[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

摘要

本发明公开了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，采用激光雷达采集环境信息与提取感兴趣区域；步骤二，利用机器人航迹推算方法，构建多帧激光雷达数据的复合地图；步骤三，进行激光雷达数据点聚类与逻辑判别，提取动态障碍物与路边界，标识激光雷达地图中可通行区域；步骤四，利用RRELM规划超平面，并融入路径规划的起始点和目标点约束，得到机器人局部规划路径。本发明提升了户外非特定场景下，机器学习路径规划的泛化性能，使得户外机器人局部路径更加平滑，便于跟踪。

主权项

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，其特征在于，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；所述步骤四具体包括以下步骤：(4a)在可通行区域内确定路径规划的起始点(xS，yS)和目标点(xg，yg)；在该两点的左右两边，各生成6个辅助点：在(xS，yS)周围生成的辅助点为：(xS‑0.5，yS+0.5)、(xS‑0.5，yS)、(xS‑0.5，yS‑0.5)、(xS+0.5，yS‑0.5)、(xS+0.5，yS)和(xS+0.5，yS‑0.5)；在(xg，yg)周围生成的辅助点为：(xg‑0.5，yg+0.5)、(xg‑0.5，yg)、(xg‑0.5，yg‑0.5)、(xg+0.5，yg‑0.5)、(xg+0.5，yg)和(xg+0.5，yg‑0.5)；将12个辅助点添至激光雷达数据的集合Data1中，得到RRELM分类模型的输入样本集合Data＝[(x1,y1),(x2,y2),…,(xN,yN)，(xN+1,yN+1)，…，(xM,yM)]，其中，N为原始复合地图上所有数据的个数，M为原始复合地图上所有数据加上辅助点后的总数目，满足M＝N+12；(4b)对于Data中的辅助点，按以下规则分类：将起始点左边和目标点左边的辅助点划分为第一类，其分类标签为‑1，起始点右边和目标点右边的辅助点划分为第二类，其分类标签为1；对于Data中原始复合地图上所有数据，按以下规则分类：连接起始点(xS，yS)和目标点(xg，yg)构建一条分割直线l，若数据点(xj,yj),j＝1,2,...,N位于l左边，则将该数据点划分为第一类，其分类标签为‑1，若数据点位于l右边，则将该数据点划划分为第二类，其分类标签为1；将Data中所有数据对应的分类标签集合记为T＝[t1,…,tM]T；(4c)建立RRELM分类模型，使用输入样本集合Data和分类标签集合T对RRELM分类模型进行训练学习，得到分割超平面，具体包括以下步骤：Step1：建立隐藏节点的个数为LN＝260的RRELM分类模型，隐藏节点的输出函数为G(a,b,x)，特征空间的映射函数为h(x)；随机生成隐藏节点参数(ai,bi),i＝1,…,LN，ai表示第i个隐藏节点与输入节点之间的连接权重，bi表示第i个隐藏节点的阈值；Step2：计算隐藏层的输出矩阵H，计算公式为：h(x)=[G(ai,bi,x),...,G(aLN,bLN,x)]TH=h(x1)...h(xM)]]>其中x表示Data中的输入样本，G(ai,bi,x)表示第i个隐藏层节点对应于输入样本x的输出，G(ai,bi,x)＝g(ai·x+bi)，g(·)为激励函数，采用Sigmoid函数；h(x1)…h(xM)分别表示第1至M个输入样本的特征空间映射；Step3：计算输出权重β，计算公式为：其中，HT表示H的转置矩阵，表示的逆矩阵，T表示输入样本对应的分类标签；C表示超平面的光滑参数且C＝100；Step4：得到RRELM分类模型为：其中，h(x)为输入变量，f(x)为输出变量，β为根据Step2和Step3计算得到的输出权重β；Step5：令f(x)＝0，得到分割超平面的表达式为：分割超平面的的输出结果x为多个离散数据点；将路径规划的起始点、离散数据点和目标点依次相构成的路径，作为机器人局部规划路径。