本发明涉及智能驾驶的技术领域，更具体地，涉及一种应用于自动驾驶的多车协同建图方法。
背景技术：
lcm是一组用于消息传递和数据编组的轻量级库和工具可以针对高带宽和低延迟的实时系统，它提供了一个发布/订阅消息传递模型和自动编组，lcm的实现是通过udp的组播机制，在一定组播地址和频道下进行传输自定义的数据信息。因此，本方法利用其实时性与组播的特性，选择其作为车辆之间协同通信的方法。
ros（robotoperatingsystem）是一个机器人操作系统。它提供了操作系统应有的服务，包括硬件抽象，底层设备控制，常用函数的实现，进程间消息传递，以及包管理。它也提供用于获取、编译、编写、和跨计算机运行代码所需的工具和库函数。
ros的主要目标是为机器人研究和开发提供代码复用的支持。ros是一个分布式的进程框架，并将节点作为基本单元。这些进程被封装在易于被分享和发布的程序包和功能包中。ros也支持一种类似于代码储存库的联合系统，这个系统也可以实现工程的协作及发布。这个设计可以使一个工程的开发和实现从文件系统到用户接口完全独立决策（不受ros限制）。同时，所有的工程都可以被ros的基础工具整合在一起。本方法使用的传感器为velodyne的16线激光雷达，ros平台对velodyne具有比较好的硬件驱动支持以及pcl点云处理的库函数。
点云匹配是将两个或两个以上坐标系中的大容量三维空间数据点的集合转换到统一坐标系中的数学计算过程，实际上就是要找出两个坐标系之间的变换关系。这种关系可以用一个旋转矩阵r和平移向量t来描述，点云匹配就是要求解出（r，t）。目前经常使用的点云匹配算法包括：最近点迭代算法（icp）、ransac等。本方法使用icp点云匹配算法，计算多车匹配协同的坐标系变换关系。
目前有的技术主要存在的问题有以下几点：目前大部分的建图技术针对单车的建图；建图方案需要比较多的外设传感器，价格昂贵；单车的建图存在精确度差、速度慢与效率低的问题；已有的协同建图方法需要大量内存空间，计算量大，并且对cpu要求很高；已有的协同建图方法需要占据大量的带宽资源；
产生上述缺点的原因是，目前研发重点集中在单车的建图方案，在一辆车上面集中安装多个激光雷达、工业相机以及惯性导航系统等高价格传感器，充分发挥一辆车的建图效果。这种做法虽然能够在最大程度上提高一辆车的探测视野，然而单辆车的多传感器使用具有极限性和局限性，无法在探测范围方面进一步突破。
单车建图的过程，随着算法运行累积时间的延长，算法自身的累积误差越来越大，所建的地图精确度降低，并且由于长时间的单车建图，很容易造成系统的不稳定性。
已有的多车协同建图基于图特征的方法建图，其算法需要车辆在整个过程中随时随地发送自身的图节点到整个网络，造成网络利用率下降，网络带宽资源紧张的情况。于此同时网络中所有的节点接到对方发送的数据之后，没有经过任何预处理等优化操作，直接进行大量复杂的计算，这一点对于运行算法的cpu成本要求非常高。
技术实现要素：
本发明为克服上述现有技术所述的至少一种缺陷，提供一种应用于自动驾驶的多车协同建图方法，目的是要设计一种低成本传感器、低网络带宽利用率、低cpu利用率、高灵活性以及高效的协同建图方法。
本发明的技术方案是：一种应用于自动驾驶的多车协同建图方法，配套系统包括：使用的传感器、使用的笔记本电脑等计算单元以及网络通信环境，其中，其内容具体包括：一台velodyne的16线激光雷达，一套双天线的gps接收机，一部用于进行差分操作的基站，一台ubuntu系统的笔记本电脑和一套无线上网卡设备。包括以下步骤：
步骤1：数据采集与感知；
步骤2：点云数据的预处理；
步骤3：局部地图与全局地图；
步骤4：通信模块；
步骤5：车辆之间的匹配；
步骤6：匹配成功之后，每辆车发送匹配结果给对方；
步骤7：每辆车收到对方持续发过来的全局边缘地图和对方的轨迹数据之后，将数据通过步骤5计算得到的矩阵进行转换，再将结果传输至里程计算和建图部分进行实时的协同建图。
进一步的，所述的步骤1中，通过安装在车顶的激光雷达，以10hz的频率感知采集数据，以激光雷达点云的形式记录在内存之中；通过安装在车顶的双天线与固定在车内的gps接收机，以50hz的频率感知实时的gps数据存储在内存之中。其中gps数据是车上的gps接收机与基站进行了差分之后的结果，提高了gps的定位精确度，保证获得厘米级别的gps定位数据。
