三維點雲數據有哪些應用

1. L1實時三維點雲顯示功能是在什麼軟體中實現的

NUBIGONPro。是一款專門為實景三維應用領域打造的點雲視覺表現與場景動畫製作應用系統，著力於協助專業的行業用戶實現大批量點雲數據高質量視覺效果渲染，輕松為點雲疊加工程/工業領域三維矢量設計數據，以及高效炫酷的點雲三維場景動畫製作等專業級應用。

2. 基於激光點雲的三維重建軟體都有哪些優勢劣勢各是什麼

三維激光掃描技術又被稱為實景復制技術，是測繪領域繼GPS技術之後的一次技術革命。它突破了傳統的單點測量方法，具有高效率、高精度的獨特優勢.三維激光掃描技術能夠提供掃描物體表面的三維點雲數據，因此可以用於獲取高精度高解析度的數字地形模型。
技術原理
三維激光掃描技術是近年來出現的新技術，在國內越來越引起研究領域的關注。它是利用激光測距的原理，通過記錄被測物體表面大量的密集的點的三維坐標、反射率和紋理等信息，可快速復建出被測目標的三維模型及線、面、體等各種圖件數據。由於三維激光掃描系統可以密集地大量獲取目標對象的數據點，因此相對於傳統的單點測量，三維激光掃描技術也被稱為從單點測量進化到面測量的革命性技術突破。該技術在文物古跡保護、建築、規劃、土木工程、工廠改造、室內設計、建築監測、交通事故處理、法律證據收集、災害評估、船舶設計、數字城市、軍事分析等領域也有了很多的嘗試、應用和探索。三維激光掃描系統包含數據採集的硬體部分和數據處理的部分。按照載體的不同，三維激光掃描系統又可分為機載、車載、地面和手持型幾類。
應用掃描技術來測量工件的尺寸及形狀等原理來工作。主要應用於逆向工程，負責曲面抄數，工件三維測量，針對現有三維實物（樣品或模型）在沒有技術文檔的情況下，可快速測得物體的輪廓集合數據，並加以建構，編輯，修改生成通用輸出格式的曲面數字化模型。

3. 三維數據分析有哪些好的方法與軟體

三維數據處理軟體都包含哪些模塊

三維數據處理軟體，一般包含三個模塊：數據管理和處理，三維渲染，UI。 這與圖形學的三個經典問題是相對應的：建模，渲染和交互。與一般常見的數據處理軟體，比如圖像視頻處理，不同的是，這里的數據展示模塊需要三維渲染。與之對應的UI操作，也變成了一些三維空間的變換，比如模型的旋轉縮放等。

如何搭建一個簡單的三維數據處理軟體

那麼如何快速的搭建一個三維數據處理軟體呢？採用搭積木的方式，每個模塊都有很多現成的開發包可以選擇。比如UI模塊處，一般常見的有MFC，QT，MyGUI（Magic3D使用的UI）等。數據處理演算法方面，常見的有Geometry++，CGAL，OpenMesh，PCL等。渲染模塊，可以使用OpenGL或者Direct3D，也可以使用渲染引擎，如OGRE，OSG等。

如何選擇幾何演算法開發包

幾何演算法模塊，一般有三種選擇：自主開發，使用開源庫，使用商業庫。如何選擇呢？開發包API的生命周期，大概分為開發，維護和升級。對於一個演算法，幾乎不可能開發出放之四海皆準的API。它的絕大部分時間都在維護和升級。開發包的選擇，其實就是一個成本問題。開發階段主要是時間成本，如何快速的實現目標功能是最關鍵的問題。維護和升級階段需要盡量低的成本開銷。所謂開源庫免費，其實只是在開發階段免費，而開發階段最看重的卻是時間成本。有了源代碼就需要人去維護，沒有人維護的源代碼是沒有用處的。商業庫的主要優勢就是有專業的團隊來維護和升級這些API，並且成本會比個人做得更低。如果想清楚API的生命周期以及每個階段的成本開銷後，根據自身具體情況，就能很容易的做出選擇了。

