点云处理和深度学习模型训练方法、装置及自动驾驶车辆制造方法及图纸

本公开提供了一种深度学习模型的训练方法，涉及人工智能技术领域，尤其涉及自动驾驶和智能交通技术领域。具体实现方案为：将第一样本点云输入深度学习模型，得到第一样本点云的处理结果；将处理结果和第一样本点云的历史伪标签进行融合，得到更新的伪标签，其中，历史伪标签是根据第一样本点云的历史处理结果确定的；根据处理结果和更新的伪标签，确定深度学习模型的损失；以及根据损失调整深度学习模型的参数。本公开还提供了一种点云处理方法、装置、电子设备、自动驾驶车辆和存储介质。自动驾驶车辆和存储介质。自动驾驶车辆和存储介质。

【技术实现步骤摘要】
点云处理和深度学习模型训练方法、装置及自动驾驶车辆


[0001]本公开涉及人工智能
，尤其涉及自动驾驶和智能交通技术。更具体地，本公开提供了一种深度学习模型的训练方法、点云处理方法、装置、电子设备、自动驾驶车辆和存储介质。

技术介绍

[0002]在自动驾驶领域，点云采集设备(例如Lidar传感器)存在频繁更新的情况。传感器更新换代，使用旧传感器采集的数据训练出来的目标检测模型，对新传感器采集的数据的检测基本失效。

