التطورات الحديثة في تعلم السحابة النقطية مكنت المركبات والروبوتات الذكية من فهم البيئات ثلاثية الأبعاد بشكل أفضل. ومع ذلك، لا يزال معالجة المشاهد ثلاثية الأبعاد على نطاق واسع مشكلة صعبة، حيث تلعب طرق التقليل الفعالة دورًا حاسمًا في تعلم السحابة النقطية. الطرق الحالية للتقليل إما تتطلب عبء حسابي كبير أو تضحي بالمعلومات الهندسية الدقيقة. لهذا الغرض، يقدم هذا البحث مُقَدِّمًا متقدمًا يحقق الدقة العالية والكفاءة. الطريقة المقترحة تعتمد على أخذ عينات من مركز الفوكسل كأساس ولكنها تعالج بفعالية التحديات المتعلقة بتحديد حجم الفوكسل وحفظ المؤشرات الهندسية الحرجة. تحديدًا، نقترح وحدة تكيف الفوكسل التي تقوم بتعديل أحجام الفوكسل بشكل متكيف مع نسبة التقليل القائمة على النقاط. هذا يضمن أن نتائج العينة تظهر توزيعًا ملائمًا لفهم مختلف الأشياء أو المشاهد ثلاثية الأبعاد. في الوقت نفسه، نقدم شبكة متوافقة مع أحجام الفوكسل المختلفة لأغراض أخذ العينات واستخراج الخصائص بينما تحتفظ بالكفاءة العالية. يتم إثبات النهج المقترح من خلال اكتشاف الأشياء ثلاثية الأبعاد والتقسيم الدلالي ثلاثي الأبعاد. بالمقارنة مع الطرق الرائدة الحالية، حققت طريقتنا دقة أفضل على قواعد البيانات الكبيرة الحجم للخارج والداخل، مثل Waymo وScanNet (وايمو وسكاننت)، مع كفاءة واعدة.