數字幾何處理是什麼

數字幾何處理，一般是指點雲網格數據的處理。和傳統的NURBS正向建模的模型相比，數字幾何處理的對象一般是三維掃描儀採集的數據，是曲面的離散表達，也就是數字化的。它的研究內容包括數據的獲取，存儲，表示，編輯，可視化等等。

OpenGL是什麼

OpenGL是一套跨平台的圖形繪制API，它通過一系列API把三維模型渲染到2D屏幕上。OpenGL採用了流水線機制，其繪制過程也稱為渲染流水線。此外還有OpenGLES，主要用於嵌入式系統，或者移動平台；WebGL主要用於Web瀏覽器里的圖形繪制。

OpenGL流水線

OpenGL通過一系列API可以設置渲染流水線的狀態，所以OpenGL也是一個狀態機。三維模型通過一些處理，最終渲染到2D屏幕上：

• 模型離散為三角面片：所有模型都需要離散為三角面片，OpenGL只接受三角面片輸入。注意，雖然OpenGL也可以接受四邊形，NURBS等輸入，其本質最後都是三角面片的繪制。

• Vertex Shader把三維三角片轉化到屏幕坐標系下的2D三角片：這個過程包含了變換，裁剪等操作

• 2D三角片的光柵化：2D三角片被離散化，用屏幕坐標系的像素來表示，這也叫光柵化。

• Pixel Shader為光柵化後的模型像素著色。

  上面是渲染流水線的大致描述，其中還有很多細節，不同的API也有些細節上的差別。最早的OpenGL是固定的流水線，也就是只能通過API來設置一些流水線中的狀態。現代的OpenGL開放出了一些Shader，用戶可以自己為Shader寫代碼，利用Shader可以寫出各式各樣的渲染效果。

  渲染模塊使用OpenGL還是渲染引擎

  如果渲染模塊不是主要業務，建議使用渲染引擎。因為引擎內有很多現成的工具可以使用，減少開發的時間成本。

4. 3d點雲物體分類實際意義

通過3D點雲語義分割技術將道路環境點雲數據進行分割，可以識別出行人、汽車等物體，幫助車輛理解道路環境。目前達摩院將這項技術應用在無人物流車上，大幅度的提高了物流車對周圍環境的理解，使得物流車配送更加准確。

5. CVPR 2020 論文閱讀筆記（三維點雲/三維重建）

論文地址： https://arxiv.org/abs/2003.00410
前置文章：10/16、10/17、10/18

本文提出了Point Fractal Network(PF-Net),旨在從不完整的點雲數據中恢復點雲，克服了之前方法修改現有數據點、引入雜訊和產生幾何損失的缺點。

