يلعب إعادة توطين LiDAR دورًا حاسمًا في العديد من المجالات، بما في ذلك الروبوتิกس (robotics)، القيادة الذاتية، ورؤية الحاسوب. عادةً ما تتسبب استرجاع البيانات باستخدام LiDAR في تكاليف حسابية وتخزينية عالية، ويمكن أن يؤدي إلى تقديرات وضع غير دقيقة على المستوى العالمي إذا كانت قاعدة البيانات نادرة جدًا. من ناحية أخرى، تستخدم طرق الانحدار الوضعي الصور أو السحب النقطية كمدخلات وتقوم بانحدار الأوضاع العالمية بطريقة مباشرة من النهاية إلى النهاية. لا تقوم هذه الطرق بمطابقة قواعد البيانات وهي أكثر كفاءة حسابيًا من تقنيات الاسترجاع. نقترح نموذجًا جديدًا لانحدار وضع LiDAR يُسمى HypLiLoc. نستخدم هيكلين فرعيين متفرعين لاستخراج الخصائص ثلاثية الأبعاد والخصائص ثنائية الأبعاد المُسَتَقْبَلَة، على التوالي. نأخذ بعين الاعتبار دمج الخصائص متعددة الوسائط في كلٍ من الفضاء الإقليدي والفضاء الزائد للحصول على تمثيلات خصائص أكثر فعالية. تشير النتائج التجريبية إلى أن HypLiLoc يحقق أداءً متفوقًا على مستوى التقنية الحالية في كلٍ من مجموعات البيانات الخارجية والداخلية. كما أجرينا دراسات تحليلية شاملة على تصميم الإطار التي تثبت فعالية استخراج الخصائص متعددة الوسائط والغرس متعدد الفضاءات. يمكن الوصول إلى شفرتنا البرمجية عبر الرابط التالي:https://github.com/sijieaaa/HypLiLoc