用torch写点云配准的评价标准，输入的是两个点云的xyz欧拉角

如果你已经有了两个点云的欧拉角，可以使用以下代码计算它们之间的均方误差（MSE）：

import torch

def mse_euler_loss(rotation_ab_pred, rotation_ab):
    """
    rotation_ab_pred: 变换矩阵的欧拉角，形状为 [batch_size, 3]
    rotation_ab: 真实变换矩阵的欧拉角，形状为 [batch_size, 3]
    """
    rotation_ab_pred = rotation_ab_pred.reshape(-1, 3) # 将欧拉角变形为二维张量，形状为 [batch_size, 3]
    rotation_ab = rotation_ab.reshape(-1, 3) # 将欧拉角变形为二维张量，形状为 [batch_size, 3]
    mse_loss = torch.mean(torch.square(rotation_ab_pred - rotation_ab)) # 计算均方误差（MSE）
    return mse_loss

其中，`rotation_ab_pred` 是你的模型预测的欧拉角，`rotation_ab` 是真实的欧拉角。这里将欧拉角转换为了二维张量，然后使用 PyTorch 提供的函数计算均方误差。

如果你想计算精度和召回率，可以使用以下代码：

def precision_recall_euler(rotation_ab_pred, rotation_ab, threshold):
    """
    rotation_ab_pred: 变换矩阵的欧拉角，形状为 [batch_size, 3]
    rotation_ab: 真实变换矩阵的欧拉角，形状为 [batch_size, 3]
    threshold: 阈值，表示两个欧拉角之间的最大距离
    """
    rotation_ab_pred = rotation_ab_pred.reshape(-1, 3) # 将欧拉角变形为二维张量，形状为 [batch_size, 3]
    rotation_ab = rotation_ab.reshape(-1, 3) # 将欧拉角变形为二维张量，形状为 [batch_size, 3]
    euler_dist = torch.cdist(rotation_ab_pred, rotation_ab) # 计算欧拉角之间的距离
    tp = (euler_dist <= threshold).sum() # 计算精度：变换后的点云中有多少点与真实点云中的点重合
    fp = (euler_dist > threshold).sum() # 计算误检率：变换后的点云中有多少点与真实点云中的点不重合
    fn = (euler_dist.min(dim=0)[0] > threshold).sum() # 计算漏检率：真实点云中有多少点与变换后的点云中的点不重合
    precision = tp / (tp + fp) # 计算精度
    recall = tp / (tp + fn) # 计算召回率
    return precision, recall

其中，`threshold` 表示两个欧拉角之间的最大距离，可以根据具体的应用场景设置合适的值。