[发明专利]一种应用于自动驾驶的多车协同建图方法

说明书

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。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。

技术领域

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（Robot Operating System）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。

发明内容

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。