该研究提出了Point-DeepONet模型，解决了深度学习在复杂三维几何和非结构网格上的预测不足。该模型通过处理点云和符号距离函数，实现了对位移和应力场的高效预测，速度比传统方法快约400倍，支持结构分析和工程决策。

本研究调查了 PointNet 和 PointNet++ 在 LiDAR 生成的点云数据分类中的应用，这是实现全自动驾驶汽车的关键组成部分。通过使用来自 Lyft 3D 目标检测挑战的修改数据集，我们检查了这些模型处理动态和复杂环境的能力，对于自主导航至关重要。我们的分析结果显示，PointNet 和 PointNet++ 的准确率分别为 79.53% 和...

该研究提出了 GDPNet，这是第一个综合生成和判别的 PointNet 模型，扩展了 JEM 用于点云分类和生成，既保留了现代 PointNet 分类器的强大判别能力，又生成了与最先进的生成方法相媲美的点云样本。

该研究提出了一种基于深度学习的雷达摄像机三维物体检测方法，利用雷达和摄像机的互补性，在低能见度条件下生成准确的检测结果。该方法使用 ClusterFusion 架构，在 nuScenes 数据集的测试集中取得了最先进的性能。研究还探索了不同雷达特征提取策略在点云聚类上的性能，发现手工策略提供了最佳的性能。