[发明专利]一种基于ELM-LRF的自适应视觉导航方法

说明书

本发明基于ELM‑LRF神经网络模型设计了一种机器人的自适应视觉导航方法。该方法分配(s_t,a_t,r_t,s_t+1,Q_t)结构体数据存储空间；令机器人在选定环境中重复运动，获得所需结构体数据，将状态相同的数据通过删除Q值较小的数据进行预处理。然后以s_t作为输入，a_t作为输出完成对ELM‑LRF的训练，建立起当前状态和最优动作的映射关系。最后以机器人能否找到目标来测试机器人的导航能力。本发明在该数据空间下利用ELF‑LRF模型提出的方法大大提高了机器人的导航速度。其中，s_t是当前状态，在这里为拍摄到的照片，a_t是在s_t下机器人的动作(前后左右运动)，r_t是a_t的即时回报，s_t+1是机器人在a_t后的状态，Q为长远回报，Q_t值为在状态s_t下执行a_t后得到的总的长远回报。

技术领域

本发明提供一种基于ELM-LRF(基于局部接收野的极限学习机)的自适应视觉导航方法，具体而言就是输入像素数据、输出决策(选择行走动作)，直到找到想要的物体，停下。属于机器学习、神经网络算法、强化学习技术领域。

背景技术

视觉导航是在机器人上安装单目或双目照相机，获取环境中局部图像，实现自我位姿确定和路径识别，从而做出导航决策，与人类视觉反馈导航很类似。从输入图像到输出动作，机器学习是核心。随着计算机计算性能的不断提高和越来越多数据的产生，挖掘数据的价值为人们生活服务成为必然。在此趋势下，“大数据”和“人工智能”成为火热的名词，而机器学习又是其中的核心技术。机器学习主要包括监督学习、无监督学习和强化学习。

监督学习最火热的当属深度学习，深度学习简单说就是多层的神经网络，给定数据和相应标签，给定一个优化目标，采用BP(误差反向传播Error Back Propagation)训练算法来训练神经网络。深度学习算法中最著名是卷积神经网络(CNN)，CNN受启发于人类的视觉皮层，输入至隐藏层采用局部连接。

极限学习机(ELM)，可用于特征学习，聚类，回归和分类。传统观点认为神经网络的隐藏层神经元需要在训练阶段迭代调整，比如BP算法，涉及大量的梯度下降，容易陷入局部最优。ELM理论打破了这种信条，认为隐层神经元虽然很重要，但不需要迭代调整，解决了传统方法的缺陷[1.G.-B.Huang,Q.-Y.Zhu,and C.-K.Siew.Extreme learning machine:Anew learning scheme of feedforward neural networks,in Proc.Int.JointConf.Neural Networks,July 2004,vol.2,pp.985–990.][2.G.-B.Huang,Q.-Y.Zhu,andC.-K.Siew,.Extreme learning machine:Theory and applications,Neurocomputing,vol.70,pp.489–501,Dec.2006.]。隐藏层节点的所有参数(权重W和偏置b)都独立于训练样例，可以随机的(任意连续概率分布)生成，这样的ELM依然具有普适的逼近和分类能力。ELM理论表明，只要隐层神经元的激活函数是非线性分段连续的，神经网络就不需要通过迭代调整网络来获得学习能力。