高精地图点云配准模型的数据处理方法和装置与流程

1.本公开涉及计算机技术领域和数据处理技术领域，具体涉及高精地图技术，可以应用于自动驾驶和智能交通，尤其涉及一种高精地图点云配准模型的数据处理方法和装置。


背景技术：

2.高精地图是实现自动驾驶的重要元素，为了实现自动驾驶，通常需要先构建高精地图，而点云配准是构建高精地图的重要环节之一。
3.在一些实施例中，可以基于神经网络模型的方式进行点云配准，如获取训练集，以基于训练集对神经网络模型进行训练，以得到用于进行点云配准的点云配准模型，其中，训练集是基于人工方式获取到的。
4.然而，通过人工方式获取训练集，缺乏自动化和智能化，且可能受人为因素影响造成准确性偏低的技术问题。


技术实现要素：

5.本公开提供了一种用于解决上述技术问题中的至少一种的高精地图点云配准模型的数据处理方法和装置。
6.根据本公开的第一方面，提供了一种高精地图点云配准模型的数据处理方法，包括：
7.获取目标高精地图的目标点云、以及所述目标点云对应的目标配准信息，其中，所述目标高精地图为未达到预设使用需求的高精地图，所述配准信息是基于预先训练的初始点云配准模型确定的；
8.根据所述目标点云对所述目标配准信息进行修复处理，得到修复配准信息，并计算所述修复配准信息与所述目标配准信息之间的差异值；
9.若所述差异值大于预设差异阈值，则将所述目标点云确定为训练集，其中，所述训练集用于对所述初始点云配准模型进行更新处理，或者，所述训练集用于训练新的点云配准模型。
10.根据本公开的第二方面，提供了一种高精地图点云配准模型的数据处理装置，包括：
11.第一获取单元，用于获取目标高精地图的目标点云、以及所述目标点云对应的目标配准信息，其中，所述目标高精地图为未达到预设使用需求的高精地图，所述配准信息是基于预先训练的初始点云配准模型确定的；
12.修复单元，用于根据所述目标点云对所述目标配准信息进行修复处理，得到修复配准信息；
13.计算单元，用于计算所述修复配准信息与所述目标配准信息之间的差异值；
14.确定单元，用于若所述差异值大于预设差异阈值，则将所述目标点云确定为训练
集，其中，所述训练集用于对所述初始点云配准模型进行更新处理，或者，所述训练集用于训练新的点云配准模型。
15.根据本公开的第三方面，提供了一种电子设备，包括：
16.至少一个处理器；以及
17.与所述至少一个处理器通信连接的存储器；其中，
18.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第一方面所述的方法。
19.根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据第一方面所述的方法。
20.根据本公开的第五方面，提供了一种计算机程序产品，所述计算机程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法。
21.本公开提供了一种高精地图点云配准模型的数据处理方法和装置，包括：获取目标高精地图的目标点云、以及目标点云对应的目标配准信息，其中，目标高精地图为未达到预设使用需求的高精地图，配准信息是基于预先训练的初始点云配准模型确定的，根据目标点云对目标配准信息进行修复处理，得到修复配准信息，并计算修复配准信息与目标配准信息之间的差异值，若差异值大于预设差异阈值，则将目标点云确定为训练集，其中，训练集用于对初始点云配准模型进行更新处理，或者，训练集用于训练新的点云配准模型，通过获取未达到预设使用需求的高精地图的目标点云和目标配准信息，以根据目标点云和目标配准信息确定训练集的技术特征，避免了依赖人工方式收集训练集造成的效率低和可靠性低的弊端，实现了获取训练集的自动化和智能化，且提高了获取训练集的效率，还避免了人为因素的影响，提高了获取到的训练集的准确性和可靠性。
22.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
23.附图用于更好地理解本方案，不构成对本公开的限定。其中：
24.图1是根据本公开第一实施例的示意图；
25.图2是根据本公开第二实施例的示意图；
26.图3是根据本公开的高精地图点云配准模型的数据处理方法的原理示意图；
27.图4是根据本公开的更新处理的流程的原理示意图；
28.图5是根据本公开第三实施例的示意图；
29.图6是根据本公开的目标点云存储的原理示意图；
30.图7是根据本公开第四实施例的示意图；
31.图8是根据本公开第五实施例的示意图；
32.图9是根据本公开第六实施例的示意图；
33.图10是用来实现本公开实施例的高精地图点云配准模型的数据处理方法的电子设备的框图。
具体实施方式
34.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
35.为便于读者理解本公开的实现原理，现对本公开中涉及的至少部分技术术语解释如下：
36.电子地图(electronic map)，也可以称为数字地图，是指利用计算机技术，以数字方式存储和查阅的地图。
37.电子地图包括普通地图和高精地图，高精地图是指相对于普通地图来说的地图。相对而言，高精地图提供了更高精度，内容更为丰富的地图信息，高精地图主要服务于自动驾驶。
38.点云，是指通过测量仪器得到的产品外观表面的点数据集合。相应的，在本实施例中，点云可以理解为通过测量仪器得到的道路外表面的点数据集合。
39.示例性的，点云包括用于表征道路外表面的点、以及点对应的特征数据，如点对应的坐标等。
40.点云配准，是指通过计算得到坐标变换，将处于不同视角下的点云经过旋转平移等刚性变换统一整合到指定坐标系之下的过程。也就是说，进行配准的两个点云，它们彼此之间可以通过旋转平移等这种位置变换完全重合，即点云配准可以理解为求解两个点云之间的坐标位置变换关系。
41.点云配准是构建高精地图的重要环节之一。示例性的，构建高精地图的方法可以包括：获取车辆行驶于道路的点云，对点云进行点云配准，得到配准信息，根据配准信息构建道路的高精地图。
42.在一些实施例中，可以采用如4点法(4-points congruent sets，4pcs)、迭代最近点(iterative closest point，icp)算法、判别优化(discriminative optimization，do)算法等几何算法的方式，对用于构建高精地图的点云进行点云配准，以得到配准信息。
43.然而，采用几何算法的方式确定配准信息，存在算法相对较为复杂，效率相对较低的弊端。