由前置文章可知，之前的點雲修復方法是輸入不完整的點雲，輸出完整的點雲，但這樣會導致原有信息的缺失。這篇文章提出PF-Net，主要特點有三個：

網路的整體結構如下：

網路詳細推理步驟如下：

損失函數使用完整性損失和對抗損失的加權平均，完整性損失使用L-GAN中提出的CD距離：

對抗損失使用GAN中常見的損失函數

感覺這篇文章對多尺度的運用非常極致，在編碼器、解碼器和CMLP中都應用了這種思想，最後的效果也非常不錯，很值得借鑒。

論文地址： https://arxiv.org/abs/1612.00593

PointNet提出一種基礎的網路結構，可以用於點雲分類、部分分割和語義分割等多種任務。在這篇文章之前，點雲數據的處理方式是將點雲數據轉換為多個二維的視圖或三維的體素形式，然後應用2D/3D CNN進行處理，但這樣引入了多餘的體積，效率不高。本文是第一個直接使用點雲數據的神經網路。（其實可以這樣類比，在二維圖像處理中，假設圖像是二值化的，傳統方法是將這個圖像直接丟到CNN裡面，但如果背景特別多會比較浪費資源。直接使用點雲數據相當於直接將前景像素的坐標輸入到神經網路裡面，對稀疏數據會有比較好的性能，但因為以下三個問題導致直接使用坐標信息比較困難）
由於點雲的排列是無序的（可以想像，點雲中任意一點排在前面對點雲的表達都是相同的）、點雲之間是有相互作用的（相鄰的點雲才能構成形狀）、點雲在某些變換下具有不變性（比如旋轉不會改變點雲的類別）這些特性，要求神經網路既能處理無序的數據，又能捕捉全局的結構特徵，同時對剛性變換不敏感。基於這些條件，作者提出了如下的網路結構：

可以簡要分析一下網路的工作流程，以點雲分類問題為例：

感覺網路的結構雖然簡單，但是卻很好地滿足了點雲數據自身特性對神經網路的要求。而且我覺得在圖像處理中，也有時候必須用到坐標信息或者一些標量特徵，這篇文章的方法對於怎樣將這些特徵融合進CNN裡面也有一定的啟發意義。

論文地址： http://proceedings.mlr.press/v80/achlioptas18a.html

這篇文章的主要工作是：

首先來看衡量兩個點雲相似程度的指標部分，作者首先給出了兩個距離，EMD和CD：

在計算上，CD更為簡便，而且EMD是不可導的。

基於這兩種距離，作者引入了三種衡量兩個點雲相似程度的指標：JSD、Coverage和MMD：

定義了指標後，就可以實現自動編碼器和生成模型了。作者提到了四種結構，分別是：

作者同時驗證了AE的一些其他功能，比如如果給AE的編碼器輸入不完整的點雲數據，即可訓練得到點雲復原的模型。使用SVM對低維表示進行分類，即可進行點雲分類的任務，證明AE在點雲數據形式中的潛在應用較為廣泛。

論文地址： http://papers.nips.cc/paper/7095-pointnet-deep-hierarchical-feature-learning-on-point-se

PointNet++針對PointNet提取局部信息能力不強的弊端，提出了一種層次神經網路，可以更好地提取局部信息。其中心思想是將整個點雲分割成若干個小部分來提取信息，然後將每個小部分整合成較大的部分，提取更高層次的信息。類似於CNN中卷積和下采樣的思想。首先來看網路結構圖：

網路大概可以分為兩個部分，左邊是層次的點雲特徵提取網路，右邊是針對不同任務的解碼網路。
特徵提取分為若干個set abstraction模塊，每個模塊又分為采樣層、分組層和特徵提取層。

得到了較高層次的特徵後，對不同的任務需要不同的解碼網路。對分類網路來說比較簡單，使用全連接即可。對分割網路來說，由於對每個點都需要輸出數值，則需要類似上采樣的操作。具體的實現作者使用了插值的方法，將較少的點插值到較多的點上去。首先找到插值的目標坐標，然後尋找K個距離最近的已知點，以距離的倒數作為權重，將K個點的特徵做加權平均，作為這個點的特徵。然後使用之前特徵提取中得到的該點的特徵與當前特徵做一個拼接，即可得到最終特徵（類似U-Net的skip connection）。公式如下：

感覺這篇文章和PF-Net的思想差不多，都是希望提取多尺度的特徵。但是思路不一樣，都值得借鑒。

6. 三維測量技術在哪些應用領域，得到什麼作用

這一技術最主要的應用場景有兩類：第一類是解決對物體的尺寸、方位、姿態進行高精度測量，這個在工業、醫療以及對精度要求比較高的商業級應用領域會特別多，第二類是在需要方便、快捷、准確的人機交互領域提供高性價比的人機交互技術，這個在工業機器人控制、以及VR/AR領域是非常重要的。具體而言，常見的應用場景包括：

