模型训练方法和装置及自动驾驶车辆与流程

1.本公开涉及计算机领域，尤其涉及自动驾驶领域，特别涉及一种模型训练方法和装置及自动驾驶车辆。


背景技术：

2.自动驾驶设备用于将人或者物从一个位置自动运送到另一个位置。自动驾驶设备通过设备上的传感器采集环境信息并完成自动运送。基于自动驾驶技术控制的无人配送车进行物流运输，极大地提高了生产生活的便捷性，节约了人力成本。
3.在自动驾驶场景的感知技术中，雷达和相机往往作为目标检测的主要传感器。通过雷达和相机的多模态融合方法训练点云目标检测模型，可以降低模型学习难度，提高模型检测准确率。
4.在点云目标检测模型训练中，可以将预先赋予语义的点云作为训练数据，降低模型学习难度。在点云目标检测模型训练中，可以采用复制粘贴(copy-paste)的数据增强方法，增加数量较少的实例样本的数量，解决训练数据不均衡问题。
5.在一些相关技术中，复制粘贴的数据增强与为点云赋予语义的融合方式为：获取某一场景对应的第一点云和第一图像；将实例样本的第二点云通过复制和粘贴替换第一点云中的部分点，以得到第三点云；对第一图像进行语义分割，获得第一图像的语义分割结果，其包括第一图像的每个像素的语义标签；将第三点云中每个点对应的第一图像的语义分割结果中相应像素的语义标签，作为第三点云中该点的预测语义标签，以得到附带预测语义标签的第三点云；利用附带预测语义标签的第三点云对点云目标检测模型进行训练。


技术实现要素：

6.经研究发现，相关技术中的复制粘贴的数据增强与为点云赋予语义的融合方式，使用附带预测语义标签的点云对点云目标检测模型进行训练，训练数据中预测语义标签存在误差，会影响模型的训练效果。
7.其中，预测语义标签存在误差的原因，除了图像语义分割引入的误差之外，更为重要的原因是：在点云中的点与图像的像素对照确定预测语义标签时，并非是场景的原始点云与原始图像进行对照，而是替换后的点云与原始图像进行对照，点云与图像间的对照误差导致根据图像的语义标签所确定的点云的预测语义标签存在较大误差。
8.本公开实施例，通过改进复制粘贴的数据增强与为点云赋予语义的融合方式，将场景的原始点云与原始图像进行对照以确定预测语义标签，通过减小点云与图像间的对照误差来减小预测语义标签的误差，并且，将附带真实语义标签的实例样本的点云替换附带预测语义标签的点云中的部分点，将附带混合语义标签的点云作为训练数据，相对于仅附带预测语义标签的点云作为训练数据，增加准确语义标签的数量。从而，减小训练数据中语义标签的误差，提高训练数据的准确性，有利于提高被训练的点云目标检测模型的准确性。
9.本公开一些实施例提出一种模型训练方法，包括：
10.获取第一场景对应的第一点云和第一图像；
11.对第一图像进行语义分割，获得第一图像的语义分割结果，所述第一图像的语义分割结果包括第一图像的每个像素的语义标签；
12.将第一点云中每个点对应的第一图像的语义分割结果中相应像素的语义标签，作为第一点云中该点的预测语义标签，以得到附带预测语义标签的第一点云；
13.将附带真实语义标签的实例样本的第二点云通过复制和粘贴替换附带预测语义标签的第一点云中的部分点，以得到附带混合语义标签的第三点云，所述附带混合语义标签的第三点云中的所述部分点附带真实语义标签、其他点附带预测语义标签；
14.利用附带混合语义标签的第三点云对点云目标检测模型进行训练。
15.在一些实施例中，对点云目标检测模型进行训练包括：利用附带混合语义标签以及标签类型的第三点云对点云目标检测模型进行训练，所述标签类型用于表征一个语义标签是真实语义标签或预测语义标签。
16.在一些实施例中，得到附带预测语义标签的第一点云包括：
17.根据点云到相机的坐标转换关系，将第一点云投影到相机坐标系，以确定第一点云中每个点对应的第一图像中的相应像素；
18.将第一点云中每个点对应的第一图像的语义分割结果中相应像素的语义标签，作为第一点云中该点的预测语义标签，得到附带预测语义标签的第一点云。
19.在一些实施例中，还包括：统计训练数据中各种实例样本的数量，在各种实例样本的数量不均衡的情况下，将数量较少的实例样本作为第二点云相应的实例样本。
20.在一些实施例中，对第一图像进行语义分割包括：利用语义分割模型，对第一图像进行语义分割，得到第一图像的语义分割结果。
21.在一些实施例中，获取第一场景对应的第一点云和第一图像包括：通过雷达获取第一场景对应的第一点云，通过相机获取第一场景对应的第一图像。
22.在一些实施例中，还包括：