44.随着人工智能技术和深度学习技术的发展，在另一些实施例中，也可以采用神经网络模型的方式，对用于构建高精地图的点云进行点云配准，以得到配准信息。
45.示例性的，可以采集样本训练集，样本训练集中包括样本点云，以基于样本点云对神经网络模型进行训练，以使得神经网络模型学习基于样本点云输出样本点云的配准信息的能力。
46.然而，样本点云的采集主要通过人工方式实现，例如，可以由工作人员收集样本点云，也可以由工作人员配置样本点云。因此，采用该方法存在采集样本点云的效率偏低，且相对而言无法规模化的弊端，从而导致点云配准模型的训练效率和可靠性偏低的技术问题。
47.且在训练得到点云配准模型之后，为了使得点云配准模型具有较高的准确性和可靠性，可以对点云配准模型进行更新(也可以称为优化)，而如何自动化获取用于训练新的
点云配准模型的训练集(可以包括样本训练集)，或者获取用于对点云配准模型进行更新处理的训练集(可以包括样本训练集)，成了亟待解决的问题。
48.为了解决上述技术问题，本公开提出了经创造性劳动后的技术构思：获取没有达到预设使用需求的高精地图，并获取该高精地图的点云、以及该高精地图的点云对应的配准信息(基于已经训练好的点云配准模型确定的)，以结合获取到的点云和配准信息确定训练集，其中，该训练集可以用于训练新的点云配准模型，也可以对已经训练好的点云配准模型进行更新处理。
49.基于上述技术构思，本公开提供一种高精地图点云配准模型的数据处理方法和装置，涉及计算机技术领域和数据处理技术领域，具体涉及高精地图技术，可以应用于自动驾驶和智能交通，以达到收集训练集的自动化。
50.图1是根据本公开第一实施例的示意图，如图1所示，本公开实施例的高精地图点云配准模型的数据处理方法，包括：
51.s101：获取目标高精地图的目标点云、以及目标点云对应的目标配准信息。其中，目标高精地图为未达到预设使用需求的高精地图，配准信息是基于预先训练的初始点云配准模型确定的。
52.示例性的，本实施例的执行主体可以为高精地图点云配准模型的数据处理装置(下文简称为数据处理装置)，数据处理装置可以为服务器，也可以为计算机，也可以为终端设备，也可以为处理器，也可以为芯片，等等，此处不再一一列举。
53.若数据处理装置为服务器，则数据处理装置可以为本地服务器，也可以为云端服务器，可以为独立的服务器，也可以为服务器集群，本实施例不做限定。
54.本实施例中目标点云的“目标”，用于与后文中的其他点云进行区分，而不能理解为对目标点云的内容的限定。其中，目标点云可以理解为用于构建目标高精地图的点云。
55.相应的，目标高精地图可以理解为高精地图中的至少部分高精地图，且该至少部分高精地图为没有达到预设使用需求的高精地图。
56.目标配准信息中的“目标”，用于与后文中的其他配准信息进行区分，目标配准信息可以理解为对目标点云进行点云配准而得到的配准信息。
57.初始点云配准模型中的“初始”，用于与后文中的其他点云配准模型进行区分，初始点云配准模型可以理解为在构建包括目标高精地图的高精地图之前，已经训练完成的点云配准模型。
58.示例性的，结合上述分析，初始点云配准模型可以理解为基于人工方式收集的包括样本点云的样本训练集训练得到的。
59.本实施例对预设使用需求的内容不做限定，可以基于需求、历史记录、以及试验等方式确定。
60.例如，针对相对精度较高的高精地图构建场景，预设使用需求为相对较高的需求；反之，针对相对精度较低的高精地图构建场景，预设使用需求为相对较低的需求。
61.该步骤可以理解为：在基于获取到的点云构建得到高精地图之后，从高精地图中确定没有达到预设使用需求的高精地图，没有达到预设使用需求的高精地图可以称为目标高精地图；获取构建得到目标高精地图的点云，该点云可以称为目标点云；获取目标点云输入初始点云配准模型输出的配准信息，该配准信息可以称为目标配准信息。
62.s102：根据目标点云对目标配准信息进行修复处理，得到修复配准信息。
63.本实施例中的修复处理可以理解为基于目标点云对目标配准信息进行校准，以避免由于目标配准信息的不准确而导致训练集的不准确。
64.s103：计算修复配准信息与目标配准信息之间的差异值。
65.示例性，目标配准信息为经初始点云配准模型确定的配准信息，修复配准信息为对目标配准信息进行修复处理得到的配准信息，计算差异值可以理解为确定修复配准信息与目标配准信息之间的区别。
66.s104：若差异值大于预设差异阈值，则将目标点云确定为训练集。其中，训练集用于对初始点云配准模型进行更新处理，或者，训练集用于训练新的点云配准模型。
67.本实施例对训练新的点云配准模型的方式不做限定，其实现可以参见训练初始点云配准模型的原理，此处不再赘述。
68.同理，预设差异阈值可以基于需求、历史记录、以及试验等方式确定，本实施例不做限定。
69.例如，可以判断差异值与预设差异阈值的大小，如果差异值大于预设差异阈值，则说明修复配准信息与目标配准信息之间的区别较大，则说明差异值较大的原因很能是初始点云配准模型的预测可靠性(或预测准确性)不高导致的，则说明目标点云可能为长尾数据，相应的，可以将目标点云确定为训练集。
70.反之，如果差异值小于或等于预设差异阈值，则说明修复配准信息与目标配准信息之间的区别较小，则说明差异值较小的原因可能不是初始点云配准模型的预测可靠性(或预测准确性)不高导致的，而是由于其他原因导致的，如采集目标点云的传感器的外参和图优化拉偏等原因导致的，则说明目标点云可能不是长尾数据，相应的，可以不将目标点云确定为训练集。
71.其中，长尾数据，也可以称为长尾分布数据，是一种偏态分布，是指几个类别(亦叫头类)包含大量的样本，而大多数类别(亦叫尾类)只有非常少量的样本。在本实施例中，长尾数据可以理解为可以作样本数据的数据。
72.例如，若目标点云可能是长尾数据，则可以理解为：目标点云为可以作为样本数据的数据。反之，若目标点云可能不是长尾数据，则可以理解为：目标点云为不可以作为样本数据的数据。
73.相应的，若目标点云为可以作为样本数据的数据，则可以将目标点云确定为训练集，若目标点云为不可以作为样本数据的数据，则可以不将目标点云确定为训练集。
74.也就是说，在本实施例中，可以根据目标点云和目标配准信息，确定训练集。其中，训练集用于对初始点云配准模型进行更新处理，或者，训练集用于训练新的点云配准模型。
75.结合上述分析可知，在本实施例中，可以采用自动化的方式获取目标点云和目标配准信息，而无需依赖于人工方式实现，因此，当基于目标点云和目标配准信息确定训练集时，可以实现确定训练集的自动化和智能化，以避免上述实施例中依赖人工方式收集训练集造成的效率低和可靠性低的弊端。
