(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211219778.2 (22)申请日 2022.09.30 (71)申请人 阿波罗智能技 术 （北京） 有限公司 地址 100085 北京市海淀区上地十街10号1 幢1层105 (72)发明人 董嘉蓉　王昊　尚子钰　周嘉琪　 (74)专利代理 机构 中科专利商标代理有限责任 公司 11021 专利代理师 王文思 (51)Int.Cl. G06V 20/56(2022.01) G06V 10/30(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06N 3/08(2006.01) B60W 60/00(2020.01) (54)发明名称 点云处理和深度学习模 型训练方法、 装置及 自动驾驶车辆 (57)摘要 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。 权利要求书5页 说明书14页 附图6页 CN 115471805 A 2022.12.13 CN 115471805 A 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、 第二权　利　要　求　书 1/5 页 2 CN 115471805 A 2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权　利　要　求　书 2/5 页 3 CN 115471805 A 3