23.利用训练后的点云目标检测模型，对当前点云进行目标检测；
24.基于检测的目标，进行自动驾驶控制。
25.本公开一些实施例提出一种模型训练装置，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行各实施例的模型训练方法。
26.本公开一些实施例提出一种模型训练装置，包括：
27.信息获取单元，被配置为获取第一场景对应的第一点云和第一图像；
28.语义分割单元，被配置为对第一图像进行语义分割，获得第一图像的语义分割结果，所述第一图像的语义分割结果包括第一图像的每个像素的语义标签；
29.语义预测单元，被配置为将第一点云中每个点对应的第一图像的语义分割结果中相应像素的语义标签，作为第一点云中该点的预测语义标签，以得到附带预测语义标签的第一点云；
30.语义处理单元，被配置为将附带真实语义标签的实例样本的第二点云通过复制和粘贴替换附带预测语义标签的第一点云中的部分点，以得到附带混合语义标签的第三点云，所述附带混合语义标签的第三点云中的所述部分点附带真实语义标签、其他点附带预
测语义标签；
31.模型训练单元，被配置为利用附带混合语义标签的第三点云对点云目标检测模型进行训练。
32.在一些实施例中，所述模型训练单元，被配置为：利用附带混合语义标签以及标签类型的第三点云对点云目标检测模型进行训练，所述标签类型用于表征一个语义标签是真实语义标签或预测语义标签。
33.在一些实施例中，所述语义预测单元，被配置为：
34.根据点云到相机的坐标转换关系，将第一点云投影到相机坐标系，以确定第一点云中每个点对应的第一图像中的相应像素；
35.将第一点云中每个点对应的第一图像的语义分割结果中相应像素的语义标签，作为第一点云中该点的预测语义标签，得到附带预测语义标签的第一点云。
36.在一些实施例中，还包括：样本均衡单元，被配置为统计训练数据中各种实例样本的数量，在各种实例样本的数量不均衡的情况下，将数量较少的实例样本作为第二点云相应的实例样本。
37.本公开一些实施例提出一种自动驾驶车辆，包括：
38.中央处理器，被配置为利用点云目标检测模型，对当前点云进行目标检测，基于检测的目标，进行自动驾驶控制，
39.其中，所述点云目标检测模型是根据所述的模型训练方法进行训练得到的。
40.在一些实施例中，所述自动驾驶车辆包括：
41.自动驾驶模块、底盘模块、远程监控推流模块、货箱模块中的至少一个，其中，所述中央处理器位于所述自动驾驶模块中。
42.本公开一些实施例提出一种非瞬时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现各实施例所述的方法的步骤。
附图说明
43.下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍。根据下面参照附图的详细描述，可以更加清楚地理解本公开。
44.显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
45.图1示出本公开一些实施例的自动驾驶车辆的电气架构示意图。
46.图2示出本公开一些实施例的自动驾驶车辆的外形结构示意图。
47.图3a示出本公开一些实施例的模型训练方法的流程图。
48.图3b示出本公开一些实施例的模型训练方法的示意图。
49.图4示出本公开一些实施例的自动驾驶控制方法的流程示意图。
50.图5示出本公开一些实施例的模型训练装置的示意图。
51.图6示出本公开一些实施例的模型训练装置的结构示意图。
具体实施方式
52.下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完
整地描述。
53.除非特别说明，否则，本公开中的“第一”“第二”等描述用来区分不同的对象，并不用来表示大小或时序等含义。
54.图1示出本公开一些实施例的自动驾驶车辆的电气架构示意图。
55.如图1所示，该实施例的自动驾驶车辆100主要包括自动驾驶模块110、底盘模块120、远程监控推流模块130和货箱模块140四部分。自动驾驶车辆例如可以是无人驾驶车、无人配送车、无人售货车等。
56.自动驾驶模块110包括中央处理器(orin或xavier模组)111、红绿灯识别相机112、前侧相机1131、后侧相机1132、左侧相机1133、右侧相机1134、激光雷达114、前侧补盲雷达1151、后侧补盲雷达1152、左侧补盲雷达1153、右侧补盲雷达1154、定位模块(如北斗、gps等)116、惯性导航单元117、交换机118等。各相机与自动驾驶模块之间可进行通信，为了提高传输速度和减少线束，可采用gmsl(gigabit multimedia serial links，千兆多媒体串行链路)链路通信。
