(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210879332.6 (22)申请日 2022.07.25 (65)同一申请的已公布的文献号 申请公布号 CN 114937265 A (43)申请公布日 2022.08.23 (73)专利权人 深圳市商汤科技有限公司 地址 518000 广东省深圳市前海深港合作 区前湾一路1号A栋201室 (72)发明人 吴华栋　成慧　 (74)专利代理 机构 北京派特恩知识产权代理有 限公司 1 1270 专利代理师 贾伟　蒋雅洁 (51)Int.Cl. G06V 20/64(2022.01) G06V 10/26(2022.01) G06V 10/40(2022.01) G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) (56)对比文件 CN 114723949 A,202 2.07.08CN 109816 050 A,2019.0 5.28 CN 112873212 A,2021.0 6.01 CN 114509785 A,202 2.05.17 CN 114029941 A,202 2.02.11 CN 111968133 A,2020.1 1.20 US 2022164700 A1,202 2.05.26 Huadong Wu等.Learn ing Affordance Space in Physical W orld for Visi on-based Robotic Object Man ipulation. 《2020 IE EE Internati onal Conference o n Robotics and Automati on (ICRA)》 .2020,第46 52-4658页. 安陆.室外场景三维点云数据分割分类算法 研究. 《中国优秀硕士学位 论文全文数据库信息 科技辑》 .2020,(第5期),第I138-23 5页. 孙红岩等.基 于K-means聚类方法的三维点 云模型分割. 《计算机 工程与应用》 .20 06,(第10 期),第42-45页. 王康如等.基 于迭代式自主学习的三维目标 检测. 《光学 学报》 .2020,第40卷(第9期),第13 3- 145页. (续) 审查员 周琼 (54)发明名称 点云检测方法和模型训练方法、 装置、 设备 及存储介质 (57)摘要 本公开实施例公开了一种点云检测方法和 模型训练方法、 装置、 设备及存储介质， 其中， 所 述方法包括： 获取待处理点云数据对应的点云特 征； 所述待处理点云数据包括针对真实场景中至 少一个物体采集的多个数据点； 基于所述点云特 征， 确定每一所述数据点对应的物体数据； 所述 物体数据包括所述数据点所属物体的至少一个 维度的属性数据； 对所述点云特征进行置信度检 测， 得到每一所述数据点对应的置信度数据； 所 述置信度数据用于表征所述数据点的预测难度，且所述数据点的置信度数据与所述数据点的预 测难度负相关； 基于每一所述数据点对应的物体 数据和置信度数据， 确定每一所述物体在至少一 个所述维度的目标属性数据。 [转续页] 权利要求书3页 说明书23页 附图6页 CN 114937265 B 2022.10.28 CN 114937265 B (56)对比文件 Hui Cheng等.Domai n centralization and cross-modal rei nforcement learn ing for vision-based robotic man ipulation. 《Int J Precis Agric Aviat》 .2020,第3卷(第2期),第2期. 无偏估计.基 于点云的聚类 （障碍物分割） 方 法. 《https://zhuanlan.zhihu.com/p/ 497930938》 .202 2,第1页.2/2 页 2[接上页] CN 114937265 B1.一种点云检测方法， 其特 征在于， 所述方法包括： 获取待处理点云数据对应的点云特征； 所述待处理点云数据包括针对真实场景中至少 一个物体采集的多个数据点； 基于所述点云特征， 确定每一所述数据点对应的物体数据； 所述物体数据包括所述数 据点所属物体的至少一个维度的属性数据； 对所述点云特征进行置信度检测， 得到每一所述数据点对应的置信度数据； 所述置信 度数据用于表征所述数据点的预测难度， 且所述数据点的置信度数据与所述数据点的预测 难度负相关； 基于每一所述数据点对应的物体数据和置信度数据， 确定每一所述物体在至少一个所 述维度的目标属性数据； 其中， 所述物体数据还包括所述数据点所属物体的位置维度的位置数据； 所述基于每 一所述数据点对应的物体数据和置信度数据， 确定每一所述物体在至少一个所述 维度的目 标属性数据， 包括： 基于预设的置信度阈值和每一所述数据点对应的置信度 数据， 在所述多个数据点中筛 选得到多个物体数据点； 基于每一所述物体数据点对应的位置数据， 对所述多个物体数据 点进行聚类， 得到 真实场景中每一所述物体对应的物体数据点集合和每一所述物体在所述 位置维度的目标位置数据。 2.根据权利要求1所述的方法， 其特征在于， 所述基于所述点云特征， 确定每一所述数 据点对应的物体数据， 包括： 对所述点云特征进 行位置检测， 确定每一所述数据点对应的位 置数据； 所述 位置数据用于表征 所述数据点所属物体的位置信息 。 3.根据权利要求1所述的方法， 其特征在于， 所述物体数据包括所述数据点所属物体的 旋转维度的旋转数据； 所述基于每一所述数据点对应的物体数据和置信度数据， 确定每一 所述物体在至少一个所述维度的目标属性数据， 还 包括： 针对每一所述物体， 基于所述物体对应的数据点集合中的每一物体数据点的旋转数 据， 确定所述物体在所述旋转维度的目标旋转数据。 4.根据权利要求1至3任一项所述的方法， 其特征在于， 所述物体数据包括所述数据点 所属物体的分类维度 的分类数据； 所述基于每一所述数据点对应的物体数据和置信度数 据， 确定每一所述物体在至少一个所述维度的目标属性数据， 还 包括： 针对每一所述物体， 基于所述物体对应的数据点集合中的每一物体数据点的分类数 据， 确定所述物体在所述分类维度的目标分类数据。 5.根据权利要求1所述的方法， 其特征在于， 所述获取待处理点云数据对应的点云特 征， 包括： 获取原始点云数据； 对所述原 始点云数据进行 预处理， 得到针对所述至少一个物体采集的多个数据点； 对所述多个数据点进行 特征提取， 得到所述待处 理点云数据对应的点云特 征。 6.根据权利要求1所述的方法， 其特征在于， 所述点云检测方法由点云检测模型执行， 所述点云检测方法包括： 所述点云检测模型中的特 征提取网络获取待处 理点云数据对应的点云特 征； 所述点云检测模型中的物体属性检测网络基于所述点云特征， 确定每一所述数据点对权　利　要　求　书 1/3 页 2 CN 114937265 B 3