且C = 100 ;
[0045] St印4 :得到RRELM分类模型为：
[0046]
[0047] 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 ;
[0048] Step5 :令f (X) = 0,得到分割超平面的表达式为：
[0049]
[0050] 分割超平面的的输出结果X为多个离散数据点；
[0051] 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。
[0052] 进一步地，若步骤三中存在判断为动态障碍物的聚类，则将这些类所包含的激光 雷达数据进行随机分类；在此基础上，利用RRELM分类模型重新规划分割超平面；
[0053] 得到并分析满足起始点与目标点约束的多条可行路径，采用距离评价函数判断最 优路径，将最优路径作为机器人局部规划路径。
[0054] 进一步地，若步骤三中存在判断为动态障碍物的类，则将这些类所包含的激光雷 达数据全部提取出来，记为Data_Obstacles，并执行以下步骤：
[0055] (1)在步骤四的（4b)中，将Data_Obstacles中的数据点随机全部划分为第一类， 即将其对应的分类标签重新赋值为-1 ;
[0056] (2)在步骤四的（4c)中，利用Data和新的分类标签集合T对RRELM分类模型重新 进行训练学习，得到分割超平面Γ1;
[0057] (3)在步骤四的（4b)中，将Data_Obstacles中的数据点随机全部划分为第二类， 即将其对应的分类标签重新赋值为1 ;
[0058] (4)在步骤四的（4c)中，利用Data和新的分类标签集合T对RRELM分类模型重新 进行训练学习，得到分割超平面Γ2;
[0059] (5)提取超平面Γ\、Γ2上位于起始点与目标点之间每一步离散数据点，并按超平 面上从起始点到目标点的前后顺序，记为Data_hyperplane，作出对应的规划路径PpP2;
[0060] (6)采用距离评估函数估价最优路径；距离评价函数为：
[0061]
[0062] 其中num表示Data_hyperplane中离散路径数据点个数，
表示规划路径每一步的距离值；
[0063] (7)根据距离评价函数函数值最小的原则，判断最优路径，将最优路径作为机器人 局部规划路径。
[0064] 所述激光雷达测距仪采用SICK LMS291激光雷达测距仪。
[0065] 有益效果：
[0066] 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，其步 骤包括：首先，利用激光雷达采集环境信息与提取感兴趣区域。其次，构建路径规划的多帧 复合地图。而后，设计聚类逻辑判别技术提取动态障碍物与路边界点，标识激光雷达地图中 可通行区域。再次，利用一种RRELM超平面函数规划的户外机器人局部路径，实现路径规划 的起始点和目标点约束。对于动态障碍物，将其视为一种扰动，对动态障碍物的数据标签进 行随机分类。针对动态障碍物利用RRELM重规划超平面，分析满足起始点与目标点约束的 多条可行路径，并采用距离评估函数估价最优路径，完成动态局部路劲规划。其优点包括： [0067] 1.所设计的激光雷达数据点聚类与逻辑判别技术，提取动态障碍物与路边界点， 标记激光雷达地图可通行区域，能够快速准确地检测、合并路边界，标记高危障碍物，给出 可通行区域。
[0068] 2.利用RRELM规划的户外机器人路径，较支持向量机（SVM)方法，提升了对户外非 特定场景中规划路径的泛化性能，并使得户外机器人局部路径平滑，便于跟踪。
[0069] 3.将动态障碍物作为随机扰动，提高了户外机器人动态规划的快速性能，并实现 了最优可行的路径规划。
【附图说明】
[0070] 图1为基于RRELM机器学习的户外机器人局部路劲规划方法具体框图；
[0071] 图2为激光雷达感兴趣区域提取；
[0072] 图3为十帧复合地图构建；
[0073] 图4为动态障碍物提取与可通行区域图标识；
[0074] 图5为融入起始点和目标点约束的RRELM超平面图；图5 (a)为基于SVM的机器人 路径规划结果；5(b)为本发明的路径规划结果；
[0075] 图6为动态障碍物扰动时的超平面图；图6 (a)和图6 (b)分别将动态障碍物对应 的数据点分为第二类和第一类时的超平面图；
[0076] 图7为基于RRELM的户外机器人局部路径规划图；图7(a)和图7(b)分别为超平 面Γ 2和Γ，寸应的规划路径P 2和P i。
【具体实施方式】
[0077] 下面将结合附图和实施例对本发明做进一步的说明。
[0078] -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：