工業領域：需要對生產線上的零部件進行三維尺寸測量，以確定其幾何尺寸、位置偏差是否合格。

計算機輔助手術：需要對手術刀的三維空間位置進行精確測量和定位，以配合計算機輔助成像，幫助醫生完成各種手術。

安防監控領域：需要對移動物體進行准確的測量，以提供准確的motion detction報警，不能虛報，更不能漏報。

工業機器人標配的示教系統：通過提供一種方便、快捷的人機交互方式，實現對機器人的示教，從而對現有的編程的示教方式形成更加有效率的補充；

VR領域：無論是inside-out追蹤方案，還是outside-in追蹤方案，都需要對controller進行實時定位和追蹤。這個定位和追蹤，要求無論controller的移動速度有多快，有沒有被遮擋，都要准確定位、穩定追蹤、不能丟失。

上述領域中，對於物體的三維空間尺寸、方位、姿態的測量都有非常強烈的需求，是屬於剛性需求。從以上的應用場景中，可以看到，能根據相應的應用場景，提供合適的精度、成本、便捷性和高魯棒性的方案，一定能夠獲得市場的親睞。請注意，這里的「合適」非常重要，因為，凡是脫離了應用場景，脫離了成本談性能和便捷性都是「耍流氓」。所以，對於空間測量和定位技術來講，方案一定要有靈活性，要能根據客戶和應用場景的需要，而進行相應的調節，使得在垂直領域中擁有最強的競爭力。

7. 點雲概念與點雲處理

點雲概念

點雲與三維圖像的關系 ：三維圖像是一種特殊的信息表達形式，其特徵是表達的空間中三個維度的數據，表現形式包括：深度圖（以灰度表達物體與相機的距離），幾何模型（由CAD軟體建立），點雲模型（所有逆向工程設備都將物體采樣成點雲）。和二維圖像相比，三維圖像藉助第三個維度的信息，可以實現天然的物體——背景解耦。點雲數據是最為常見也是最基礎的三維模型。點雲模型往往由測量直接得到，每個點對應一個測量點，未經過其他處理手段，故包含了最大的信息量。這些信息隱藏在點雲中需要以其他提取手段將其萃取出來，提取點雲中信息的過程則為三維圖像處理。

點雲的概念 ：點雲是在同一空間參考系下表達目標空間分布和目標表面特性的海量點集合，在獲取物體表面每個采樣點的空間坐標後，得到的是點的集合，稱之為「點雲」（Point Cloud）。

點雲的獲取設備 ：RGBD設備是獲取點雲的設備，比如PrimeSense公司的PrimeSensor、微軟的Kinect、華碩的XTionPRO。

點雲的內容 ：根據激光測量原理得到的點雲，包括三維坐標（XYZ）和激光反射強度（Intensity），強度信息與目標的表面材質、粗糙度、入射角方向，以及儀器的發射能量，激光波長有關。

根據攝影測量原理得到的點雲，包括三維坐標（XYZ）和顏色信息（RGB）。

結合激光測量和攝影測量原理得到點雲，包括三維坐標（XYZ）、激光反射強度（Intensity）和顏色信息（RGB）。

點雲的屬性 ：空間解析度、點位精度、表面法向量等。

點雲存儲格式 ：*.pts; *.asc ; *.dat; .stl ; [1] .imw；.xyz； .las。LAS格式文件已成為LiDAR數據的工業標准格式，LAS文件按每條掃描線排列方式存放數據,包括激光點的三維坐標、多次回波信息、強度信息、掃描角度、分類信息、飛行航帶信息、飛行姿態信息、項目信息、GPS信息、數據點顏色信息等。