76.因此，当结合采用本实施例的方法确定的训练集，对初始点云配准模型进行更新处理时，可以实现更新处理的自动化，且可以提高更新处理的效率和准确性，使得更新处理后的点云配准模型具有较高的准确性和可靠性。
77.相应的，当结合采用本实施例的方法确定的训练集，训练新的点云配准模型时，可以实现训练的自动化，且可以提高训练的效率和可靠性，使得训练得到的新的点云配准模型具有较高的准确性和可靠性。
78.本实施例对根据目标点云和目标配准信息确定训练集的方式不做限定。例如，可以根据目标配准信息将目标点云确定为训练集，也可以根据目标配准信息将部分目标点云确定为训练集，还可以根据目标配准信息和目标点云重新获取其他点云，以便将获取到的其他点云确定为训练集，等等，此处不再一一列举。
79.基于上述分析可知，本公开提供了一种高精地图点云配准模型的数据处理方法，包括：获取目标高精地图的目标点云、以及目标点云对应的目标配准信息，其中，目标高精地图为未达到预设使用需求的高精地图，配准信息是基于预先训练的初始点云配准模型确定的，根据目标点云对目标配准信息进行修复处理，得到修复配准信息，并计算修复配准信息与目标配准信息之间的差异值，若差异值大于预设差异阈值，则将目标点云确定为训练集，其中，训练集用于对初始点云配准模型进行更新处理，或者，训练集用于训练新的点云配准模型，在本实施例中，通过获取未达到预设使用需求的高精地图的目标点云和目标配准信息，以根据目标点云和目标配准信息确定训练集的技术特征，避免了依赖人工方式收集训练集造成的效率低和可靠性低的弊端，实现了获取训练集的自动化和智能化，且提高了获取训练集的效率，还避免了人为因素的影响，提高了获取到的训练集的准确性和可靠性。
80.为使读者更加深刻地理解本公开的实现原理，现结合图2对本公开的高精地图点云配准模型的数据处理方法进行详细阐述如下。其中，图2是根据本公开第二实施例的示意图，如图2所示，高精地图点云配准模型的数据处理方法包括：
81.s201：获取道路的初始点云。
82.应该理解的是，为了避免繁琐地陈述，关于本实施例与上述实施例相同的技术特征，本实施例不再赘述。例如，本实施例的执行主体等。
83.在一些实施例中，为了构建道路的高精地图，可以由采集车行驶于道路，以便由采集车采集道路的初始点云。采集车与数据处理装置之间建立有通信链路，采集车在采集到初始点云之后，可以基于该通信链路将初始点云传输给处理装置。相应的，初始装置获取到由采集车传输的初始点云。
84.同理，本实施例中初始点云中的“初始”用于与其他点云进行区分，如用于与目标点云进行区分。初始点云可以理解为，道路的全量的点云。
85.s202：将初始点云输入至预先训练的初始点云配准模型，输出初始配准信息。
86.同理，初始配准信息可以理解为，初始点云对应的配准信息，用于与目标配准信息等配准信息进行区分。
87.在一些实施例中，在执行s202之前，可以对初始点云进行预处理，如过滤处理等，以提高预处理后的初始点云的可靠性和有效性。
88.s203：根据初始配准信息和初始点云，构建道路的全量高精地图。
89.由于初始点云为道路的全量的点云，因此，根据结合全量的点云、以及全量的点云对应的配准信息(即初始配准信息)，构建的为道路对应的高精地图，为便于区分，可以将该高精地图称为全量高精地图，该全量高精地图为相对完整表征道路的特征的高精地图。
90.示例性地，s203构建全量高精地图的过程可以理解为地图生产的阶段。如图3(图3是根据本公开的高精地图点云配准模型的数据处理方法的原理示意图)所示，数据处理装置获取初始点云，并将初始点云输入至初始点云配准模型，输出初始配准信息，基于初始配准信息和初始点云进行地图生产，得到全量高精地图。
91.s204：从全量高精地图中获取目标高精地图，其中，目标高精地图为未达到预设使用需求的高精地图。
92.示例性的，如图3所示，处理装置在构建得到全量高精地图后，可以控制全量高精地图进入地图准入的阶段，地图准入可以理解为对全量高精地图进行分析，以确定全量高精地图是否可以投入使用。
93.例如，道路可以包括多个路段，每个路段对应全量高精地图中的部分高精地图。相应的，可以基于路段将全量高精地图划分为多个路段高精地图(也可以称为区域高精地图)，针对每一路段高精地图，可以判断该路段高精地图是否达到预设使用需求，若是，则说明该路段高精地图通过地图准入的阶段，可以投入使用(如图3所示)；反之，若否，则说明该路段高精地图没有通过地图准入的阶段，则不能投入使用。
94.应该理解的是，道路中路段的划分可以基于需求、历史记录、以及试验等方式实现，本实施例不做限定。
95.s205：获取目标高精地图的目标点云、以及目标点云对应的目标配准信息。
96.示例性的，在获取到目标高精地图之后，可以从初始点云中获取用于构建目标高精地图的点云，获取到的点云即为目标点云，相应的，可以从初始配准信息中获取与目标点云对应的配准信息，获取到的配准信息即为目标配准信息。
97.s206：根据目标点云对目标配准信息进行修复处理，得到修复配准信息。
98.示例性的，若目标高精地图没能通过地图准入的阶段，而目标高精地图是基于目标点云和目标配准信息构建的，因此，可能由于目标配准信息的原因导致目标高精地图没有达到预设使用需求，使得目标高精地图没有通过地图准入的阶段。
99.相应的，如图3所示，没有通过地图准入的阶段的目标高精地图可以进入修复的阶段，在修复的阶段中，可以基于目标点云对目标配准信息进行修复处理。
100.本实施例中的修复处理可以理解为基于目标点云对目标配准信息进行校准，以避免由于目标配准信息的不准确而导致目标高精地图没有通过地图准入的阶段。
101.在一些实施例中，s206可以包括如下步骤：
102.第一步骤：获取目标点云中表征同一对象的点。
103.示例性的，同一对象可以为道路上的物理点，相应的，可以从目标点云中，获取表征该物理点的点。
104.第二步骤：对表征同一对象的点云的目标配准信息进行修复处理，得到表征同一对象的点对应的修复配准信息。
105.结合上述分析，在获取到物理点的点之后，可以从目标配准信息中，获取该物理点的点的目标配准信息，并对获取到的目标配准信息进行修复处理，以得到表征同一对象的点的修复后的配准信息(可以称为修复配准信息)。
106.在本实施例中，通过获取表征同一对象的点，以对表征同一对象的点的目标配准信息进行修复，可以实现修复的针对性和可靠性。
