数据处理的方法、装置、设备及存储介质与流程

本技术涉及计算机，具体涉及智能交通和自动驾驶等，特别涉及一种数据处理的方法、装置、设备及存储介质。

背景技术：

1、自动驾驶车辆在日常营运过程中，有时会遇到一些极端的天气状况，例如，雨、雪天气等，而车载激光雷达等传感器所采集的感知数据较易受到雨、雪天气状况的干扰，采集的感知数据中会存在雨雪等噪点，这使得车辆后续利用感知数据执行相关识别处理的有效性不佳，严重的可能导致车辆无法正常行驶。

2、因此，如何快速有效地筛查出极端天气状况下的干扰数据，对保证自动驾驶车辆的安全行驶，具有十分重要的意义。

技术实现思路

1、本技术提供了一种数据处理的方法、装置、设备及存储介质，解决了无法有效过滤干扰点云数据的问题，所述技术方案如下：

2、第一方面，提供了一种数据处理的方法，所述方法包括：

3、获取待处理的点云数据；

4、对所述点云数据进行网格化处理，以获得多个点云网格；

5、对每个所述点云网格并行进行特征提取，以获得所述点云数据中点云的特征信息；

6、利用至少一个预设的干扰点云识别模型，对所述点云的特征信息进行识别处理，以获得干扰点云数据；

7、基于所述干扰点云数据，对所述待处理的点云数据进行数据过滤处理，以获得目标点云数据。

8、在一种可能的实现方式中，所述对每个所述点云网格并行进行特征提取，以获得所述点云数据中点云的特征信息，包括：

9、对每个所述点云网格并行进行下采样处理，以获得每个所述点云网格的质心；

10、基于每个所述点云网格的质心，对每个所述点云网格并行进行特征提取，以获得所述点云数据中点云的特征信息。

11、在一种可能的实现方式中，所述对每个所述点云网格并行进行下采样处理，以获得每个所述点云网格的质心，包括：

12、对每个所述点云网格并行进行滤波处理；

13、对每个滤波处理后的点云网格并行进行下采样处理，以获得每个所述点云网格的质心。

14、在一种可能的实现方式中，所述利用至少一个预设的干扰点云识别模型，对所述点云的特征信息进行识别处理，以获得干扰点云数据之前，还包括：

15、获取当前算力资源情况；

16、根据所述当前算力资源情况，确定所述预设的干扰点云识别模型的数量。

17、在一种可能的实现方式中，所述利用至少一个预设的干扰点云识别模型，对所述点云的特征信息进行识别处理，以获得干扰点云数据，包括：

18、当所述预设的干扰点云识别模型的数量为多个时，利用每个所述预设的干扰点云识别模型，分别对所述点云的特征信息并行进行识别处理，以获得多个识别处理的结果；

19、基于多个所述识别处理的结果，获得干扰点云数据。

20、第二方面，提供了一种模型训练的方法，所述方法包括：

21、获取样本点云数据和所述样本点云数据对应的标签信息；

22、对所述样本点云数据进行网格化处理，以获得多个点云网格；

23、对每个所述点云网格并行进行特征提取，以获得所述样本点云数据中样本点云的特征信息；

24、基于所述样本点云的特征信息和所述样本点云数据对应的标签信息，对待训练的干扰点云识别模型进行迭代训练，以获得训练完成的干扰点云识别模型。

25、第三方面，提供了一种数据处理的装置，所述装置包括：

26、获取单元，用于获取待处理的点云数据；

27、获得单元，用于对所述点云数据进行网格化处理，以获得多个点云网格；

28、提取单元，用于对每个所述点云网格并行进行特征提取，以获得所述点云数据中点云的特征信息；

29、识别单元，用于利用至少一个预设的干扰点云识别模型，对所述点云的特征信息进行识别处理，以获得干扰点云数据；

30、过滤单元，用于基于所述干扰点云数据，对所述待处理的点云数据进行数据过滤处理，以获得目标点云数据。

31、第四方面，提供了一种模型训练的装置，所述装置包括：

32、获取单元，用于获取样本点云数据和所述样本点云数据对应的标签信息；

33、获得单元，用于对所述样本点云数据进行网格化处理，以获得多个点云网格；

34、提取单元，用于对每个所述点云网格并行进行特征提取，以获得所述样本点云数据中样本点云的特征信息；

35、训练单元，用于基于所述样本点云的特征信息和所述样本点云数据对应的标签信息，对待训练的干扰点云识别模型进行迭代训练，以获得训练完成的干扰点云识别模型。

36、第五方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如上所述的方面和任一可能的实现方式的方法。

37、第六方面，提供了一种电子设备，包括：

38、至少一个处理器；以及

39、与所述至少一个处理器通信连接的存储器；其中，

40、所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的方面和任一可能的实现方式的方法。

41、第七方面，提供了一种自动驾驶车辆，包括如上所述的电子设备。

42、本技术提供的技术方案的有益效果至少包括：

43、由上述技术方案可知，一方面，本技术实施例可以通过获取待处理的点云数据，进而可以对所述点云数据进行网格化处理，以获得多个点云网格，对每个所述点云网格并行进行特征提取，以获得所述点云数据中点云的特征信息，利用至少一个预设的干扰点云识别模型，对所述点云的特征信息进行识别处理，以获得干扰点云数据，基于所述干扰点云数据，对所述待处理的点云数据进行数据过滤处理，以获得目标点云数据，由于可以基于并行的特征信息提取处理，快速的识别出点云数据中干扰点云，以利用识别出的干扰点云对原点云数据进行过滤处理，得到去除了干扰点云的目标点云数据，实现了在不增加额外运算设备以及传感器的情况下，对干扰点云的快速识别过滤处理，并利用提取后的点云特征信息进行干扰点云识别，可以获得更加准确地干扰点云数据，提升了数据处理效率和可靠性，从而提升了获得的点云数据的可靠性。

44、由上述技术方案可知，另一方面，本技术实施例可以通过获取样本点云数据和所述样本点云数据对应的标签信息，进而可以对所述样本点云数据进行网格化处理，以获得多个点云网格，对每个所述点云网格并行进行特征提取，以获得所述样本点云数据中样本点云的特征信息，使得能够基于所述样本点云的特征信息和所述样本点云数据对应的标签信息，对待训练的干扰点云识别模型进行迭代训练，得到训练完成的干扰点云识别模型，由于通过在训练干扰点云识别模型过程中，并行提取出用于模型训练的样本点云的特征信息，可以在保证模型的性能和鲁棒性的同时，节省了模型训练的时间，提升了处理效率。

45、应当理解，本部分所描述的内容并非旨在标识本技术的实施例的关键或重要特征，也不用于限制本技术的范围。本技术的其它特征将通过以下的说明书而变得容易理解。