C–class（所屬類）

F一flight（航線號）

T一time（GPS時間）

I一intensity（回波強度）

R一return（第幾次回波）

N一number of return（回波次數）

A一scan angle（掃描角）

RGB一red green blue（RGB顏色值）

點雲的數據類型 ：

（1）pcl::PointCloudpcl::PointXYZ

PointXYZ 成員：float x，y，z;表示了xyz3D信息，可以通過points[i].data[0]或points[i].x訪問點X的坐標值

（2）pcl::PointCloudpcl::PointXYZI

PointXYZI成員：float x, y, z, intensity; 表示XYZ信息加上強度信息的類型。

（3）pcl::PointCloudpcl::PointXYZRGB

PointXYZRGB 成員：float x,y,z,rgb; 表示XYZ信息加上RGB信息，RGB存儲為一個float。

（4）pcl::PointCloudpcl::PointXYZRGBA

PointXYZRGBA 成員：float x , y, z; uint32_t rgba; 表示XYZ信息加上RGBA信息，RGBA用32bit的int型存儲的。

（5） PointXY 成員：float x,y;簡單的二維x-y點結構

（6）Normal結構體：表示給定點所在樣本曲面上的法線方向，以及對應曲率的測量值，用第四個元素來佔位，兼容SSE和高效計算。

點雲的處理

點雲處理的三個層次 ：Marr將圖像處理分為三個層次，低層次包括圖像強化，濾波，關鍵點/邊緣檢測等基本操作。中層次包括連通域標記（label），圖像分割等操作。高層次包括物體識別，場景分析等操作。工程中的任務往往需要用到多個層次的圖像處理手段。

PCL官網對點雲處理方法給出了較為明晰的層次劃分，如圖所示。

此處的common指的是點雲數據的類型，包括XYZ，XYZC，XYZN，XYZG等很多類型點雲，歸根結底，最重要的信息還是包含在pointpcl::point::xyz中。可以看出，低層次的點雲處理主要包括濾波（filters），關鍵點（keypoints）/邊緣檢測。點雲的中層次處理則是特徵描述（feature），分割（segmention）與分類。高層次處理包括配准（registration），識別（recognition）。可見，點雲在分割的難易程度上比圖像處理更有優勢，准確的分割也為識別打好了基礎。

低層次處理方法:

①濾波方法：雙邊濾波、高斯濾波、條件濾波、直通濾波、隨機采樣一致性濾波。②關鍵點：ISS3D、Harris3D、NARF，SIFT3D

中層次處理方法：

①特徵描述：法線和曲率的計算、特徵值分析、SHOT、PFH、FPFH、3D Shape Context、Spin Image

②分割與分類：

分割：區域生長、Ransac線面提取、全局優化平面提取

K-Means、Normalize Cut（Context based）

3D Hough Transform(線、面提取)、連通分析

分類：基於點的分類，基於分割的分類，基於深度學習的分類（PointNet，OctNet）

高層次處理方法：

①配准：點雲配准分為粗配准（Coarse Registration）和精配准（Fine Registration）兩個階段。

精配準的目的是在粗配準的基礎上讓點雲之間的空間位置差別最小化。應用最為廣泛的精配准演算法應該是ICP以及ICP的各種變種（穩健ICP、point to plane ICP、Point to line ICP、MBICP、GICP、NICP）。

粗配準是指在點雲相對位姿完全未知的情況下對點雲進行配准，可以為精配准提供良好的初始值。當前較為普遍的點雲自動粗配准演算法包括基於窮舉搜索的配准演算法和基於特徵匹配的配准演算法。

基於窮舉搜索的配准演算法：遍歷整個變換空間以選取使誤差函數最小化的變換關系或者列舉出使最多點對滿足的變換關系。如RANSAC配准演算法、四點一致集配准演算法（4-Point Congruent Set, 4PCS）、Super4PCS演算法等……

基於特徵匹配的配准演算法：通過被測物體本身所具備的形態特性構建點雲間的匹配對應，然後採用相關演算法對變換關系進行估計。如基於點FPFH特徵的SAC-IA、FGR等演算法、基於點SHOT特徵的AO演算法以及基於線特徵的ICL等…