107.在一些实施例中，目标点云中包括多帧点云，第一步骤可以包括：将多帧点云划分为多组点云，每一组点云中包括至少两帧点云，并获取至少两帧点云中的表征同一对象的点。
108.相应的，第二步骤包括：将表征同一对象的点进行点云配准，得到表征同一对象的点的修复配准信息。
109.示例性，在第一步骤中，可以将没有通过地图准入的阶段的目标高精地图的多帧点云分为多组(pair)，一组包括两帧点云，针对一组中的两帧点云，寻求两帧点云中表征同一对象的点，并对表征同一对象的点进行点云配准，得到表征同一对象的点的修复配准信息。
110.其中，本实施例对分组的方式不做限定，例如可以采用随机分配的将多帧点云分为多组，也可以采用预设分组策略将多帧点云分为多组，预设分组策略可以基于需求、历史记录、以及试验等方式实现。
111.本实施例对表征同一对象的点进行点云配准的方式，可以采用人工的方式实现，也可以采用上述几何算法的方式实现，本实施例不做限定。
112.在本实施例中，通过先分组，而后对组内的表征同一对象的点进行点云配准，以得到表征同一对象的点的修复配准信息，可以减少匹配表征同一对象的点的资源，提高确定修复配准信息的效率和可靠性。
113.在另一些实施例中，表征同一对象的点的修复配准信息为，基于里程计采集到的、在时间上前后相邻的两帧点云中表征同一对象的点的配准信息，目标点云是采集车采集到的，采集车包括里程计。
114.示例性的，结合上述分析，目标点云为采集车行驶于道路采集到的，采集车包括传感器，如视觉传感器、雷达传感器、里程计等，本实施例不做限定。
115.其中，视觉传感器可以为图像采集装置，如摄像头，可以用于获取采集车行驶于道路的环境图像。雷达传感器可以为激光雷达传感器，可以获取采集车行驶于道路的环境点云(如本实施例中的初始点云等)。里程计为用于测量采集车行驶于道路的行程的装置。
116.结合上述分析可知，点云配准是求出两个点云之间的坐标位置变化关系，而里程计可以测量得到行程，行程可以表征车辆的位置坐标变化关系，如里程计可以基于前后(是指时间上的前后)两帧点云确定行程。
117.因此，可以基于里程计确定表征同一对象的点的修复配准信息。如可以将里程计基于前后两帧点云计算得到的表征同一对象的点之间的相对位姿，确定为表征同一对象的点的修复配准信息。
118.由于里程计可以相对较为准确的确定表征，在前后两帧点云中，同一对象的点之间的相对位姿，因此，在本实施例中，通过基于里程计确定表征同一对象的点的修复配准信息，可以修复配准信息具有较高的准确性和可靠性，且无需消耗其他资源计算修复配准信息，提高了确定修复配准信息的方便快捷性。
119.结合上述分析可知，本公开提供了至少两种对目标配准信息进行修复处理的方式，提高了修复处理的灵活性和多样性。
120.在一些实施例中，在得到修复配准信息之后，可以基于修复配准信息和目标点云对目标高精地图进行修复，得到修复后的高精地图。
121.相应的，如图3所示，可以确定修复后的高精地图是否满足预设使用需求，即将修复后的高精地图再次进入地图准入的阶段，若是(即满足预设使用需求)，则可以确定修复后的高精地图通过地图准入的阶段，则可以投入使用。
122.s207：计算修复配准信息与目标配准信息之间的差异值。
123.示例性，目标配准信息为经初始点云配准模型确定的配准信息，修复配准信息为对目标配准信息进行修复处理得到的配准信息，计算差异值可以理解为确定修复配准信息与目标配准信息之间的区别。
124.s208：若差异值大于预设差异阈值，则将目标点云确定为训练集。其中，训练集用于对初始点云配准模型进行更新处理，或者，训练集用于训练新的点云配准模型。
125.本实施例对训练新的点云配准模型的方式不做限定，其实现可以参见训练初始点云配准模型的原理，此处不再赘述。
126.同理，预设差异阈值可以基于需求、历史记录、以及试验等方式确定，本实施例不做限定。
127.例如，可以判断差异值与预设差异阈值的大小，如果差异值大于预设差异阈值，则说明修复配准信息与目标配准信息之间的区别较大，则说明差异值较大的原因很能是初始点云配准模型的预测可靠性(或预测准确性)不高导致的，则说明目标点云可能为长尾数据，相应的，可以将目标点云确定为训练集。
128.反之，如果差异值小于或等于预设差异阈值，则说明修复配准信息与目标配准信息之间的区别较小，则说明差异值较小的原因可能不是初始点云配准模型的预测可靠性(或预测准确性)不高导致的，而是由于其他原因导致的，如采集目标点云的传感器的外参和图优化拉偏等原因导致的，则说明目标点云可能不是长尾数据，相应的，可以不将目标点云确定为训练集。
129.其中，长尾数据，也可以称为长尾分布数据，是一种偏态分布，是指几个类别(亦叫头类)包含大量的样本，而大多数类别(亦叫尾类)只有非常少量的样本。在本实施例中，长尾数据可以理解为可以作样本数据的数据。
130.例如，若目标点云可能是长尾数据，则可以理解为：目标点云为可以作为样本数据的数据。反之，若目标点云可能不是长尾数据，则可以理解为：目标点云为不可以作为样本数据的数据。
131.相应的，若目标点云为可以作为样本数据的数据，则可以将目标点云确定为训练集，若目标点云为不可以作为样本数据的数据，则可以不将目标点云确定为训练集。
132.在另一些实施例中，若差异值小于或等于预设差异阈值，则可以返回至s201，或者重新进行修复的操作，或者，流程结束，等等，本实施例不做限定。
133.因此，在本实施例中，通过确定修复配准信息，以在修复配准信息与目标配准之间的区别较大时，将目标点云确定为训练集，可以实现训练集的自动收集，且使得训练集具有较高的针对性和有效性。
134.上述s207-s208可以理解为数据挖掘的阶段，如图3所示，以挖掘得到训练集。
135.结合上述分析可知，数据处理装置可以基于修复配准信息确定修复后的高精地图，且可以确定修复后的高精地图是否满足预设使用需求，若是，则可以控制修复后的高精地图进入投入使用的阶段。
136.值得说明的是，若修复后的高精地图满足预设使用需求，则说明修复配准信息具有较高的准确性和可靠性，而目标配准信息的准确性和可靠性相对较低，从而可以确定初始点云配准模型的准确性和可靠性相对较低，因此，可以将目标点云确定为训练集。
137.示例性的，在另一些实施例中，s207-s208可以替换为：根据修复配准信息和目标点云生成修复后的高精地图，若修复后的高精地图满足预设使用需求，则将目标点云确定为训练集。
