Diese Arbeit stellt eine neue Architektur für tiefe Lernverfahren vor, die als PointGrid bezeichnet wird und für die Erkennung von 3D-Modellen aus ungeordneten Punktwolken entwickelt wurde. Die neue Architektur transformiert die Eingabepunktwolke mittels einer einfachen, jedoch effektiven Abtaststrategie in ein 3D-Gitter und lernt direkt Transformationen und Merkmale aus ihren rohen Koordinaten. Der vorgeschlagene Ansatz ist eine Integration von Punkten und Gittern – ein hybrider Modellansatz –, der die Einfachheit gitterbasierter Verfahren wie VoxelNet nutzt, gleichzeitig jedoch deren Informationsverlust vermeidet. Im Vergleich zu PointNet erlernt PointGrid eine bessere globale Information und ist deutlich einfacher als PointNet++, Kd-Net, Oct-Net und O-CNN, bietet jedoch vergleichbare Erkennungsgenauigkeit. Anhand von Experimenten auf etablierten Benchmarks für Formerkennung zeigt PointGrid eine wettbewerbsfähige Leistung gegenüber bestehenden tiefen Lernmethoden sowohl bei der Klassifikation als auch bei der Segmentierung.