②SLAM圖優化

Ceres（Google的最小二乘優化庫，很強大）， g2o、LUM、ELCH、Toro、SPA

SLAM方法：ICP、MBICP、IDC、likehood Field、NDT

③三維重建

泊松重建、 Delaunay triangulations、表面重建，人體重建，建築物重建，樹木重建。結構化重建：不是簡單的構建一個Mesh網格，而是為場景進行分割，為場景結構賦予語義信息。場景結構有層次之分，在幾何層次就是點線面。實時重建：重建植被或者農作物的4D（3D+時間）生長態勢；人體姿勢識別；表情識別；

④點雲數據管理：點雲壓縮，點雲索引（KD、Octree），點雲LOD（金字塔），海量點雲的渲染

8. 點雲數據處理

三維計算視覺研究內容包括：

（1）三維匹配：兩幀或者多幀點雲數據之間的匹配，因為激光掃描光束受物體遮擋的原因，不可能通過一次掃描完成對整個物體的三維點雲的獲取。因此需要從不同的位置和角度對物體進行掃描。三維匹配的目的就是把相鄰掃描的點雲數據拼接在一起。三維匹配重點關注匹配演算法，常用的演算法有 最近點迭代演算法 ICP 和各種全局匹配演算法。

（2）多視圖三維重建：計算機視覺中多視圖一般利用圖像信息，考慮多視幾何的一些約束，相關研究目前很火，射影幾何和多視圖幾何是視覺方法的基礎。在攝影測量中類似的存在共線方程，光束平差法等研究。這里也將點雲的多視匹配放在這里，比如人體的三維重建，點雲的多視重建不僅強調逐幀的匹配，還需要考慮不同角度觀測產生誤差累積，因此也存在一個優化或者平差的過程在裡面。通常是通過觀測形成閉環進行整體平差實現，多視圖重建強調整體優化。可以只使用圖像，或者點雲，也可以兩者結合（深度圖像）實現。重建的結果通常是Mesh網格。

（3）3D SLAM：點雲匹配（最近點迭代演算法 ICP、正態分布變換方法 NDT）+位姿圖優化（ g2o 、LUM、ELCH、Toro、SPA）；實時3D SLAM演算法 （LOAM）；Kalman濾波方法。3D SLAM通常產生3D點雲，或者Octree Map。基於視覺（單目、雙目、魚眼相機、深度相機）方法的SLAM，比如orbSLAM，lsdSLAM...

（4）目標識別：無人駕駛汽車中基於激光數據檢測場景中的行人、汽車、自行車、以及道路和道路附屬設施（行道樹、路燈、斑馬線等）。

（5）形狀檢測與分類：點雲技術在逆向工程中有很普遍的應用。構建大量的幾何模型之後，如何有效的管理，檢索是一個很困難的問題。需要對點雲（Mesh）模型進行特徵描述，分類。根據模型的特徵信息進行模型的檢索。同時包括如何從場景中檢索某類特定的物體，這類方法關注的重點是模型。

（6）語義分類：獲取場景點雲之後，如何有效的利用點雲信息，如何理解點雲場景的內容，進行點雲的分類很有必要，需要為每個點雲進行Labeling。可以分為基於點的方法，基於分割的分類方法。從方法上可以分為基於監督分類的技術或者非監督分類技術，深度學習也是一個很有希望應用的技術。