138.在本实施例中，通过结合修复配准信息生成修复后的高精地图，以确定修复后的高精地图是否满足预设使用需求，若是，则说明可能是初始点云配准模型导致的目标高精地图不满足预设使用需求，因此，可以将目标点云确定为训练集，以实现训练集的自动化收集，且提高训练集的针对性和有效性。
139.结合上述分析可知，在本实施例中，可以采用不同的方法确定训练集，以提高确定训练集的多样性和灵活性。
140.s209：根据确定为训练集的目标点云，对初始点云配准模型进行更新处理。
141.基于上述分析可知，通常情况下，对初始点云配准模型的更新的训练集是由人工方式收集的，而人工方式收集的训练集受到人为因素的干扰，可能存在可靠性偏低的弊端。
142.在本实施例中，通过自动化的方式收集训练集(即目标点云)，以使得训练集具有较高的可靠性和真实性，从而当基于训练集对初始点云配准模型进行更新处理时，可以提高更新处理的有效性和可靠性。
143.且结合上述分析可知，可以在初始点云配准模型的准确性偏低的情况下，将目标点云确定为训练集，而通过对准确性偏低的初始点云配准模型进行更新处理，可以使得更新处理后的点云配准模型具有较高的可靠性。
144.在一些实施例中，s209可以包括如下步骤：
145.第一步骤：从目标点云中，分别确定目标训练数据、目标测试数据。
146.示例性的，目标点云为经数据挖掘的阶段获取到的训练集，该第一步骤可以理解为如图3所示的数据划分的阶段，以将目标点云划分为两部分数据，一部分数据为目标训练数据，一部分数据为目标测试数据。
147.其中，目标训练数据可以理解为，更新处理时用于完成训练流程的数据。目标测试数据可以理解为，更新处理时用于完成测试流程的数据。
148.本实施例对目标训练数据和目标测试数据的量不做限定，如可以基于预设比例确定目标训练数据和目标测试数据。
149.同理，预设比例可以基于需求、历史记录、以及试验等方式确定，本实施例不做限定。
150.在一些实施例中，在数据处理装置执行第一步骤之前，可以对目标点云进行预处理，如过滤处理等，以提高预处理后的目标点云的可靠性和有效性。
151.第二步骤：根据目标训练数据、目标测试数据、以及获取到的用于训练初始点云配准模型的初始训练数据集，对初始点云配准模型进行更新处理。
152.在本实施例中，目标训练数据和目标测试数据为获取到的训练集中的数据，相对而言，初始训练数据集可以理解为原始的训练数据集，训练集可以理解为新增加的训练数据集，通过结合原始的训练数据集和新增加的训练数据集进行更新处理，可以使得更新处
理的数据集较为丰富，从而可以使得更新处理具有全面性和较高的可靠性。
153.在一些实施例中，初始训练数据集包括：用于训练初始点云配准模型的初始训练数据、用于测试初始点云配准模型的初始测试数据，第二步骤可以包括如下子步骤：
154.第一子步骤：将目标训练数据和初始训练数据合并，得到新训练数据集。
155.示例性的，目标训练数据和初始训练数据均为用于训练的数据，因此，可以将目标训练数据和初始训练数据进行合并，以得到新训练数据集，使得新训练数据中包括更为丰富的数据。
156.第二子步骤：根据新训练数据集、目标测试数据、初始测试数据，对初始点云配准模型进行更新处理。
157.在本实施例中，新训练数据集中的数据较为丰富，通过结合较为丰富的训练数据集进行更新处理，可以提高更新处理的有效性。
158.在一些实施例中，第二子步骤可以包括如下细化步骤：
159.第一细化步骤：基于新训练数据集对初始点云配准模型进行训练，得到目标点云配准模型。
160.本实施例对训练得到目标点云配准模型的训练过程不做限定。例如，将新训练数据集输入至初始点云配准模型，输出预测配准信息，计算预测配准信息与预设的标定配准信息的损失函数，并基于损失函数对初始点云配准模型的参数进行调整，直至迭代次数达到次数阈值，或者损失函数达到预设的损失需求，从而得到目标点云配准模型。
161.第二细化步骤：分别采用目标测试数据和初始测试数据，对目标点云配准模型进行测试，得到各自对应的目标测试结果。
162.示例性的，采用目标测试数据对目标点云配准模型进行测试，得到相应的目标测试结果，为便于区分，可以将该目标测试结果称为第一目标测试结果。
163.采用初始测试数据对目标点云配准模型进行测试，得到相应的目标测试结果，为便于区分，可以将该目标测试结果称为第二目标测试结果。
164.第三细化步骤：根据各自对应的目标测试结果、以及获取到的初始测试结果，对初始点云配准模型进行更新处理。其中，初始测试结果为基于初始测试数据对初始点云配准模型进行测试得到的测试结果。
165.示例性的，在基于初始训练数据训练得到初始点云配准模型之后，可以基于初始测试数据对初始点云配准模型进行测试，得到的测试结果可以称为初始测试结果。
166.在本实施例中，通过结合第一目标测试结果、第二目标测试结果、初始测试结果进行更新处理，既考虑了初始点云配准模型的可靠性，也考虑了目标点云配准模型在目标测试数据维度的可靠性，还考虑了目标点云配准模型在初始测试数据维度的可靠性，以结合多个不同维度的可靠性进行更新处理，可以提高更新处理的全面性和有效性。
167.在一些实施例中，测试结果用于表征配准置信度；第三细化步骤可以包括：
168.若目标测试数据的目标测试结果表征的配准置信度，大于初始测试数据的目标测试结果表征的配准置信度，且初始测试数据的目标测试结果表征的配准置信度，大于初始测试结果表征的配准置信度，则将初始点云配准模型替换为目标点云配准模型。
169.其中，配准置信度表征点云配准的准确性和/或可靠性的程度。相对而言，配准置信度越大，则点云配准的准确性和/或可靠性的程度越大。
170.示例性的，结合上述分析，第一目标测试结果可以表征，基于目标测试数据对目标点云配准模型进行测试，得到的目标点云配准模型的配准置信度，为便于区分和描述，可以将该配准置信度称为第一配准置信度。即第一目标测试结果可以表征第一配准置信度。
171.第二目标测试结果可以表征，基于初始测试数据对目标点云配准模型进行测试，得到的目标点云配准模型的配准置信度，为便于区分和描述，可以将该配准置信度称为第二配准置信度。即第二目标测试结果可以表征第一配准置信度。
172.初始测试结果可以表征，基于初始测试数据对初始点云配准模型进行测试，得到的初始点云配准模型的配准置信度，为便于区分和描述，可以将该配准置信度称为第三配准置信度。即初始测试结果可以表征第三配准置信度。
173.相应的，若第一配准置信度＞第二配准置信度≥第三配准置信度，则将初始点云配准模型替换为目标点云配准模型，以便后续基于目标点云配准模型确定获取到的点云的配准信息。
