顯著提供點(diǎn)云的分類精度。在點(diǎn)云屬性的整合方面，主要通過點(diǎn)云與影像的融合，實(shí)現(xiàn)點(diǎn)云數(shù)據(jù)屬性的豐富，可生成具有紋理信息的點(diǎn)云[19-23]。該方面的研究已基本實(shí)現(xiàn)了自動(dòng)化智能處理。

2.3 點(diǎn)云大數(shù)據(jù)特征精準(zhǔn)描述

點(diǎn)云大數(shù)據(jù)特征描述是刻畫點(diǎn)云形態(tài)結(jié)構(gòu)的關(guān)鍵，也是多平臺點(diǎn)云配準(zhǔn)[24-26]、語義信息提取[27-32]、模型結(jié)構(gòu)化重建[33]、SLAM[34-36]等研究的基礎(chǔ)和前提。

圖2 廣義點(diǎn)云模型框架Fig.2 Ubiquitous point cloud model

當(dāng)前，點(diǎn)云大數(shù)據(jù)特征描述子構(gòu)建主要通過人工設(shè)計(jì)的特征和深度網(wǎng)絡(luò)學(xué)習(xí)兩種方法。在人工設(shè)計(jì)特征方面主要有自旋影像[37]、基于特征值的描述子[38]、快速點(diǎn)特征直方圖[39]、旋轉(zhuǎn)投影統(tǒng)計(jì)特征描述[27]、二進(jìn)制形狀上下文[40]等。但該類特征依賴設(shè)計(jì)者的先驗(yàn)知識，且往往具有參數(shù)敏感性?；谏疃葘W(xué)習(xí)的方法從大量訓(xùn)練數(shù)據(jù)中自動(dòng)學(xué)習(xí)特征的表達(dá)，且學(xué)習(xí)到的特征中可以包含成千上萬的參數(shù)，提高了特征描述能力[41-42]。根據(jù)深度學(xué)習(xí)模型的不同，可以分為基于體素、基于多視圖和基于不規(guī)則點(diǎn)三類，其中具有一定代表性的有基于體素的模型VoxNet[43]，基于多視圖的模型Multiview-CNN[44]和基于不規(guī)則點(diǎn)的模型PointNet[45]。但面向高層次特征的描述方面仍需進(jìn)一步深入研究。

2.4 語義信息提取

語義信息提取是從雜亂無序的點(diǎn)云中識別與提取地物要素的過程[46-50]，為場景高層次理解提供底層對象和分析依據(jù)。一方面，點(diǎn)云大數(shù)據(jù)場景中包含地面、植被、橋梁、建筑物、交通基礎(chǔ)設(shè)施等地物的高密度、高精度三維信息，提供了地物目標(biāo)的真實(shí)三維視角和縮影。另一方面，點(diǎn)云大數(shù)據(jù)的高密度、海量、空間離散特性以及場景中三維目標(biāo)的數(shù)據(jù)不完整性，目標(biāo)間的重疊性、遮擋性、相似性等現(xiàn)象也給語義化信息提取帶來了巨大的挑戰(zhàn)[9]。在語義信息提取方面主要有基于特征描述子的逐點(diǎn)分類方法[51-52]或分割聚類分類方法[46,53-55]和基于深度學(xué)習(xí)的語義信息提取方法[47,56](arXiv:1805.03356V1)。相比于深度學(xué)習(xí)的方法，基于特征的語義信息提取結(jié)果依賴于特征描述子的特征描述能力?；谏疃葘W(xué)習(xí)網(wǎng)絡(luò)的方法依賴于訓(xùn)練樣本的選擇和學(xué)習(xí)網(wǎng)絡(luò)的泛化能力[42,57]。與圖像的深度學(xué)習(xí)網(wǎng)絡(luò)相比，點(diǎn)云深度學(xué)習(xí)網(wǎng)絡(luò)無論在網(wǎng)絡(luò)架構(gòu)設(shè)計(jì)還是訓(xùn)練樣本方面均有待進(jìn)一步提高。