57.其中，中央处理器111可以用通用中央处理器、数字信号中央处理器(digital signal processor，dsp)、应用专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field programmable gate array，fpga)或其它可编程逻辑设备、分立门或晶体管等分立硬件组件方式来实现。
58.中央处理器111，可被配置为利用点云目标检测模型，对当前点云进行目标检测，基于检测的目标，进行自动驾驶控制，其中，所述点云目标检测模型是根据后续实施例的模型训练方法进行训练得到的。
59.底盘模块120主要包括电池121、电源管理装置122、底盘控制器123、电机驱动器124、动力电机125、通信模块126。电池121为整个自动驾驶车辆系统提供电源。电池121包括主电池1211和待机电池1212。在自动驾驶车辆运行时，主电池1211给自动驾驶车辆的各模块供电。在自动驾驶车辆待机时，待机电池1212给中央处理器111和通信模块126供电。电源管理装置122将电池121的输出转换为可供各模块使用的不同电平电压，并控制上下电。底盘控制器123接收自动驾驶模块110下发的运动指令，控制自动驾驶车辆转向、前进、后退、刹车等。通信模块126与后台服务器进行通信，可实现后台操作人员对自动驾驶车辆的远程控制。通信模块126包括蜂窝无线通信装置1261和射频通信装置1262。蜂窝无线通信装置1261利用蜂窝无线通信技术进行通信，如利用2g(第二代)、3g(第三代)、4g(第四代)或5g(第五代)等蜂窝无线通信技术进行通信。射频通信装置1262利用射频通信技术进行通信。
60.远程监控推流模块130由前监控相机1311、后监控相机1312、左监控相机1313、右监控相机1314和推流模块132构成。推流模块132将监控相机1311～1314采集的视频数据传输到后台服务器，供后台操作人员查看。
61.货箱模块140包括货箱141，是自动驾驶车辆的货物承载装置，货箱模块140上还设置有显示交互模块142，用于自动驾驶车辆与用户交互，用户可通过显示交互模块142进行如取件、寄存、购买货物等操作。货箱141的类型可根据实际需求进行更换，例如，在物流场景中，货箱可以包括多个不同大小的子箱体，子箱体可用于装载货物进行配送，在零售场景中，货箱可以设置成透明箱体，以便于用户看到待售产品。
62.图2示出本公开一些实施例的自动驾驶车辆的外形结构示意图。
63.如图2所示，从当前视角可以看到自动驾驶车辆200的底盘210、货箱141、显示交互模块142、右侧相机1134、激光雷达114、后侧补盲雷达1152、左侧补盲雷达1153、右侧补盲雷达1154等。
64.下面描述点云目标检测模型的训练方法，训练后的点云目标检测模型可以用于自动驾驶车辆进行目标检测和自动驾驶控制。
65.图3a示出本公开一些实施例的模型训练方法的流程图。
66.图3b示出本公开一些实施例的模型训练方法的示意图。
67.如图3a和图3b所示，该实施例的模型训练方法例如可以由模型训练装置执行，其包括以下步骤。
68.在步骤310，获取第一场景对应的第一点云和第一图像。
69.通过雷达获取第一场景对应的第一点云，通过相机获取第一场景对应的第一图像。雷达例如为激光雷达。
70.自动驾驶车辆中通常配备了雷达和相机，可以通过雷达和相机获取各个场景对应的点云和图像。
71.在步骤320，对第一图像进行语义分割，获得第一图像的语义分割结果，所述第一图像的语义分割结果包括第一图像的每个像素的语义标签。
72.语义分割是图像分割中的基本任务，是指对于图像将每个像素都标注上对应的类别，也即，将视觉输入的图像数据分为不同的语义可解释性类别。利用语义分割模型，对第一图像进行语义分割，得到第一图像的语义分割结果。
73.语义分割模型例如包括但不限于u-net、fcn、segnet、pspnet、refinenet、deeplab v1/v2/v3/v3+、基于全卷积的gan语义分割模型，以及danet、ccnet等基于注意力的语义分割模型。
