基于岭回归超限学习机的户外机器人局部路径规划方法
【技术领域】
[0001] 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】
[0002] 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。
[0003] 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宄工作，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，是值得深入研宄的实际问题。
[0004] 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，需研宄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】
[0005] 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。
[0006] 本发明为解决技术问题所提供的技术方案为：
[0007] -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：
[0008] 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；
[0009] 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；
[0010] 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；
[0011] 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。
[0012] 所述步骤一具体包括以下步骤：
[0013] (Ia)用激光雷达测距仪进行扫描，得到极坐标系下的测量数据：（P ij，a 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， P u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 ; a u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，a u在0°到180°范围内以Γ为解析度逆时针变化，即a ^ a ^ . . .，a 181j=Γ，2°，...，180° ;-个采集周期内采集的数据记为一帧；
[0014] (Ib)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P u大于80m和P u小于0. 55m的数据，得到感兴趣区域内的测量 数据（P i」，a u);
[0015] (Ic)将感兴趣区域内的测量数据（P m a y转换为笛卡尔坐标系下的测量数据 (Xij，yd，转换公式为：
[0016]
[0017] 所述步骤二具体包括以下步骤：
[0018] (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）
[0019] (2b)绘制复合地图时，将第1帧数据（xn，yn)叠放至第2帧地图上，映射方法为 (xm，yi2i) = (Xii_dx，yn_dy);其中，（x i21，yi21)为第 1 帧数据（xn，yn)在第 2 帧地图上的 映射，4和d 笛卡尔坐标下（X n，yn)偏移的距离，其计算公式为：
[0020]
[0021] 其中，d = V τ为每周期机器人前进的距离；
[0022] 设置机器人速度为V = 10km/h，采集周期τ = 13. 33ms ;
[0023] (2c)按照（2b)的方法进行迭代，最后将10帧数据均叠放至第10帧地图上，得到 在笛卡尔坐标系下，包含10帧激光雷达数据的复合地图；此时，坐标原点即为当前激光雷 达所在位置，记复合地图上的所有激光雷达数据的集合为Datal= [(Xl，yi)，（x2，y2)，…， (xN，yN) ]，N表示复合地图上所有数据的个数。
[0024] 所述步骤三具体包括以下步骤：
[0025] (3a)对复合地图上的每一帧激光雷达数据分别进行聚类；类聚方法为：利用连续 边缘跟随算法将激光雷达数据中的相邻点和回退最大障碍物点数maxObstaclePoint = 5 的点以thresholcLsef = 0. 5m为距离阈值进行聚类；距离阈值根据极坐标下激光雷达数据 的测量值计算；
[0026] (3b)对所聚得的类，计算每一类所含点数SegNum ;
[0027] (3c)设定最小路面范围minBoarderRange为：笛卡尔坐标系下，以机器人为原点， 由X = -4. 5和X = 2. 2的两条直线限定的范围；对所聚得的类，若该类内所有激光雷达数 据点横坐标均在最小路面范围minBoarderRange内，即激光雷达数据点横坐标X e (-4. 5， 2. 2)，且该类所含点数SegNum大于或等于最少路边界点数minBoarderPoint = 4,则判断该 聚类为路边界，否则为动态障碍物；
[0028] (3d)运用最小二乘算法将判断为路边界的类拟合成直线，计算直线的特征参数； 在复合地图上，合并距离和角度特征相似的直线；将上述所合并的直线和未合并直线与原 点所包围的区域作为可通行区域。
[0029] 所述步骤四具体包括以下步骤：
[0030] (4a)在可通行区域内确定路径规划的起始点（xs，ys)和目标点（x g，yg);
[0031] 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-〇. 5, ys+0. 5)、（xs-〇. 5, ys)、（xs-〇. 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)矛卩（xg+0. 5, yg_0. 5);
[0032] 将12个辅助点添至激光雷达数据的集合Datal中，得到RRELM分类模型的输入样 本集合 Data - [(Xi，y"i)，（X2，y"2)，···，（Xn，^n)，（Χν+ι，Υν+ι)，···，（Xm，Ym) ]，?? 中，N 女口 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 ；
[0033] (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 ;
[0034] 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，y s)和 目标点（xg，yg)构建一条分割直线1，若数据点（Xj，yP，j = 1，2, ...，N位于1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1右边，则将该数据点划划分为第 二类，其分类标签为1 ;
[0035] 将Data中所有数据对应的分类标签集合记为T = Lt1，…，tM]T;
[0036] (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：
[0037] Stepl :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);
[0038] 随机生成隐藏节点参数（ay bj，i = 1，…，LN，Si表示第i个隐藏节点与输入节 点之间的连接权重，h表示第i个隐藏节点的阈值；
[0039] Step2 :计算隐藏层的输出矩阵H，计算公式为：
[0040]
[0041] 其中X表示Data中的输入样本，G(apbpX)表示第i个隐藏层节点对应于输入样 本X 的输出，Gfepb^x) = gh ?x+bi)，g( ·)为激励函数，采用 Sigmoid函数；Ii(X1). . . h(xM) 分别表示第1至M个输入样本的特征空间映射；
[0042] Step3 :计算输出权重β，计算公式为：
[0043]
[0044] 其中，Ht表示H的转置矩阵，
啲逆矩阵，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