2.5 目標(biāo)結(jié)構(gòu)化重建

為刻畫點(diǎn)云場景中目標(biāo)的功能與結(jié)構(gòu)以及多目標(biāo)間的位置關(guān)系，需要將點(diǎn)云場景中的地物目標(biāo)進(jìn)行結(jié)構(gòu)化表達(dá)，從而支撐復(fù)雜的計(jì)算分析。目前，國內(nèi)外大量的研究集中在建筑物對象的多細(xì)節(jié)層次(LOD)重建、建筑物立面重建、樹木重建與DBH參數(shù)提取、高清道路地圖、室內(nèi)三維重建等方面。不同于基于Mesh結(jié)構(gòu)的數(shù)字表面模型重構(gòu)，目標(biāo)結(jié)構(gòu)化重建的關(guān)鍵在于準(zhǔn)確提取不同功能結(jié)構(gòu)體的三維邊界，從而把離散無序的點(diǎn)云轉(zhuǎn)換成具有拓?fù)涞膸缀位M合模型，如：基于模型驅(qū)動(dòng)[58-59]和數(shù)據(jù)驅(qū)動(dòng)[60-61]的建筑物三維重建?；谀Ｐ万?qū)動(dòng)的方法受制于模型庫基元的完備性；基于數(shù)據(jù)驅(qū)動(dòng)的結(jié)構(gòu)化重建受數(shù)據(jù)質(zhì)量的影響，存在結(jié)構(gòu)提取錯(cuò)誤等問題。針對機(jī)載點(diǎn)云，文獻(xiàn)[62]提出利用基于結(jié)構(gòu)約束的形態(tài)學(xué)重建方法迭代生成多細(xì)節(jié)層次建模物點(diǎn)云數(shù)據(jù)，并采用數(shù)據(jù)驅(qū)動(dòng)方法構(gòu)建LOD模型。在室內(nèi)三維重建方面，主要有基于空間剖分[63-64]、基于線和面幾何要素提取重構(gòu)[65]、基于構(gòu)造實(shí)體幾何方法[66]等。為促進(jìn)室內(nèi)三維重建的研究，ISPRS的工作組專門發(fā)布了室內(nèi)三維重建的公開數(shù)據(jù)集供研究者進(jìn)行重建結(jié)果的質(zhì)量比較。由于人工地物的復(fù)雜性，對于大規(guī)模的城市場景復(fù)雜建筑模型的三維重建，仍然需要大量的人工編輯。因此，追求三維模型的自動(dòng)生成或盡可能少的人工編輯操作是建筑物三維重建研究不斷努力的方向。

點(diǎn)云場景的智能理解仍需進(jìn)一步加強(qiáng)場景高層次特征的自動(dòng)化提取等方面的研究，從而能夠在不同尺度下對大規(guī)模的點(diǎn)云場景進(jìn)行解釋，同時(shí)加強(qiáng)以下幾個(gè)方面的深入研究。①點(diǎn)云深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)設(shè)計(jì)，尤其是如何構(gòu)建適用于超大規(guī)模點(diǎn)云場景的深度學(xué)習(xí)網(wǎng)絡(luò)，直接對三維點(diǎn)云進(jìn)行學(xué)習(xí)，實(shí)現(xiàn)端到端的三維目標(biāo)提取與結(jié)構(gòu)化重建，需要在損失函數(shù)構(gòu)造，三維點(diǎn)云卷積等方面進(jìn)一步深入研究(arXiv:1805,03356VI,ar Xiv:1812.05784V1)和文獻(xiàn)[68]。②點(diǎn)云深度學(xué)習(xí)公開數(shù)據(jù)集。雖然，目前已近有NYU[69]、Kitti[70]、ShapeNet(arXiv:1512.03012)、S3DIS(arXiv:1702.01105)、ScanNet[71]、Semantic 3D[72]等三維點(diǎn)云公開數(shù)據(jù)集。然而，上述公開的標(biāo)準(zhǔn)數(shù)據(jù)集存在著目標(biāo)種類少、場景范圍小以及場景多元化不足等缺點(diǎn)，因此亟須構(gòu)建更全面、覆蓋范圍更廣、更接近真實(shí)世界的標(biāo)準(zhǔn)數(shù)據(jù)集。③點(diǎn)云數(shù)字現(xiàn)實(shí)，在點(diǎn)云數(shù)字基礎(chǔ)設(shè)施的基礎(chǔ)上匯聚物聯(lián)網(wǎng)數(shù)據(jù)，發(fā)展點(diǎn)云與動(dòng)態(tài)時(shí)空流數(shù)據(jù)(如:視頻監(jiān)控?cái)?shù)據(jù)、車輛軌跡數(shù)據(jù)、空氣質(zhì)量數(shù)據(jù)、水質(zhì)水文數(shù)據(jù)、氣象數(shù)據(jù)、水電氣表數(shù)據(jù)等)的時(shí)空誤差耦合優(yōu)化技術(shù)與多結(jié)構(gòu)約束的物聯(lián)網(wǎng)數(shù)據(jù)與點(diǎn)云空間信息融合理論，突破物聯(lián)網(wǎng)多模態(tài)傳感器數(shù)據(jù)到點(diǎn)云數(shù)字基礎(chǔ)設(shè)施準(zhǔn)確匹配的關(guān)鍵技術(shù)，提升點(diǎn)云數(shù)字基礎(chǔ)設(shè)施與物聯(lián)網(wǎng)動(dòng)態(tài)傳感數(shù)據(jù)的時(shí)空一致性。④5G時(shí)代的點(diǎn)云邊緣計(jì)算，5G具備超高帶寬、低時(shí)延、高可靠、廣覆蓋等特點(diǎn)，同時(shí)與邊緣計(jì)算結(jié)合使得點(diǎn)云大數(shù)據(jù)的實(shí)時(shí)傳輸和在線處理變?yōu)楝F(xiàn)實(shí)，將進(jìn)一步促進(jìn)點(diǎn)云大數(shù)據(jù)在虛擬/增強(qiáng)現(xiàn)實(shí)、無人駕駛、電力線路巡檢、物流配送等行業(yè)的應(yīng)用。

