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。

说明书

技术领域

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

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。

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究工作，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，是值得深入研究的实际问题。

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，需研究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

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。

本发明为解决技术问题所提供的技术方案为：

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：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。

所述步骤一具体包括以下步骤：

(1a)用激光雷达测距仪进行扫描，得到极坐标系下的测量数据：(ρ_ij，α_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，ρ_ij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；α_ij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，α_ij在 0°到180°范围内以1°为解析度逆时针变化，即α_2j，α_3j，...，α_181j＝1°，2°，...，180°；一个采集周期 内采集的数据记为一帧；

(1b)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ρ_ij大于80m和ρ_ij小于0.55m的数据，得到感兴趣区域内的测量数据(ρ_ij，α_ij)；

(1c)将感兴趣区域内的测量数据(ρ_ij，α_ij)转换为笛卡尔坐标系下的测量数据(x_ij，y_ij)，转换 公式为：

$\left(\begin{array}{c}{x}_{ij}={\rho }_{ij}{\mathrm{cos\alpha }}_{ij}={\rho }_{ij}\cos \left(\right(i-1)\pi /180)\\ y_{ij}={\rho }_{ij}{\mathrm{sin\alpha }}_{ij}={\rho }_{ij}\sin \left(\right(i-1)\pi /180)\end{array}\right)$

所述步骤二具体包括以下步骤：

(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)

(2b)绘制复合地图时，将第1帧数据(x_i1，y_i1)叠放至第2帧地图上，映射方法为 (x_i21，y_i21)＝(x_i1-d_x，y_i1-d_y)；其中， (x_i21，y_i21)为第1帧数据(x_i1，y_i1)在第2帧地图上的映射，d_x和d_y为笛卡尔坐标下(x_i1，y_i1)偏 移的距离，其计算公式为：

$\left(\begin{array}{c}{d}_x=dcos(\left(i-1\right)\pi /180)\\ d_y=dsin(\left(i-1\right)\pi /180)\end{array}\right)$

其中，d＝vτ为每周期机器人前进的距离；

设置机器人速度为v＝10km/h，采集周期τ＝13.33ms；

(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Data1＝[(x₁，y₁)，(x₂，y₂)，…，(x_N，y_N)]，N表示复 合地图上所有数据的个数。

所述步骤三具体包括以下步骤：

(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 threshold_sef＝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；

(3b)对所聚得的类，计算每一类所含点数SegNum；

(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∈(-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；

(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。

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(x_S，y_S)和目标点(x_g，y_g)；

在该两点的左右两边，各生成6个辅助点：在(x_S，y_S)周围生成的辅助点为： (x_S-0.5，y_S+0.5)、(x_S-0.5，y_S)、(x_S-0.5，y_S-0.5)、(x_S+0.5，y_S-0.5)、(x_S+ 0.5，y_S)和(x_S+0.5，y_S-0.5)；在(x_g，y_g)周围生成的辅助点为：(x_g-0.5，y_g+ 0.5)、(x_g-0.5，y_g)、(x_g-0.5，y_g-0.5)、(x_g+0.5，y_g-0.5)、(x_g+0.5，y_g)和(x_g+ 0.5，y_g-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)，…，(x_N，y_N)，(x_N+1，y_N+1)，…，(x_M，y_M)]，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(x_S，y_S)和目标点 (x_g，y_g)构建一条分割直线l，若数据点(x_j，y_j)，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，…，t_M]^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(a_i，b_i)，i＝1，…，LN，a_i表示第i个隐藏节点与输入节点之间的 连接权重，b_i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：

$\left(\begin{array}{c}h\left(x\right)={[G(a_i,b_i,x),...,G(a_{LN},b_{LN},x)]}^T\\ H=\left(\begin{array}{c}h\left(x_1\right)\\ .\\ .\\ .\\ h\left(x_M\right)\end{array}\right)\end{array}\right)$

其中x表示Data中的输入样本，G(a_i，b_i，x)表示第i个隐藏层节点对应于输入样本x的 输出，G(a_i，b_i，x)＝g(a_i·x+b_i)，g(·)为激励函数，采用Sigmoid函数；h(x₁)...h(x_M)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：

$\beta =H^T{(\frac{I}{C}+{\mathrm{HH}}^T)}^{-1}T$

其中，H^T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：

$f\left(x\right)=h\left(x\right)\beta =h\left(x\right)H^T{(\frac{I}{C}+{\mathrm{HH}}^T)}^{-1}T$

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：

$h\left(x\right)H^T{(\frac{I}{C}+{\mathrm{HH}}^T)}^{-1}T=0$

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。

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；

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。

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：

(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；

(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；

(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；

(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；

(5)提取超平面Γ₁、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P₁、P₂；

(6)采用距离评估函数估价最优路径；距离评价函数为：

$dist=\underset{k=1}{\overset{num}{\Sigma }}{D}_k$

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；

(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。

所述激光雷达测距仪采用SICK LMS291激光雷达测距仪。

有益效果：

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：

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。

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。

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

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；

图2为激光雷达感兴趣区域提取；

图3为十帧复合地图构建；

图4为动态障碍物提取与可通行区域图标识；

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；

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；

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Γ₂和Γ₁对应的规划路径P₂和P₁。

具体实施方式

下面将结合附图和实施例对本发明做进一步的说明。

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：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，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；