74.在步骤330，将第一点云中每个点对应的第一图像的语义分割结果中相应像素的语义标签，作为第一点云中该点的预测语义标签，以得到附带预测语义标签的第一点云。该过程可以称为点云染色(point painting)，也即将预测语义标签附着(“染色”)在点云中的点上。
75.具体来说，投影步骤：根据点云到相机的坐标转换关系，将第一点云投影到相机坐标系(依据拍摄第一图像的相机建立的坐标系)，以确定第一点云中每个点对应的第一图像中的相应像素；对照步骤：将第一点云中每个点对应的第一图像的语义分割结果中相应像素的语义标签，作为第一点云中该点的预测语义标签，得到附带预测语义标签的第一点云。
76.从而，利用图像的语义分割结果，确定点云的预测语义。
77.附带预测语义标签的第一点云可以表征为：【第一点云中每个点的坐标(x，y，z)，每个点对应的预测语义标签(可为one-hot类型)】。
78.在步骤340，将附带真实语义标签的实例样本的第二点云通过复制和粘贴替换附带预测语义标签的第一点云中的部分点，以得到附带混合语义标签的第三点云，所述附带混合语义标签的第三点云中的所述部分点附带真实语义标签、其他点附带预测语义标签。
79.其中，统计训练数据中各种实例样本的数量，在各种实例样本的数量不均衡的情况下，将数量较少的实例样本作为第二点云相应的实例样本。
80.从而，使得用于训练点云目标检测模型的各种实例样本的训练数据数量比较均
衡，进而使得被训练的点云目标检测模型对各种目标实例均有较好的检测能力。
81.可以将附带真实语义标签的数量较少的各种实例样本的点云放到一个数据库中，执行步骤340时，随机采样数据库中的附带真实语义标签的实例样本的点云，作为第二点云，并通过复制和粘贴替换附带预测语义标签的第一点云中的部分点。替换时，将采样的实例样本的第二点云按照该实例样本的原本位置粘贴到第一点云中。
82.真实语义标签可以通过点云中人工标注的实例的检测框以及相应的语义来确定。
83.在自动驾驶场景，这些实例例如包括但不限于：汽车(car)，卡车(truck)，公交车(bus)，拖车(trailer)，c_vehicle(c级车辆)，pedestrian(行人)，m-cycle(m循环)车，bicycle(自行车)，traffic-cone(交通锥)，barrier(障碍)等。其中，例如拖车等属于自然环境下数量较少的实例样本。
84.附带真实语义标签的实例样本的第二点云可以表征为：【第二点云中每个点的坐标(x，y，z)，每个点对应的真实语义标签(可为one-hot类型)】。
85.附带混合语义标签的第三点云可以表征为：【第三点云中的部分点的坐标(x，y，z)，部分点对应的真实语义标签；第三点云中的其他点的坐标(x，y，z)，其他点对应的预测语义标签】。
86.在步骤350，利用附带混合语义标签的第三点云对点云目标检测模型进行训练。
87.训练过程例如为：点云目标检测模型基于输入的第三点云预测其语义，根据预测语义与第三点云附带的语义标签确定损失，根据损失更新点云目标检测模型的参数，直到满足训练终止条件，例如，达到预设的训练轮次，或损失满足预设要求等。
88.点云目标检测模型例如包括但不限于：centerpoint模型，端到端多视图融合(multi-view fusion，mvf)模型，基于激光雷达数据的自动驾驶三维目标检测模型lasernet，面向激光雷达数据的目标检测模型birdnet，单级深层卷积神经网络lmnet(可检测城市环境中的目标)，从点云实时检测三维物体的pixor模型，从点云生成和检测三维对象的pointrcnn，端到端实时3d对象边界框检测的yolo3d模型，基于点云的三维前视图生成和目标检测模型fvnet。
89.在另一些实施例中，利用附带混合语义标签以及标签类型的第三点云对点云目标检测模型进行训练，所述标签类型用于表征一个语义标签是真实语义标签或预测语义标签。
90.从而，使得模型在数据阶段就获知点云的真实语义和预测语义，用于在训练过程进行对比学习，有利于进一步提高被训练的点云目标检测模型的准确性。
91.本公开实施例，通过改进复制粘贴的数据增强与为点云赋予语义的融合方式，将场景的原始点云与原始图像进行对照以确定预测语义标签，通过减小点云与图像间的对照误差来减小预测语义标签的误差，并且，将附带真实语义标签的实例样本的点云替换附带预测语义标签的点云中的部分点，将附带混合语义标签的点云作为训练数据，相对于仅附带预测语义标签的点云作为训练数据，增加准确语义标签的数量。从而，减小训练数据中语义标签的误差，提高训练数据的准确性，有利于提高被训练的点云目标检测模型的准确性。