[0079] 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；
[0080] 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；
[0081] 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，通过逻辑判别标记 动态障碍物与路边界，得到复合地图中的可通行区域；
[0082] 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，获得机器人规划的局部路径；
[0083] 所述步骤一具体包括以下步骤：
[0084] (a)用激光雷达测距仪（SICK LMS291激光雷达测距仪）扫描环境：将激光雷达测 距仪所在位置设置为极点，一个采集周期（τ = 13.33ms)内采集的极坐标系下的测量数 据：
[0085] Measurementi= {beam ! I beanii= ( P i，a J，I < i < L，i e N}
[0086] 其中beami表示第i束射线；P i表示第i束射线的测量值，即激光雷达与所遇物体 之间的距离，α 1表示物体角度，L为每帧扫描的射线数，即L = 180,在α ,在0°到180° 范围内以Γ为解析度逆时针变化；
[0087] 一个采集周期内采集的数据记为一帧，共采集10帧数据；
[0088] (b)对测量数据进行野点滤除处理：在激光发射脉冲没有遇到障碍物情况下， LMS291无反射脉冲，返回最大值81. 91m ;且由于雷达安装在户外机器人前段，在激光雷达 附近有可能碰到物体遮挡，所以划定感兴趣区域（R〇I，Range of Interest)的范围为前方 0. 55~80m ;因此，滤除极坐标系下的测量值P i大于80m，小于0. 55m的数据，得到感兴趣 区域扫描数据。
[0089] (b)将极坐标系下的测量数据转换为笛卡尔坐标系的测量数据（Xi，yi)的具体表 达式为：，转换公式为：
[0090]
[0091] 所述步骤二的具体步骤为：根据机器人即时速度与航向角，利用航迹推算法计算 多帧构造的环境地图。
[0092] 设置机器人前进航向角为α = 90° (航向角是指机器人运动方向与笛卡尔坐标 系下X轴的夹角），机器人速度为V = 10km/h。
[0093] (a)因为每周期机器人前进的距离为d = V τ，则在笛卡尔坐标下（Xi，yi)偏移的 距离4和d y的表达式为：
[0094]
[0095] 其中i为激光雷达扫描点序号，I < i < L的整数。
[0096] 若第1帧的数据为（xn，yn)，第2帧的数据为（xi2, yi2)，绘制复合图时，第1帧数 据叠放至第2帧地图上，则对应映射为（xi21，yi21) = (xn-dx，yn-dy);
[0097] (b)迭代（b)步骤，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 = [(X1, y)，（x2, y2)，…，（xN，yN)]，N表 示复合地图上所有数据的个数。
[0098] 所述步骤三的动态障碍物的提取与可通行区域分析中，利用一种连续边缘跟随算 法对激光雷达点进行快速准确聚类。而后，设计一种逻辑判别方法标记障碍物与路边界点。 最后，运用最小二乘算法对路边界进行直线拟合，合并路边界，给出可通行区域。所述步骤 三具体包括以下步骤：
[0099] (a)利用连续边缘跟随算法对复合地图上的每一帧激光雷达数据分别进行聚 类，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 threshold_sef = 0. 5m为距离阈值聚类；距离阈值根据极坐标下激光雷达数据的测量值计 算；
[0100] 连续边缘跟踪法（Successive edge following，SEF)直接比较激光雷达的测量 值，而不用转换为笛卡尔坐标，在感兴趣区域ROI内，如果某一扫描点与激光雷达的距离与 前一点的距离之差大于阈值，则从开始新的聚类，而将上一点作为前一个聚类的终点。最大 障碍物点数的意义是，选取最大障碍物点数maxObstaclePoint作为回退数，若当前点与回 退点的测量距离差小于距离阈值thresholcLsef，则聚类记为回退点所在类的标号顺序，此 处为现有技术。
[0101] (b)对所聚得的类，计算所含点数SegNum ;，（c)设定最小路面范围 minBoarderRange是以机器人为原点，笛卡尔坐标系下，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X e (-4. 5, 2. 2)，且聚类所含点数SegNum小于最少路边界点数 minBoarderPoint = 4,则判断为高危障碍物，否则为路边