进一步的，所述的步骤2中，将采集得到的点云数据作为输入，将点云按照几何分布特性划分为包含平面点线的平面点云以及只包含轮廓的边缘点云；计算此时这一帧点云与上一帧点云的变换关系，记录下来；里程位姿的计算：将预配准之后的点云作为输入，根据每一帧点云之间的变换关系，计算得到并记录车辆的轨迹路线。
进一步的，所述的步骤3中，以出发位置作为原点，车头的前进方向作为y轴建立空间直角坐标系，将步骤2中的分类之后的点云作为输入，计算得到当前时刻的局部点云地图，此局部点云地图是以当前位置为原点得到的地图；根据本车点云帧与帧之间的变换关系，得到以起点为原点的全局点云地图，全局点云地图分为边缘点云地图和平面点云地图，存储所有的全局点云地图。
进一步的，所述的步骤4中，通信模块检测当前的智能车是否在通信范围之内：如果在通信范围之内，则发送此时此刻的gps数据，并接收其他车辆发送的gps数据；将对方的gps与自己的gps进行坐标计算，得到欧式物理距离；当所判断的欧式距离在阈值允许范围之内的时候，从步骤4中获取当前最新的全局平面点云地图，彼此发送给对方。
进一步的，所述的步骤5中，每辆车接收到对方最新的全局平面点云地图以及相对应的gps数据之后，将经度、纬度以及海拔数据转换至平面直角坐标系的形式，将车辆的航向角计算差值，作为匹配算法的预处理矩阵；进入匹配模块，利用预处理矩阵以及本车此时刻的全局平面地图和对方此时刻的全局平面地图进行icp匹配得到一个匹配结果；如果匹配结果符合匹配的阈值，则认为匹配成功，该匹配的矩阵即为两车的两个坐标系之间的变换矩阵。
进一步的，所述的步骤6中，每辆车收到匹配结果之后，即开始发送自己的全局边缘地图和轨迹给对方。
该发明主要解决的技术问题是：智能驾驶的感知领域，无人车的定位与路径规划需要激光雷达点云电子地图，针对多台无人车在短时间内高效、准确地协同建图。包括：单车建立地图的方法、车辆之间通信的方法以及多车匹配协同的方法。
与现有技术相比，有益效果是：
多车协同建图，可靠性高：相比于单车的建图，本发明创造使用多车同时对目标地区进行建图，能够在某一辆车出现故障的前提下保证其他车辆能够继续工作，具有比较好的鲁棒性和稳健性。
本发明创造使用多车协同建图，效率高探测视野大：相比于单车建图，本发明创造能够在某车辆未能到达目标区域的时候即可完整地得到目标地区的点云地图。相比于在单辆车上面使用更多、价格更高昂的传感器，本发明创造能够节省建图与感知设备的成本，并且提高效率。
本发明创造使用多车协同建图，能够提高精确度：相比于单车建图，本发明创造能够利用多车协同的优势降低里程计的累计距离从而降低累积误差，除此之外本发明创造还可以通过车辆之间的匹配与数据传输实现车辆各自的误差纠正操作，从而提高建图的精确度。
本发明创造使用多车协同建图：由于能够在建图过程中获取并传输各自的轨迹信息，因此本发明创造除了能够进行协同建图之外，还可以实现实时观测对方的轨迹，从而实现协同定位的功能。
相比于已有的多车协同建图方法，本发明创造使用基于gps数据计算结果作为初始值优化的匹配算法，能够极大程度节省网络数据的传输量即节约带宽，能够缓解建图部分的cpu的计算压力，从而提高系统的稳定性与实时性。
附图说明
图1是本发明算法的数据流过程图。
图2是本发明接收方算法流程图。
图3是本发明发送方算法流程图。
图4是本发明协同建图系统环境示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本专利的限制。
如图1所示，图1是算法的数据流过程：激光雷达采集的点云数据与gps接收机采集的输入的三个数据流分别是：本车的点云数据、本车的gps数据以及来自其他车的数据。来自其他车的数据包括其他车的实时gps、用于匹配的全局平面地图的某一帧以及匹配之后的全部全局边缘地图和轨迹数据。本车的点云数据用于本车的建图，经过点云预处理进入到建图模块。来自本车的gps数据直接进入通信模块，用以计算与其他车的距离以及计算预处理的匹配矩阵。其他车数据通过通信模块之后，符合阈值要求则进入匹配模块用于计算匹配矩阵，目的是得到两个车的坐标系的变换关系。
如图2所示，是接收方的算法流程图。左边是单车建图部分，右边则是协同建图的接收方算法流程，由此可见，协同建图与单车建图互不冲突，反而互相补充。
如图3所示，为发送方的算法流程图：发送方根据与对方的通信过程和通信结果，判断是否需要发送相应的数据，从而完成协同建图的过程。
如图4所示，为协同建图的系统搭建环境示意图，包括velodye激光雷达、gps天线以及接收机和无线上网网卡。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。