92.例如，在nuscenes数据集上使用centerpoint点云目标检测模型，比较原始的融合方法与本公开改进后的融合方法的检测效果，本公开改进后的融合方法比原始的融合方法，提升了1.5map(mean average precision，平均精度均值)以及1.1nds(nuscenes检测分
数，一个综合指标)。具体数据详见下表。
93.表1检测效果对比
[0094][0095]
图4示出本公开一些实施例的自动驾驶控制方法的流程示意图。
[0096]
如图4所示，该实施例的自动驾驶控制方法包括：
[0097]
在步骤410，利用训练后的点云目标检测模型，对当前点云进行目标检测。
[0098]
在自动驾驶场景中，检测到的目标例如包括但不限于：汽车，卡车，公交车，拖车，c级车辆，行人，m循环车，自行车，交通锥，障碍等。
[0099]
在步骤420，基于检测的目标，进行自动驾驶控制。
[0100]
自动驾驶控制例如包括自动避让车辆、行人、交通锥等，与其他车辆保持安全距离等。
[0101]
本公开实施例，由于点云目标检测模型可以更准确地检测目标，因此，可以支持自动驾驶车辆做出更准确的自动驾驶控制策决策。
[0102]
图5示出本公开一些实施例的模型训练装置的示意图。
[0103]
如图5所示，该实施例的模型训练装置500包括以下单元。
[0104]
信息获取单元510，被配置为获取第一场景对应的第一点云和第一图像；
[0105]
语义分割单元520，被配置为对第一图像进行语义分割，获得第一图像的语义分割结果，所述第一图像的语义分割结果包括第一图像的每个像素的语义标签；
[0106]
语义预测单元530，被配置为将第一点云中每个点对应的第一图像的语义分割结果中相应像素的语义标签，作为第一点云中该点的预测语义标签，以得到附带预测语义标签的第一点云；
[0107]
语义处理单元540，被配置为将附带真实语义标签的实例样本的第二点云通过复制和粘贴替换附带预测语义标签的第一点云中的部分点，以得到附带混合语义标签的第三点云，所述附带混合语义标签的第三点云中的所述部分点附带真实语义标签、其他点附带预测语义标签；
[0108]
模型训练单元550，被配置为利用附带混合语义标签的第三点云对点云目标检测模型进行训练。
[0109]
在一些实施例中，信息获取单元510，被配置为通过雷达获取第一场景对应的第一
点云，通过相机获取第一场景对应的第一图像。
[0110]
在一些实施例中，语义分割单元520，被配置为利用语义分割模型，对第一图像进行语义分割，得到第一图像的语义分割结果。
[0111]
在一些实施例中，语义预测单元530，被配置为：根据点云到相机的坐标转换关系，将第一点云投影到相机坐标系，以确定第一点云中每个点对应的第一图像中的相应像素；将第一点云中每个点对应的第一图像的语义分割结果中相应像素的语义标签，作为第一点云中该点的预测语义标签，得到附带预测语义标签的第一点云。
[0112]
在一些实施例中，所述模型训练单元550，被配置为：利用附带混合语义标签以及标签类型的第三点云对点云目标检测模型进行训练，所述标签类型用于表征一个语义标签是真实语义标签或预测语义标签。
[0113]
在一些实施例中，模型训练装置还包括：样本均衡单元560，被配置为统计训练数据中各种实例样本的数量，在各种实例样本的数量不均衡的情况下，将数量较少的实例样本作为第二点云相应的实例样本。
[0114]
图6示出本公开一些实施例的模型训练装置的结构示意图。
[0115]
如图6所示，该实施例的模型训练装置600包括：存储器610以及耦接至该存储器610的处理器620，处理器620被配置为基于存储在存储器610中的指令，执行前述任意一些实施例中的模型训练方法。
[0116]
例如，模型训练方法包括：
[0117]
获取第一场景对应的第一点云和第一图像；
[0118]
对第一图像进行语义分割，获得第一图像的语义分割结果，所述第一图像的语义分割结果包括第一图像的每个像素的语义标签；
[0119]
将第一点云中每个点对应的第一图像的语义分割结果中相应像素的语义标签，作为第一点云中该点的预测语义标签，以得到附带预测语义标签的第一点云；
[0120]
将附带真实语义标签的实例样本的第二点云通过复制和粘贴替换附带预测语义标签的第一点云中的部分点，以得到附带混合语义标签的第三点云，所述附带混合语义标签的第三点云中的所述部分点附带真实语义标签、其他点附带预测语义标签；