3 點(diǎn)云智能服務(wù)科學(xué)研究與工程應(yīng)用

點(diǎn)云智能在三維信息提取與建模方面取得了較好的成果，已在地球空間信息學(xué)研究、地下空間開發(fā)利用、智慧城市、新型基礎(chǔ)測繪、基礎(chǔ)設(shè)施健康監(jiān)測等科學(xué)研究與工程中得到了廣泛應(yīng)用(如圖3所示，圖中部分圖片來自網(wǎng)絡(luò))。

在地球空間信息學(xué)研究方面，點(diǎn)云智能為準(zhǔn)確刻畫植被、冰川、島礁與周邊的水下地形的三維形態(tài)結(jié)構(gòu)，為全球森林的蓄積量和生物量估算、全球冰川物質(zhì)平衡、海洋經(jīng)濟(jì)開發(fā)與管理、海防安全等提供重要支撐[73-75]。

在智慧城市與實(shí)景三維中國方面，點(diǎn)云智能在城市精細(xì)化管理、三維變化檢測、城市安全分析等方面發(fā)揮越來越重要的作用，通過數(shù)據(jù)、結(jié)構(gòu)、功能為一體的智能集成把室內(nèi)室外、地上地下、水上水下的三維幾何信息、豐富語義信息以及準(zhǔn)確空間關(guān)系一體化表達(dá)，實(shí)現(xiàn)按需多細(xì)節(jié)層次建模，為復(fù)雜城市提供翔實(shí)的全空間、動(dòng)靜態(tài)信息保障[50,62,76-77]。

在地下空間綜合開發(fā)與利用方面，點(diǎn)云智能可為數(shù)字建造(digital construction)、BIM、地下災(zāi)害探測與預(yù)警等方面提供全方位支撐，建立全數(shù)字的地下空間基礎(chǔ)設(shè)施與動(dòng)態(tài)匯聚物聯(lián)網(wǎng)數(shù)據(jù)，為地下空間綜合規(guī)劃、建設(shè)項(xiàng)目、過程監(jiān)督、現(xiàn)狀等全生命數(shù)據(jù)庫建設(shè)，以及項(xiàng)目規(guī)劃管理全過程“落圖”、全生命周期精細(xì)化管理提供科學(xué)的管理與決策手段[78-79]。