174.在本实施例中，若第一配准置信度＞第二配准置信度≥第三配准置信度，则说明相对于初始点云配准模型而言，基于目标点云配准模型确定点云的配准信息的准确性相对较高，因此，可以将初始点云配准模型替换为目标点云配准模型，以实现对初始点云配准模型的更新和优化，提高了更新处理的有效性和可靠性，且由于目标点云配准模型相对具有更高的可靠性和准确性，因此，当后续结合目标点云配准模型进行点云配准时，可以提高点云配准的准确性和可靠性。
175.在一些实施例中，目标训练数据包括第一训练数据和第一验证数据；初始训练数据包括第二训练数据和第二验证数据。
176.相应的，新训练数据集包括：将第一训练数据和所述第二训练数据合并得到的训练数据集，以及将第一验证数据和第二验证数据合并得到的验证数据集。
177.示例性的，构建模型的过程可以包括三个阶段，分别为训练阶段、验证阶段、测试阶段。
178.其中，训练阶段可以理解为训练得到模型的阶段。验证阶段可以理解为对经训练阶段得到的模型进行验证的阶段，以基于验证结果对训练得到的模型进行优化。测试阶段可以理解为对经验证阶段得到的模型进行测试的阶段，即对优化后的模型进行测试，以确定优化后的模型的预测能力，预测能力可以基于配准置信度表征。
179.相应的，在本实施例中，可以基于训练数据集对初始点云配准模型进行训练，得到中间点云配准模型，可以基于验证数据集对中间点云配准模型进行验证，以对中间点云配准模型进行优化得到目标点云配准模型。
180.在此基于上，可以基于目标测试数据和初始测试数据分别对目标点云配准模型进行测试，得到各自对应的目标点云配准模型的预测能力，如上述实施例中的第一配准置信度和第二配准置信度。
181.在本实施例中，新训练数据集包括训练数据集和验证数据集，可以实现从将训练阶段划分为训练和验证两个子阶段，以从更多维度进行更新处理，提高更新处理的可靠性和有效性。
182.为使读者更加深刻地理解本公开的更新处理的实现原理，现结合图4对本公开的更新处理的流程进行详细阐述如下。其中，图4是根据本公开的更新处理的流程的原理示意
图。
183.可以基于预设比例对目标点云进行划分处理，以得到第一训练数据、第一验证数据、目标测试数据。
184.初始训练数据集包括：第二训练数据、第二验证数据、初始测试数据。
185.将第一训练数据和第二训练数据合并，得到训练数据集。将第一验证数据和第二验证数据合并，得到验证数据集。
186.根据训练数据集对初始点云配准模型进行训练，得到中间点云配准模型。根据验证数据集对中间点云配准模型进行验证和优化，得到目标点云配准模型。
187.根据目标测试数据对目标点云配准模型的预测性能(如配准置信度)进行测试，得到第一目标测试结果，第一目标测试结果表征的配准置信度可以称为第一配准置信度。
188.根据初始测试数据对目标点云配准模型的预测性能(如配准置信度)进行测试，得到第二目标测试结果，第二目标测试结果表征的配准置信度可以称为第二配准置信度。
189.根据初始测试数据对初始点云配准模型的预测性能(如配准置信度)进行测试，得到初始测试结果，初始测试结果表征的配准置信度可以称为第三配准置信度。
190.若第一配准置信度＞第二配准置信度≥第三配准置信度，则将初始点云配准模型替换为目标点云配准模型。
191.在一些实施例中，若将初始点云配准模型替换为目标点云配准模型，则可以将初始测试数据和目标测试数据合并为新的测试数据集，以便用于后续的测试。
192.应该理解的是，上述示例只是用于示范性地说明，本公开的高精地图点云配准模型的数据处理方法可能的实施例，而不能理解为对实施例的限定。
193.例如，上述实施例中的部分技术特征可能组合得到新的实施例，也可以在上述实施例中加入新的技术特征得到新的实施例，再如，用于执行上述实施例的方法的执行主体可以为多个装置，等等。
194.以上述实施例中的部分技术特征可能组合得到新的实施例为例，可以将s205-s208组合得到新的实施例，也可以将s205-s209组合得到新的实施例，等等，此处不再一一列举。
195.以在上述实施例中加入新的技术特征得到新的实施例为例，可以在上述实施例中加入训练得到初始点云配准模型的技术特征，从而得到新的实施例，也可以在上述实施例中加入基于训练集训练得到新的点云配准模型的技术特征，等等，此处不再一一列举。
196.以用于执行上述实施例的方法的执行主体可以为多个装置为例，例如，用于确定训练集的技术特征的执行主体可以为一个装置，用于执行更新处理的技术特征的执行主体可以为另一个装置，用于存储训练集的执行主体可以为又一个装置。
197.为便于读者理解，在不同的执行主体的情况下，本公开的高精地图点云配准模型的数据处理方法的实现原理，现结合图5进行详细阐述如下。其中，图5是根据本公开第三实施例的示意图，如图5所示，本公开实施例的高精地图点云配准模型的数据处理方法，包括：
198.s501：本地服务器获取目标高精地图的目标点云、以及目标点云对应的目标配准信息，其中，目标高精地图为未达到预设使用需求的高精地图，配准信息是基于预先训练的初始点云配准模型确定的。
199.同理，为了避免繁琐地陈述，关于本实施例与上述实施例相同的技术特征，本实施
例不再赘述。
200.在本实施例中，用于获取目标点云和目标配准信息的可以为本地服务器。
201.s502：本地服务器根据目标点云对目标配准信息进行修复处理，得到修复配准信息。
202.示例性的，关于该步骤的实现原理，可以参见第二实施例，此处不再赘述。
203.s503：本地服务器计算修复配准信息与目标配准信息之间的差异值。
204.同理，关于该步骤的实现原理，可以参见第二实施例，此处不再赘述。
205.s504：若差异值大于预设差异阈值，则本地服务器将目标点云存储于云端服务器。
206.示例性的结合上述分析，若差异值大于预设差异阈值，则可以将目标点云确定为训练集，以便基于为训练集的目标点云训练新的点云配准模型，或者基于为训练集的目标点云对初始点云配准模型进行更新处理。
207.在本实施例中，可以将确定为训练集的目标点云存储与云端服务器，以便于目标点云的迁移与保存，减少本地服务器的存储空间消耗。
208.s505：本地服务器生成在云端服务器中存储目标点云的索引文本文件，并将索引文本文件存储于本地服务器。
209.示例性的，为了便于本地服务器快速从云端服务器中获取目标点云，本地服务器可以生成并存储索引文本文件。
210.其中，索引文本文件为包括索引文本的文件，索引文本中记录了目标点云存储于云端服务器中的地址信息。
