界；若该类内，并非所有激光雷达 数据点横坐标X均在最小路面范围minBoarderRange内，如果SegNum小于最少路边界点数 minBoarderPoint = 4,则判断为低危障碍物，否则为路边界；
[0102] 也可以通过路边界-高/危障碍物逻辑判断真值判断：表定义事件A :各激光雷达 数据点横坐标。所有激光雷达数据点横坐标均在在最小路面范围minBorderRange内，真为 " 1"，假为"〇" ；定义事件B :各聚类所含点数小于最小路边界点数minBorderPoint阈值，真 为" 1"，假为;根据两事件真值表，判断各聚类为高/低危障碍物或路边界的情况，如下 表所示：
[0103] 路边界-高/危障碍物逻辑判断真值表
[0104]
[0105] 其逻辑函数式为：
[0106]
[0107] 将高危障碍物和低危障碍物划为动态障碍物。
[0108] (e)运用最小二乘算法对判断为路边界的类进行直线拟合，计算所提取直线的特 征参数，在复合地图上，合并距离和角度特征相似的直线。
[0109] 对所提取直线的特征参数，通过比较各直线到原点的垂直距离和直线间始末角 度，将相似特征的直线进行合并，若某两条提取直线11，12各自到原点的垂直距离之差小 于阈值，且直线11的起始角度与直线12的终止角度的夹角小于阈值，则该两条直线共线。 此为现有技术。
[0110] 上述（e)所合并的直线、未合并直线与原点所包围的区域即为可通行区域。
[0111] 所述步骤四具体包括以下步骤：
[0112] (a)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)位置，在该 两点并列的左右两边，各生成6个辅助点，如（xs，ys)周围生成辅助点为：( Xs-0.5，ys+0.5)、 (xs-〇. 5, ys)、（xs-〇. 5, ys_0. 5)、（xs+0. 5, ys_0. 5)、（xs+0. 5, ys)、（xs+0. 5, ys_0. 5)六点，同 理，目标点（xg，yg)并列的左右两边也如此设计6个辅助点，将起始点和目标点左边的辅助 点分为第一类，其数据标签为-1，起始点和目标点右边的辅助点分为第二类，其数据标签为 1，;并将6个辅助点添至激光雷达数据的集合Datal中，得到RRELM分类模型输入样本Data =[(Xpy1), (x2，y2)，…，（xN，yN)，（x N+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。其 RRELM训练数据中
[0113] (b)连接起始点（xs，ys)和目标点（xg，y g)构建一条分割直线1，若数据（χ』，y』），j =1，2, . . .，M位于1左边，则分为第一类，其数据标签为-1，若数据点位于1右边，分为第 二类，其数据标签为1。因此，对于Data中所有数据，对应分类标签T=Lt1，…，tM] T，其中 M为原始激光雷达数据加上辅助点后的总数目，满足M = N+12。
[0114] (c)使用数据点Data和分类标签T对RRELM分类模型进行训练学习，进而求得超 平面函数，包括以下步骤：
[0115] Stepl :建立RRELM分类模型，RRELM分类模型包括隐藏节点的个数为LN = 260,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);
[0116] 随机生成隐藏节点参数（ay bj，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，h表示第i个隐藏节点的阈值；
[0117] Step2 :计算隐藏层的输出矩阵H，其关系式如下：
[0118]
[0119] 其中X表示输入样本，G(ai，by X)表示第i个隐藏层节点对应于输入样本X的输 出，Gh，by X) = gh · x+bj，其中g( ·)为激励函数，本发明使用的激励函数为Sigmoid 函数；h (xM)表示第M个输入样本数据的特征空间映射；
[0120] St印3 :计算输出权重β，其关系式如下：
[0121]
[0122] 其中，Ht表示H的转置，
的逆，T表示样本数据的标 签；
[0123] St印4 :则RRELM分类模型f (X)为：
[0124]
[0125] 其中，上标T表示转置，上标-1表示矩阵求逆，T表示样本数据的标签；C表示超平 面的光滑参数且C = 100 ;
[0126] Step5 :超平面函数满足f (X) = 0,即超平面函数为：
[0127]
[0128] 超平面函数的输出结果为多个离散数据点，由起始点、离散数据点和目标点依次 相连构成的路径，对应的机器人局部规划路径。
[0129] 当出现突发动态障碍物，将其视为一种扰动，对突发动态障碍物的激光雷达数据 点的标签进行随机标识分类；在此基础上，利用RRELM重新规划超平面，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。 其具体过程为：
