يهدف التعرف على المكان باستخدام تقنية LiDAR ثلاثية الأبعاد إلى تقدير التموضع الخشن في بيئة تم رؤيتها سابقًا بناءً على مسح واحد من مستشعر LiDAR ثلاثي الأبعاد دوار. تشمل الحلول الحالية لهذه المشكلة وصفيات السحب النقطية المصممة يدويًا (مثل ScanContext، M2DP، LiDAR IRIS) والحلول المستندة إلى التعلم العميق (مثل PointNetVLAD، PCAN، LPDNet، DAGC، MinkLoc3D)، والتي غالبًا ما يتم تقييمها على المسح الضوئي ثنائي الأبعاد المتراكم من مجموعة بيانات Oxford RobotCar. نقدم MinkLoc3D-SI، وهو حل يستند إلى الالتفاف النادر ويستخدم إحداثيات كروية لنقاط ثلاثية الأبعاد ويعالج شدة قياسات LiDAR ثلاثية الأبعاد، مما يحسن الأداء عند استخدام مسح ضوئي ثلاثي الأبعاد واحد. يدمج أسلوبنا التحسينات الشائعة في وصفيات السحب النقطية المصممة يدويًا (مثل ScanContext) مع أكثر الالتفافات النادرة الثلاثية الأبعاد فعالية (MinkLoc3D). تظهر تجاربنا نتائج أفضل على المسح الضوئي الواحد من LiDARs ثلاثية الأبعاد (مجموعة بيانات حرم جامعة سيدني) وقدرة تعميم كبيرة (مجموعة بيانات KITTI). استخدام معلومات الشدة على المسح الضوئي الثنائي الأبعاد المتراكم (مجموعة بيانات RobotCar Intensity) يحسن الأداء حتى وإن لم تنتج الإحداثيات الكروية تحسينًا ملحوظًا. نتيجة لذلك، يعتبر MinkLoc3D-SI مناسبًا للمسح الضوئي الواحد الذي يتم الحصول عليه من LiDAR ثلاثي الأبعاد، مما يجعله قابلًا للتطبيق في المركبات ذاتية القيادة.