نقدم CrossLoc3D، وهي طريقة جديدة للاعتراف بالمكان ثلاثي الأبعاد تحل مشكلة مطابقة النقاط على نطاق واسع في بيئة متعددة المصادر. البيانات السحابية للنقاط من مصادر مختلفة تتعلق بمجموعات نقاط تم التقاطها بأجهزة استشعار العمق بدقة مختلفة أو من مسافات وجهات نظر مختلفة. نعالج التحديات المتعلقة بتطوير طرق الاعتراف بالمكان ثلاثي الأبعاد التي تأخذ في الاعتبار الفجوة التمثيلية بين النقاط الملتقطة من مصادر مختلفة. يستخدم أسلوبنا بيانات متعددة المصادر من خلال الاستفادة من الخصائص متعددة الحبوب واختيار أحجام نواة التجميع التي تتوافق مع الخصائص الأكثر بروزًا. مستوحىً من نماذج الانتشار، يستخدم أسلوبنا عملية تكرار جديدة لتحسين التعلم المتري بشكل تدريجي بنقل فضاءات التضمين من مصادر مختلفة إلى فضاء قياسي واحد. بالإضافة إلى ذلك، نقدم CS-Campus3D، وهو أول مجموعة بيانات ثلاثية الأبعاد متعددة المصادر تتكون من بيانات سحابة النقاط المستخرجة من المسح الجوي والبري باستخدام تقنية LiDAR. تحتوي سحب النقاط في CS-Campus3D على فجوات تمثيلية وغيرها من الخصائص مثل وجهات النظر المختلفة، وكثافة النقاط، وأنماط الضوضاء. نوضح أن خوارزمية CrossLoc3D الخاصة بنا يمكن أن تحقق تحسينًا بنسبة 4.74% - 15.37% فيما يتعلق بمعدل الاسترجاع الأولي على مقاييس CS-Campus3D الخاصة بنا وتصل إلى أداء يعادل أفضل الأساليب الحالية للاعتراف بالمكان ثلاثي الأبعاد على مجموعة بيانات Oxford RobotCar. سيتم توفير الكود ومقياس CS-Campus3D على github.com/rayguan97/crossloc3d.