（7）立體視覺與立體匹配 ZNCC

（8）SFM（運動恢復結構）

1、點雲濾波方法（數據預處理）：

雙邊濾波、高斯濾波、條件濾波、直通濾波、隨機采樣一致性濾波。

VoxelGrid

2、關鍵點

ISS3D、Harris3D、NARF

SIFT3D、

3、特徵和特徵描述

法線和曲率計算 NormalEstimation 、特徵值分析Eigen-Analysis、 EGI

PFH、FPFH、3D Shape Context、Spin Image

4、 點雲匹配

ICP 、穩健ICP、point to plane ICP、Point to line ICP、MBICP、GICP

NDT 3D 、Multil-Layer NDT

FPCS、KFPCS、SAC-IA

Line Segment Matching 、ICL

5、點雲分割與分類

分割：區域生長、Ransac線面提取、NDT-RANSAC、

K-Means、Normalize Cut（Context based）

3D Hough Transform(線、面提取)、連通分析、

分類：基於點的分類，基於分割的分類；監督分類與非監督分類

6、SLAM圖優化

g2o 、LUM、ELCH、Toro、SPA

SLAM方法：ICP、MBICP、IDC、likehood Field、 Cross Correlation 、NDT

7、目標識別、檢索

Hausdorff 距離計算（人臉識別）

8、變化檢測

基於八叉樹的變化檢測

9. 三維重建

泊松重建、Delaunay triangulations

表面重建，人體重建，建築物重建，樹木重建。

實時重建：重建植被或者農作物的4D（3D+時間）生長態勢；人體姿勢識別；表情識別；

10.點雲數據管理

點雲壓縮，點雲索引（KD、Octree），點雲LOD（金字塔），海量點雲的渲染

點雲驅動的計算機圖形學主要研究應用

http://vcc.szu.e.cn/research/2015/Points/

9. 三維掃描可以做什麼

三維激光掃描技術又稱作高清晰測量，也被稱為「實景復制技術」，它是利用激光測距的原理，通過記錄被測物體表面大量密集點的三維坐標信息和反射率信息，將各種大實體或實景的三維數據完整地採集到計算機中。①

它提供了一種快速准確的方法將實物數字化，且 具有速度快、精度高的優點 。它能實現非接觸測量，因此在建築領域應用更加安全和快捷。

通過三維掃描技術得到的高密度、有精確三維坐標的三維激光數據稱之為 點雲 。在建築行業可利用點雲做三維建模，高精度三維點雲數據通過演算法擬合生成曲面，精度高，同時建模速度快。

1、實測實量

三維掃描技術是將實景復制的，平距、斜距、垂距、凈空、直徑、角度、方位角、坡度和坐標等數據，都可以在點雲處理軟體中點幾下滑鼠輕松量測出。

在某個對平整度要求比較高的工程，使用平整分析工具，可以測算出現狀與需求面（平面或曲面）之間的偏差，並輸出報表及指定解析度下的CAD圖紙。

可以將處理完成的三維空間與同事、客戶分享，不僅可以分享三維空間文件，還可以分享為圖像、視頻、網頁等形式，便於查看和協同工作。

三維激光掃描可以獲取地表面點雲，並賦予絕對坐標，然後計算設計曲面與原始曲面之間的土方量，即為「土方開挖預估量」。工程可覆蓋土方、滑坡體積、儲存空間、容積等方面，可以准確清晰的輔助施工。

三維掃描可以獲取高精度實景數據，可以與現有虛擬的BIM模型做沖突對比，為下部工程進場做驗證分析。

大型設備進場路線、運輸優化。工廠作業、運行范圍的碰撞檢測。

掃描數據自帶帶影像及坐標，無需二維圖紙。能夠提交所需的范圍、精度、解析度和影像。快速捕獲建築地標並為注釋添加圖像，以這種方式深入記錄場地。

不同於實測實量，可以將BIM模型與現狀進行對比，使三維模型的優化更加直觀，便於BIM模型深化。

圖中紅色部分偏差較大

10. 點雲數據除了用無人機搜集,在車載的領域上有什麼應用

點雲數據的獲取方式主要有車載激光、機載激光以及地面激光掃描。地面激光掃描、機載激光掃描相對較成熟，車載激光掃描系統國內還在不斷改進完善中。不同激光點雲數據獲取方式各有其優缺點。