[发明专利]一种基于ELM-LRF的自适应视觉导航方法

权利要求书

1.一种基于ELM-LRF的自适应视觉导航方法，其特征在于：步骤如下：

(1)分配存储(s_t，a_t，r_t，s_t+1，Q_t)的空间；(s_t，a_t，r_t，s_t+1，Q_t)是结构体存储，s_t是当前状态，在这里为拍摄到的照片，a_t是在s_t下的动作，r_t是a_t的即时回报，s_t+1是a_t后的状态，Q_t值为在状态s_t下执行a_t后得到的总的长远回报；

(2)机器人在环境中运动，得到一组从初始位置到发现目标物的(s_t，a_t，r_t，s_t+1，Q_t)数据；

(3)机器人重置到初始位置，当在某状态s_t′下得到的Q_t′比之前同状态s_t得到的Q_t大时，删除在s_t状态下得到的(s_t，a_t，r_t，s_t+1，Q_t)数据，否则删除在s_t′下得到的(s_t′，a_t′，r_t′，s_t+1′，Q_t′)；重复多次，从而得到较好的当前状态和最优动作的数据，即得到为训练ELM-LRF所提供的更好的样本数据；

(4)在步骤(3)的基础上，以s_t作为输入，a_t作为输出完成对基于局部接收野的极限学习机神经网络的训练，即ELM-LRF的训练，建立起当前状态和最优动作的映射关系；

(5)根据步骤(4)的建立起当前状态和最优动作的映射关系，测试机器人导航能力，观察机器人是否能找到目标。

2.根据权利要求1所述的基于ELM-LRF的自适应视觉导航方法，其特征在于：所述步骤(4)的具体实现过程如下：

(2.1)计算隐层输出矩阵H

给定的训练集(x_i，t_i)，i＝1…L，x_i为步骤(3)得到的s_t，t_i为步骤(3)得到的a_t，

h₁(x)＝G(a_i，b_i，x)，a_i∈R^d，b_i∈R，i＝1…L

其中，G(a_i，b_i，x)是一个非线性分段连续函数，实际上是将d维的输入空间映射到L维的隐层随机空间，是一个随机特征映射；a_i，b_i是第i个隐藏节点的参数，非线性分段连续函数的参数，R代表实数；

(2.2)根据步骤(2.1)中的H，求隐藏层至输出的权重β，

ELM-LRF的输出函数即映射关系，其中：

β_L×m＝[β₁ … β_L]^T

通过求解来求β，

其中σ₁＞0，σ₂＞0，p，q＞0，C用于控制两项的重要性，T是训练样例的目标矩阵：

当σ₁＝σ₂＝p＝q＝2时，常用的闭式解为：

p，q是范数下标，N是矩阵T的行数，L是矩阵β的行数。