[0121]
利用附带混合语义标签的第三点云对点云目标检测模型进行训练。
[0122]
其中，对点云目标检测模型进行训练包括：利用附带混合语义标签以及标签类型的第三点云对点云目标检测模型进行训练，所述标签类型用于表征一个语义标签是真实语义标签或预测语义标签。
[0123]
其中，得到附带预测语义标签的第一点云包括：根据点云到相机的坐标转换关系，将第一点云投影到相机坐标系，以确定第一点云中每个点对应的第一图像中的相应像素；将第一点云中每个点对应的第一图像的语义分割结果中相应像素的语义标签，作为第一点云中该点的预测语义标签，得到附带预测语义标签的第一点云。
[0124]
统计训练数据中各种实例样本的数量，在各种实例样本的数量不均衡的情况下，将数量较少的实例样本作为第二点云相应的实例样本。
[0125]
利用语义分割模型，对第一图像进行语义分割，得到第一图像的语义分割结果。
[0126]
通过雷达获取第一场景对应的第一点云，通过相机获取第一场景对应的第一图像。
[0127]
模型训练装置600还可以包括输入输出接口630、网络接口640、存储接口650等。这些接口630，640，650以及存储器610和处理器620之间例如可以通过总线660连接。
[0128]
其中，存储器610例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(boot loader)以及其他程序等。
[0129]
其中，处理器620可以用通用处理器、数字信号处理器(digital signal processor，dsp)、应用专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field programmable gate array，fpga)或其它可编程逻辑设备、分立门或晶体管等分立硬件组件方式来实现。
[0130]
其中，输入输出接口630为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口640为各种联网设备提供连接接口。存储接口650为sd卡、u盘等外置存储设备提供连接接口。总线660可以使用多种总线结构中的任意总线结构。例如，总线结构包括但不限于工业标准体系结构(industry standard architecture，isa)总线、微通道体系结构(micro channel architecture，mca)总线、外围组件互连(peripheral component interconnect，pci)总线。
[0131]
模型训练装置可以独立于自动驾驶车辆，模型训练装置提供训练好的点云目标检测模型给自动驾驶车辆。
[0132]
模型训练装置也可以内置于自动驾驶车辆中。模型训练装置基于自动驾驶车辆采集的点云和图像序列训练点云目标检测模型，并提供训练好的点云目标检测模型给自动驾驶车辆，还可以根据自动驾驶车辆实时采集的点云和图像更新点云目标检测模型，并提供更新的点云目标检测模型给自动驾驶车辆。
[0133]
需要说明的是，本公开的技术方案中，所涉及的用户个人信息的获取、存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
[0134]
本领域内的技术人员应当明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机程序代码的非瞬时性计算机可读存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0135]
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解为可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0136]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0137]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计
算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0138]
以上所述仅为本公开的较佳实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。