[发明专利]基于岭回归超限学习机的户外机器人局部路径规划方法

说明书

技术领域

本发明属于机器人导航技术领域，尤其涉及一种基于岭回归超限学习机的户外机器人局部路径规划方法。

背景技术

户外机器人是能自主感知和主动巡航，并完成预定任务的无人地面轮式机器人，自主车便是其典型应用。户外环境中的路径规划是机器人导航领域的关键技术之一，户外环境是指非特定场景的自然环境，且地图信息不完全已知。相对结构化环境而言，该环境路况具有复杂与不可预测性。为此，户外环境下的机器人导航过程中，易遇到匝道、弯道或突发障碍等不可预知的异常路况，该局部路径规划为非特定场景下的动态规划，要求不但能准确避开突发障碍，且需对异常突发路况快速响应。

目前，国内外学者们围绕机器人路径规划方法开展了大量研究工作，主要包括基于启发式搜索、智能仿生、行为规划以及再励学习等路径规划方法，在全局路径规划方面取得了良好的效果，但针对空旷无地面标识的交叉路口规划难以适用，且运算复杂度随环境瞬变而急剧增加。然而，户外环境中的局部路径规划方法需具有较强泛化性，适用于异常路况的非特定场景；同时，户外导航条件下，突然出现的障碍物具有不可预见性，如何提高户外机器人避碰或避障的实时性，同时确保逼近最优路况，是值得深入研究的实际问题。

在户外环境下，对机器人局部路径规划的路况泛化性与规避快速性提出较高的要求。户外导航常存在路况异常，包括城郊道路中的弯道、匝道，乡村道路的水潭，以及突发障碍等。户外环境下的局部路径规划需具备对非特定场景的泛化能力。其次，户外环境中常出现具有不可预见性的障碍物，局部路径规划需考虑避障的快速性与实时性，还需逼近全局最优路径。为此，需研究一种基于超限学习机的局部路径规划方法。使得该方法具有学习能力与强泛化性。并对于突发障碍，在保障实时避障的同时，尽量逼近全局最优路径，以期提升户外机器人导航规划的泛化性与快速性。

发明内容

本发明所要解决的技术问题是，提供一种基于岭回归超限学习机(Ridge Regression Extreme Learning Machines，简称为RRELM)的户外机器人局部路径规划方法，能对突发障碍物进行快速响应，提升了户外机器人规划路径的泛化性与平滑度。

本发明为解决技术问题所提供的技术方案为：

一种基于岭回归超限学习机的户外机器人局部路径规划方法，包括以下步骤：

步骤一：由机器人前端的激光雷达测距仪采集环境信息，划定感兴趣区域，得到感兴趣区域内的激光雷达数据；

步骤二：利用机器人航迹推算方法，构建包含多帧激光雷达数据的复合地图；

步骤三：对复合地图上的激光雷达数据进行聚类和逻辑判别，判断聚类所生成的类属于动态障碍物还是路边界，将路边界与原点所包围的区域作为可通行区域；

步骤四：在可通行区域内确定路径规划的起始点和目标点，构建RRELM超平面，分割激光雷达数据，获得机器人局部规划路径。

所述步骤一具体包括以下步骤：

(1a)用激光雷达测距仪进行扫描，得到极坐标系下的测量数据：(ρ_ij，α_ij)，i＝2，3，...，L；j＝1，2，...，10，其中极坐标系是以测量时激光雷达测距仪所在位置为极点，ρ_ij表示第j帧测量数据中第i束射线的测量值，即激光雷达测距仪与所遇物体之间的距离，L为每帧扫描的射线数，L＝181；α_ij表示第j帧测量数据中第i束射线角度的角度，即物体角度，α_ij在0°到180°范围内以1°为解析度逆时针变化，即α_2j，α_3j，...，α_181j＝1°，2°，...，180°；一个采集周期内采集的数据记为一帧；

(1b)对测量数据进行野点滤除处理：划定感兴趣区域的范围为激光雷达测距仪前方0.55～80m；滤除ρ_ij大于80m和ρ_ij小于0.55m的数据，得到感兴趣区域内的测量数据(ρ_ij，α_ij)；

(1c)将感兴趣区域内的测量数据(ρ_ij，α_ij)转换为笛卡尔坐标系下的测量数据(x_ij，y_ij)，转换公式为：

所述步骤二具体包括以下步骤：

(2a)设置机器人前进航向角为α＝90°(航向角：机器人运动方向与笛卡尔坐标系下x轴的夹角)