تمكّن التعرف على المكان نظام SLAM من تصحيح الأخطاء التراكمية. على عكس الصور التي تحتوي على ميزات نسيجية غنية، فإن السحابات النقطية تمثل معلومات هندسية تقريبًا نقية، مما يجعل التعرف على المكان القائم على السحابات النقطية أمرًا صعبًا. تُعمَّل الدراسات الحالية عادةً على ترميز ميزات منخفضة المستوى مثل الإحداثيات، والاتجاهات العادية، وشدة الانعكاس، إلخ، كمُحددات محلية أو عالمية لتمثيل المشاهد. علاوةً على ذلك، غالبًا ما تتجاهل هذه الطرق التحويل (الانزياح) بين السحابات النقطية عند مطابقة المحددات. على عكس معظم الطرق الحالية، نستكشف استخدام ميزات عالية المستوى، وهي المعاني (السياقات المعنوية)، لتحسين قدرة المحددات على التمثيل. كما نحاول في عملية مطابقة المحددات تصحيح التحويل بين السحابات النقطية لتحسين الدقة. وبشكل محدد، نقترح محددًا عالميًا جديدًا يُسمى "سياق المسح المعنوي" (Semantic Scan Context)، الذي يستكشف المعلومات المعنوية لتمثيل المشاهد بشكل أكثر فعالية. كما نقدّم خوارزمية ICP ثنائية الخطوات تعتمد على السياق المعنوي عالميًا، بهدف استخلاص الوضع الثلاثي الأبعاد (x, y, yaw) المستخدم في محاذاة السحابة النقطية، مما يعزز أداء المطابقة. أظهرت تجاربنا على مجموعة بيانات KITTI أن منهجنا يتفوّق على أحدث الطرق الحالية بفارق كبير. يمكن الوصول إلى الشيفرة المصدرية الخاصة بنا من خلال: https://github.com/lilin-hitcrt/SSC.