211.示例性的，如图6所示，本地服务器中存储有索引文本文件，云端服务器中存储有目标点云。本地服务器与云端服务器之间具有通信链路，本地服务器基于该通信链路将目标点云传输给云端服务器，以便在云端服务器中存储目标点云。本地服务器也可以基于该通信链路从云端服务器中获取目标点云。
212.因此，本地服务器通过将目标点云存储于云端服务器，并生成且存储索引文本文件，一方面，可以便于目标点云的迁移与保存，减少本地服务器的存储空间消耗，另一方，还可以实现本地服务器方便快捷地调取目标点云。
213.s506：本地服务器根据索引文本文件从云端服务器中获取目标点云，并根据目标点云对初始点云配准模型进行更新处理。
214.示例性的，若本地服务器有对初始点云配准模型的更新处理的需求，则可以通过索引文本文件，从云端服务器中获取目标点云，以基于获取到的目标点云进行更新处理，实现原理可以参见上述实施例。
215.同理，在一些实施例中，本地服务器中还存储有初始训练数据集的索引文本文件，相应的，在若本地服务器有对初始点云配准模型的更新处理的需求，则可以通过目标点云的索引文本文件，从云端服务器中获取目标点云，并根据初始训练数据集的索引文本文件，从云端服务器中获取初始训练数据集，以基于获取到的目标点云和初始训练数据集进行更新处理，实现原理可以参见上述实施例。
216.在本实施例中，通过索引文本文件，可以快速从云端服务器中获取目标点云，以实现数据调用的灵活性和可靠性。
217.在另一些实施例中，s501-s505的执行主体可以为云端服务器，如云端服务器获取
目标点云和目标配准信息，直至将目标点云确定为训练集，并将为训练集的目标点云在云端服务器中存储，且云端服务器可以生成存储目标点云的索引文本文件，并将索引文本文件传输给本地服务器。
218.相应的，本地服务器接收由云端服务器传输的索引文本文件，以执行s506。
219.同理，应该理解的是，上述第一实施例、第二实施例、第三实施例可以为如上所述的独立的实施例，也可以相互组合得到新的实施例，本实施例不做限定。
220.图7是根据本公开第四实施例的示意图，如图7所示，本公开的高精地图点云配准模型的数据处理装置700，包括：
221.第一获取单元701，用于获取目标高精地图的目标点云、以及目标点云对应的目标配准信息，其中，目标高精地图为未达到预设使用需求的高精地图，配准信息是基于预先训练的初始点云配准模型确定的。
222.修复单元702，用于根据目标点云对目标配准信息进行修复处理，得到修复配准信息。
223.计算单元703，用于计算修复配准信息与目标配准信息之间的差异值。
224.确定单元704，用于若差异值大于预设差异阈值，则将目标点云确定为训练集，其中，训练集用于对初始点云配准模型进行更新处理，或者，训练集用于训练新的点云配准模型。
225.图8是根据本公开第五实施例的示意图，如图8所示，本公开的高精地图点云配准模型的数据处理装置800，包括：
226.第一获取单元801，用于获取目标高精地图的目标点云、以及目标点云对应的目标配准信息，其中，目标高精地图为未达到预设使用需求的高精地图，配准信息是基于预先训练的初始点云配准模型确定的。
227.修复单元802，用于根据目标点云对目标配准信息进行修复处理，得到修复配准信息。
228.在一些实施例中，修复单元802，包括：
229.获取子单元8021，用于获取目标点云中表征同一对象的点。
230.修复子单元8022，用于对表征同一对象的点的目标配准信息进行修复处理，得到表征同一对象的点的修复配准信息。
231.在一些实施例中，目标点云中包括多帧点云；获取子单元8021用于，将多帧点云划分为多组点云，每一组点云中包括至少两帧点云，并获取至少两帧点云中的表征同一对象的点。
232.以及，修复子单元8022用于，将表征同一对象的点进行点云配准，得到表征同一对象的点的修复配准信息。
233.在一些实施例中，表征同一对象的点的修复配准信息为，基于里程计采集到的、在时间上前后相邻的两帧点云中表征同一对象的点的配准信息。
234.其中，目标点云是采集车采集到的，采集车包括里程计。
235.计算单元803，用于计算修复配准信息与目标配准信息之间的差异值。
236.确定单元804，用于若差异值大于预设差异阈值，则将目标点云确定为训练集。
237.第一存储单元805，用于若差异值大于预设差异阈值，则将目标点云存储于云端服
务器。
238.其中，所述装置应用于所述本地服务器。
239.生成单元806，用于生成在云端服务器中存储目标点云的索引文本文件。
240.第二存储单元807，用于将索引文本文件存储于本地服务器。
241.第二获取单元808，用于根据索引文本文件从云端服务器中获取目标点云。
242.更新单元809，用于根据确定为训练集的目标点云，对初始点云配准模型进行更新处理。
243.在一些实施例中，结合图8可知，更新单元809，包括：
244.确定子单元8091，用于从目标点云中，分别确定目标训练数据、目标测试数据。
245.更新子单元8092，用于根据目标训练数据、目标测试数据、以及获取到的用于训练初始点云配准模型的初始训练数据集，对初始点云配准模型进行更新处理。
246.在一些实施例中，初始训练数据集包括：用于训练初始点云配准模型的初始训练数据、用于测试初始点云配准模型的初始测试数据；更新子单元8092，包括：
247.合并模块，用于将目标训练数据和初始训练数据合并，得到新训练数据集。
248.更新模块，用于根据新训练数据集、目标测试数据、初始测试数据，对初始点云配准模型进行更新处理。
249.在一些实施例中，更新模块，包括：
250.训练子模块，用于基于新训练数据集对初始点云配准模型进行训练，得到目标点云配准模型。
251.测试子模块，用于分别采用目标测试数据和初始测试数据，对目标点云配准模型进行测试，得到各自对应的目标测试结果。
252.更新子模块，用于根据各自对应的目标测试结果、以及获取到的初始测试结果，对初始点云配准模型进行更新处理，其中，初始测试结果为基于初始测试数据对初始点云配准模型的进行测试得到的测试结果。
253.在一些实施例中，测试结果用于表征配准置信度，测试结果包括各自对应的目标测试结果、初始测试结果；更新子模块用于，若目标测试数据的目标测试结果表征的配准置信度，大于初始测试数据的目标测试结果表征的配准置信度，且初始测试数据的目标测试结果表征的配准置信度，大于等于初始测试结果表征配准置信度，则将初始点云配准模型替换为目标点云配准模型。
254.在一些实施例中，目标训练数据包括第一训练数据和第一验证数据；初始训练数据包括第二训练数据和第二验证数据。