技术实现思路

[0003]本公开提供了一种深度学习模型的训练方法、点云处理方法、装置、电子设备、自动驾驶车辆以及存储介质。
[0004]根据第一方面，提供了一种深度学习模型的训练方法，该方法包括：将第一样本点云输入深度学习模型，得到第一样本点云的处理结果；将处理结果和第一样本点云的历史伪标签进行融合，得到更新的伪标签，其中，历史伪标签是根据第一样本点云的历史处理结果确定的；根据处理结果和更新的伪标签，确定深度学习模型的损失；以及根据损失调整深度学习模型的参数
[0005]根据第二方面，提供了一种点本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种深度学习模型的训练方法，包括：将第一样本点云输入所述深度学习模型，得到所述第一样本点云的处理结果；将所述处理结果和所述第一样本点云的历史伪标签进行融合，得到更新的伪标签，其中，所述历史伪标签是根据所述第一样本点云的历史处理结果确定的；根据所述处理结果和所述更新的伪标签，确定所述深度学习模型的损失；以及根据所述损失调整所述深度学习模型的参数。2.根据权利要求1所述的方法，其中，所述处理结果包括当前位置和当前类别，所述历史伪标签包括历史位置标签和历史类别标签；所述将所述当前处理结果和所述第一样本点云的历史伪标签进行融合，得到更新的伪标签包括：将所述当前位置的信息和所述历史位置标签的信息进行加权平均，得到更新的位置标签；以及将所述当前类别的信息和所述历史类别标签的信息进行加权平均，得到更新的类别标签。3.根据权利要求2所述的方法，其中，所述处理结果还包括所述第一样本点云为真实对象的置信度；所述根据所述处理结果和所述更新的伪标签，确定所述深度学习模型的损失包括：根据所述当前位置和所述更新的位置标签，确定所述第一样本点云的位置损失；根据所述当前类别和所述更新的类别标签，确定所述第一样本点云的类别损失；根据所述置信度，确定所述第一样本点云的噪声损失；以及根据所述位置损失、类别损失和噪声损失，确定所述深度学习模型的损失。4.根据权利要求3所述的方法，还包括：根据所述置信度，将所述第一样本点云划分为正样本、负样本以及中间样本中的之一；所述根据所述位置损失、类别损失和噪声损失，确定所述深度学习模型的损失包括：根据所述正样本的位置损失和所述中间样本的位置损失，确定第一部分位置损失；根据所述正样本的类别损失和所述中间样本的类别损失，确定第一部分类别损失；根据所述正样本的噪声损失和所述负样本的噪声损失，确定所述噪声损失；以及根据所述第一部分位置损失、第一部分类别损失和噪声损失，确定所述深度学习模型的损失。5.根据权利要求4所述的方法，还包括：将第二样本点云输入所述深度学习模型，得到所述第二样本点云的位置和类别，其中，所述第二样本点云与所述第一样本点云来自相同的传感器；将第三样本点云输入所述深度学习模型，得到所述第三样本点云的位置和类别，其中，所述第三样本点云与所述第一样本点云来自不同的传感器；根据所述第二样本点云的位置、类别以及所述第二样本点云的真实标签，确定第二部分位置损失和第二部分类别损失；根据所述第三样本点云的位置、类别以及所述第三样本点云的真实标签，确定第三部分位置损失和第三部分类别损失；所述根据所述位置损失、类别损失和噪声损失，确定所述深度学习模型的损失包括：根据所述第一部分位置损失、第一部分类别损失、噪声损失、第二部分位置损失、第二
部分类别损失、第三部分位置损失和第三部分类别损失，确定所述深度学习模型的损失。6.根据权利要求5所述的方法，其中，所述第一样本点云来自第一目标样本集，所述第二样本点云来自第二目标样本集，所述第三样本点云来自第三目标样本集；所述方法还包括：获取第一点云数据集、第二点云数据集和第三点云数据集，其中，所述第二点云数据集和所述第一点云数据集来自相同的传感器，所述第三点云数据集和所述第一点云数据集来自不同的传感器；针对所述第一点云数据集、第二点云数据集和第三点云数据集，分别按照各自对应的采样概率进行采样，得到第一初始样本集、第二初始样本集和第三初始样本集；以及对所述第一初始样本集、第二初始样本集和第三初始样本集的点云分布特征进行一致性处理，得到所述第一目标样本集、第二目标样本集和第三目标样本集。7.根据权利要求6所述的方法，其中，所述点云分布特征包括点云密度；所述对所述第一初始样本集、第二初始样本集和第三初始样本集的点云分布进行一致性处理，得到所述第一目标样本集、第二目标样本集和第三目标样本集包括：针对所述第一初始样本集、第二初始样本集和第三初始样本集，分别按照各自对应的采样比例范围进行降采样处理，得到所述第一目标样本集、第二目标样本集和第三目标样本集；其中，所述第一目标样本集、第二目标样本集和第三目标样本集各自的密度范围具有交集。8.根据权利要求6所述的方法，还包括：在根据所述损失调整所述深度学习模型的参数之后，返回所述针对所述第一点云数据集、第二点云数据集和第三点云数据集，分别按照各自对应的采样概率进行采样的步骤。9.根据权利要求6所述的方法，还包括：将所述第一点云数据集输入所述深度学习模型，得到第一点云数据集的处理结果，作为初始伪标签集合；其中，所述历史伪标签来自历史伪标签集合，所述历史伪标签集合是根据所述历史处理结果对所述初始伪标签集合进行更新得到的；所述方法还包括：根据所述处理结果与所述历史伪标签集合的重合部分，确定所述第一样本点云的历史伪标签。10.一种点云处理方法，包括：获取待处理点云；以及将所述待处理点云输入深度学习模型，得到所述待处理点云的位置和类别；其中，所述深度学习模型是根据权利要求1至9中任一项所述的方法训练得到的。11.一种深度学习模型的训练装置，包括：第一处理模块，用于将第一样本点云输入所述深度学习模型，得到所述第一样本点云的处理结果；融合模块，用于将所述处理结果和所述第一样本点云的历史伪标签进行融合，得到更新的伪标签，其中，所述历史伪标签是根据所述第一样本点云的历史处理结果确定的；第一确定模块，用于根据所述处理结果和所述更新的伪标签，确定所述深度学习模型

【专利技术属性】
技术研发人员：董嘉蓉，王昊，尚子钰，周嘉琪，
申请(专利权)人：阿波罗智能技术北京有限公司，
类型：发明
国别省市：