原力灵机的GeoVLA框架解决了VLA模型在非结构化环境中的空间失明问题，通过双流架构结合点云数据，提升了机器人的三维感知能力。实验表明，GeoVLA在复杂任务中的成功率显著高于传统2D模型，尤其在视角和物体尺寸变化时表现出强大的鲁棒性。

本研究提出了ImOV3D框架，旨在解决开放词汇3D物体检测中的数据稀缺问题。通过伪多模态表示，综合图像和点云数据，显著提升了检测性能。

本文介绍了一种名为Flatten Anything Model (FAM) 的非监督神经网络架构，通过逐点映射实现全局自由边界表面参数化。FAM直接处理离散表面点，降低了对网格质量的要求，适用于无结构点云数据，无需预切割，能够处理复杂拓扑结构。实验结果表明其优越性和广泛适用性。

本文介绍了一种针对3D目标检测的模型SWFormer，利用点云数据的稀疏性和桶技术处理不同长度的稀疏窗口，同时引入了新的体素扩散技术。实验结果表明，SWFormer在Waymo Open Dataset上取得了73.36 L2 mAPH的最新表现，同时更加高效。

本研究利用点云数据重建楼层平面图，解决了角点及边缘缺失、位置或角度不准确、多边形自相交或重叠、可疑拓扑等问题，并超越了目前的最先进方法。

通过网络架构设计，我们提出了一种噪声鲁棒聚合模块 Set-Mixer，用于优化模型对噪声损坏的鲁棒性。该模块利用令牌混合技术在所有点之间实现通信，提取几何形状信息，并减弱个别噪声点的影响。同时，通过排序策略处理无序点云结构，引入一致的相对空间信息。实验证明，Set-Mixer 在 3D 识别和感知任务中显著提高了噪声点云数据的模型性能，展示了其在实际应用中改进的潜力。

本文研究了图神经网络在处理包含位置和速度的点云数据方面的表达能力，并建立了能够处理位置-速度对、具有变换性质的WeLNet体系结构。实验证明该体系结构在动力学任务和分子构象生成任务上取得了新的最先进结果。

该研究提出了一种基于光学遥感技术和无人机采集的神经网络模型，用于区分森林中木质和叶状物的点云数据，提高了精确性和可靠性。