255.新训练数据集包括：将第一训练数据和第二训练数据合并得到的训练数据集，以及将第一验证数据和所述第二验证数据合并得到的验证数据集。
256.根据本公开的另一个方面，本公开还提供了一种高精地图点云配准模型的数据处理系统，包括本地服务器和云端服务器，其中，
257.本地服务器用于，确定训练集，并将训练集传输给云端服务器。
258.云端服务器用于，对训练集进行存储。
259.在一些实施例中，本地服务器还用于，生成并存储训练集存储于云端服务器的索引文本文件。
260.相应的，本地服务器还用于，基于索引文本文件从云端服务器获取训练集，并基于训练集对初始点云配准模型进行更新处理。
261.在另一些实施例中，云端服务器用于，确定训练集，生成在云端服务器存储训练集的索引文本文件，并将索引文本文件传输给本地服务器。
262.本地服务器用于，获取并存储索引文本文件，并根据索引文本文件从云端服务器获取训练集，并根据训练集对初始点云配准模型进行更新处理。
263.图9是根据本公开第六实施例的示意图，如图9所示，本公开中的电子设备900可以包括：处理器901和存储器902。
264.存储器902，用于存储程序；存储器902，可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：ram)，如静态随机存取存储器(英文：static random-access memory，缩写：sram)，双倍数据率同步动态随机存取存储器(英文：double data rate synchronous dynamic random access memory，缩写：ddr sdram)等；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)。存储器902用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等，上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器902中。并且上述的计算机程序、计算机指令、数据等可以被处理器901调用。
265.上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器902中。并且上述的计算机程序、计算机指据等可以被处理器901调用。
266.处理器901，用于执行存储器902存储的计算机程序，以实现上述实施例涉及的方法中的各个步骤。
267.具体可以参见前面方法实施例中的相关描述。
268.处理器901和存储器902可以是独立结构，也可以是集成在一起的集成结构。当处理器901和存储器902是独立结构时，存储器902、处理器901可以通过总线903耦合连接。
269.本实施例的电子设备可以执行上述方法中的技术方案，其具体实现过程和技术原理相同，此处不再赘述。
270.根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
271.根据本公开的实施例，本公开还提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
272.图10示出了可以用来实施本公开的实施例的示例电子设备1000的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
273.如图10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器(rom)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(ram)1003中的计算机程
序，来执行各种适当的动作和处理。在ram 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、rom 1002以及ram 1003通过总线1004彼此相连。输入/输出(i/o)接口1005也连接至总线1004。
274.设备1000中的多个部件连接至i/o接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
275.计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理，例如高精地图点云配准模型的数据处理方法。例如，在一些实施例中，高精地图点云配准模型的数据处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由rom 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到ram 1003并由计算单元1001执行时，可以执行上文描述的高精地图点云配准模型的数据处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行高精地图点云配准模型的数据处理方法。
276.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、复杂可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
277.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
278.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
279.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
280.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
281.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务("virtual private server"，或简称"vps")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
282.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
283.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。