在重大基礎(chǔ)設(shè)施的健康狀況監(jiān)測方面，點(diǎn)云智能通過關(guān)鍵結(jié)構(gòu)的精細(xì)化建模以及多目標(biāo)精準(zhǔn)識別與空間關(guān)系計(jì)算，為電力線路安全監(jiān)測(安全距離等)、道路路面健康普查(塌陷、破損等)、橋梁、隧道形變發(fā)現(xiàn)等提供精準(zhǔn)有效的三維信息，為基礎(chǔ)設(shè)施的運(yùn)營安全做出重要保障[80-84]。

在無人駕駛方面，點(diǎn)云智能是運(yùn)動(dòng)目標(biāo)實(shí)時(shí)發(fā)現(xiàn)與定位、實(shí)時(shí)避障、高清地圖生產(chǎn)等方面的核心支撐，激光掃描避障已成為無人駕駛的標(biāo)配，高清地圖要素的精準(zhǔn)提取使無人駕駛能夠?yàn)橛脩籼峁?zhǔn)確直觀的三維位置信息和超越傳感器能力的精確路徑規(guī)劃控制策略[32,49,85-86]。

在文化遺產(chǎn)數(shù)字化保護(hù)與傳承方面，點(diǎn)云智能可為文化遺產(chǎn)數(shù)字化高精度重建、虛擬修復(fù)、網(wǎng)絡(luò)化傳播提供從數(shù)據(jù)采集到精細(xì)化重構(gòu)到傳承與保護(hù)的系統(tǒng)化科學(xué)支撐，大幅提高了文化遺產(chǎn)保護(hù)的工作效率，豐富了文化遺產(chǎn)成果表現(xiàn)形式[87-88]，如：文物碎片拼接[89-90]、文物三維模型重建[91-93]、文物修復(fù)[94-95]等。

4 點(diǎn)云智能發(fā)展展望

傳感器、芯片、物聯(lián)網(wǎng)、運(yùn)載平臺等方面的高速發(fā)展，將不斷提高點(diǎn)云大數(shù)據(jù)獲取的效率與質(zhì)量，同時(shí)降低數(shù)據(jù)采集的成本，從而更加高效地對物理世界進(jìn)行三維精細(xì)數(shù)字化。因此，數(shù)據(jù)容量方面將以指數(shù)級增加，點(diǎn)云大數(shù)據(jù)的存儲管理、計(jì)算分析等將面臨更大的挑戰(zhàn)。同時(shí)邊緣計(jì)算、深度學(xué)習(xí)、人工智能等將為點(diǎn)云智能提供更多的支撐和機(jī)會(huì)。大規(guī)模城市點(diǎn)云場景乃至全球精細(xì)尺度的點(diǎn)云場景時(shí)代即將來臨，點(diǎn)云智能作為點(diǎn)云大數(shù)據(jù)這一繼矢量地圖和影像之后的第三類重要基礎(chǔ)數(shù)據(jù)的智能處理與分析的科學(xué)支撐，將在以下幾個(gè)方向繼續(xù)深入：①發(fā)展點(diǎn)云大數(shù)據(jù)的儲存與更新機(jī)制，為點(diǎn)云的高效、深度利用提供基礎(chǔ)支撐；②建立面向新型基礎(chǔ)測繪的點(diǎn)云三維信息提取與建模的行業(yè)和國家標(biāo)準(zhǔn)，服務(wù)實(shí)景三維中國建設(shè)和自然資源監(jiān)測；③發(fā)展面向地球大數(shù)據(jù)的點(diǎn)云精準(zhǔn)理解、綜合人工智能、深度學(xué)習(xí)等，建立點(diǎn)云大數(shù)據(jù)對象化深度學(xué)習(xí)網(wǎng)絡(luò)，在全球、區(qū)域、單體對象上對場景精準(zhǔn)理解；④研制采集、處理與服務(wù)一體化的智能裝備，服務(wù)重大基礎(chǔ)設(shè)施(如：電網(wǎng)、高鐵、交通等)健康管理。相信在可預(yù)見的未來，在人工智能、深度學(xué)習(xí)等新一代信息技術(shù)的支撐下，點(diǎn)云智能不但可以精細(xì)重構(gòu)三維現(xiàn)實(shí)世界，通過與物聯(lián)網(wǎng)數(shù)據(jù)的實(shí)時(shí)融合，而且能夠預(yù)測未來，從而為地球科學(xué)應(yīng)用研究、智慧城市等提供更加科學(xué)的決策支撐。