[0130] (a)将动态障碍物的激光雷达数据点全部提取，记为Data_Obstacles，将Data中 除Data_Obstacles之外的剩余数据点记为Data_Boarder，标签为T_Boarder，并将Data_ Obstacles的数据点随机全部列为第一类，即标识为-l，T_0bstacles = IX，…，乜]1，其中 m为Data_Obstacles中的激光雷达数据点数；
[0131] (b)将 Data_Obstacles 和 Data-Boarder -并重新赋值为 Data，T_0bstacles 和 T_Boarder -并重新赋值为T ;
[0132] (c)利用Data和T数据对RRELM分类模型重新进行训练学习，可得分割超平面 Γ1；
[0133] (d)同理，将动态障碍物的激光雷达数据点Data_0bstacle随机全部列为第二类， 即标识为l，T_0bstacles = IX，."，IJt，其中m为Data_Obstacles中的激光雷达数据点 数；
[0134] (e)重复步骤（b)、（C)得到分割超平面Γ2;
[0135] 所述步骤六中针对动态障碍物利用RRELM重规划，分析满足起始点与目标点约 束，对应的两条可行路径，并采用距离评估函数估价最优路径。对两次分割超平面对应的两 条可行路径Γρ「2进行分析，具体步骤为：
[0136] (a)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 面上的前后顺序，记为Data_hyperplane，作出对应的规划路径PpP2;
[0137] (b)计算距离评价函数为：
[0138]
[0139] 其中num表示Data_hyperplane离散路径数据点个数，
表示规划路径每一步的距离值；
[0140] (C)根据距离评价函数的最小值，选取该时刻对应的最优规划路径。
[0141] 实施例1 :
[0142] 本实施例是选取中南大学铁道校区内场景完成实验，校园环境为非结构化道路， 路面宽度约为l〇m，当户外机器人行驶至广场时，路面范围相应扩大；道路两边一般为各种 建筑，如有台阶的楼宇、有广场的楼宇等，以及各种植被，比如较高的树木、较矮的观赏植物 灯；户外机器人前方道路上时有其他行驶或停止的车辆、单个行人或通行的多个行人等。
[0143] 本实施例中所描述的户外机器人安装有激光雷达、毫米波雷达、GPS、惯性自驾仪、 摄像机等传感器，使用Intel E7500双核处理器、2. 93GHz主频、2GB内存的计算机；实验的 软件平台为：使用Windows 7旗舰版操作系统，编译环境为Matlab R2010b，使用C/C++编 程语言。在实际环境信息采集中，使用的是SICK LMS291激光雷达，水平安装在户外机器人 最前端，距离地面45cm，工作电压为24VDC± 15%，功率消耗小于等于20W，三个输出端口的 最大输出电流为250mA ;为了实现户外机器人的导航等功能，通过RS232/RS422的连续数据 传输，得到实时测量数据；通过外部软件，可以实时处理扫描测量数据。
[0144] 基于此，设计一种RRELM机器学习的户外机器人局部路径规划方法，具体流程如 图1所示。
[0145] 1.步骤一所对应的激光雷达环境信息数据采集与感兴趣区域提取，按如下描述进 行实施：
[0146] 首先，用LMS291扫描测试环境区域，得到测量数据Measurement。根据参数设置， 一个采集周期所获得的数据是在极坐标系下的点（Pi, ^)，其原点即为激光雷达所在位 置。则t时刻测量数据为：
[0147] Measurementi= {beam 丨 I beanii= (P 丨，a)
[0148] 其中beami表示第i束射线，P i表示第i束射线的测量值（激光雷达与所遇物体 之间的距离），^表示物体角度，L为每帧扫描的射线数，即L= 181，α 1在180°范围内 以1°解析度逆时针变化，每周期13. 33ms内获取181个测量值，所以t时刻，LM291测量值 转换为笛卡尔坐标系下，（Xi，yi)的具体表达式为：
[0149]
[0150] 其次，测试数据在获取时，存在许多野点，因此，在对数据进行使用之前需要先完 成数据的野点滤除处理：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端，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R0I(Range of Interest)的范围为前方0.55~80m;因此，滤除 扫描值大于80m，小于0. 55m的野点数据，得到感兴趣区域扫描数据，如图2所示。
[0151] 2.步骤二所对应的多帧激光雷达数据构建路劲规划的复合地图，【具体实