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；

所述步骤一具体包括以下步骤：

(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：

Measurement_i＝{beam_i|beam_i＝(ρ_i，α_i)，1≤i≤L，i∈N}

其中beam_i表示第i束射线；ρ_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_i表示物体角度，L为每帧扫描的射线数，即L＝180，在α_i在0°到180°范围内以1°为 解析度逆时针变化；

一个采集周期内采集的数据记为一帧，共采集10帧数据；

(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(ROI，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ρ_i大于80m，小于0.55m的数据，得到感兴趣区域扫描数据。

(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(x_i，y_i)的具体表达式为：，转 换公式为：

$\left(\begin{array}{c}{x}_i={\rho }_i{\mathrm{cos\alpha }}_i={\rho }_i\cos \left(\right(i-1)\pi /180)\\ y_i={\rho }_i{\mathrm{sin\alpha }}_i={\rho }_i\sin \left(\right(i-1)\pi /180)\end{array}\right),1<i\le L,i\in N$

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。

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。

(a)因为每周期机器人前进的距离为d＝vτ，则在笛卡尔坐标下(x_i，y_i)偏移的距离d_x和d_y的表达式为：

$\left(\begin{array}{c}{d}_x=dcos(\left(i-1\right)\pi /180)\\ d_y=dsin(\left(i-1\right)\pi /180)\end{array}\right)$

其中i为激光雷达扫描点序号，1＜i≤L的整数。

若第1帧的数据为(x_i1，y_i1)，第2帧的数据为(x_i2，y_i2)，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(x_i21，y_i21)＝(x_i1-d_x，y_i1-d_y)；

(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Data1＝[(x₁，y₁)，(x₂，y₂)，…，(x_N，y_N)]，N表示复合地 图上所有数据的个数。

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：

(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；

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threshold_sef，则聚类记为回退点所在类的标号顺序，此处为现有技术。

(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∈(-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；

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 “0”；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“0”；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：

路边界-高/危障碍物逻辑判断真值表

其逻辑函数式为：

$\left(\begin{array}{c}{Y}_{Board}=A\bar{B}+\bar{A}\bar{B}=\bar{B}\\ Y_{High-riskObstacle}=AB\\ Y_{Low-riskObstacle}=\bar{A}B\end{array}\right)$

将高危障碍物和低危障碍物划为动态障碍物。

(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。

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。

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。

所述步骤四具体包括以下步骤：

(a)在可通行区域内确定路径规划的起始点(x_S，y_S)和目标点(x_g，y_g)位置，在该两点并 列的左右两边，各生成6个辅助点，如(x_S，y_S)周围生成辅助点为：(x_S-0.5，y_S+ 0.5)、(x_S-0.5，y_S)、(x_S-0.5，y_S-0.5)、(x_S+0.5，y_S-0.5)、(x_S+0.5，y_S)、(x_S+ 0.5，y_S-0.5)六点，同理，目标点(x_g，y_g)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Data1中，得到RRELM 分类模型输入样本Data＝[(x₁，y₁)，(x₂，y₂)，…，(x_N，y_N)，(x_N+1，y_N+1)，…，(x_M，y_M)]，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

(b)连接起始点(x_S，y_S)和目标点(x_g，y_g)构建一条分割直线l，若数据 (x_j，y_j)，j＝1，2，...，M位于l左边，则分为第一类，其数据标签为-1，若数据点位于l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＝[t₁，…，t_M]^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。

(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：

Step1：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)；

随机生成隐藏节点参数(a_i，b_i)，i＝1，…，LN，a_i表示第i个隐藏节点与输入节点之间的连 接权重，b_i表示第i个隐藏节点的阈值；

Step2：计算隐藏层的输出矩阵H，其关系式如下：

$\left(\begin{array}{c}h\left(x\right)={[G(a_i,b_i,x),...,G(a_{LN},b_{LN},x)]}^T\\ H=\left(\begin{array}{c}h\left(x_1\right)\\ .\\ .\\ .\\ h\left(x_M\right)\end{array}\right)\end{array}\right)$

其中x表示输入样本，G(a_i，b_i，x)表示第i个隐藏层节点对应于输入样本x的输出， G(a_i，b_i，x)＝g(a_i·x+b_i)，其中g(·)为激励函数，本发明使用的激励函数为Sigmoid函数； h(x_M)表示第M个输入样本数据的特征空间映射；

Step3：计算输出权重β，其关系式如下：

$\beta =H^T{(\frac{I}{C}+{\mathrm{HH}}^T)}^{-1}T$

其中，H^T表示H的转置，表示的逆，T表示样本数据的标签；

Step4：则RRELM分类模型f(x)为：

$f\left(x\right)=h\left(x\right)\beta =h\left(x\right)H^T{(\frac{I}{C}+{\mathrm{HH}}^T)}^{-1}T$

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；

Step5：超平面函数满足f(x)＝0，即超平面函数为：

$h\left(x\right)H^T{(\frac{I}{C}+{\mathrm{HH}}^T)}^{-1}T=0$

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。

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：

(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-1，T_Obstacles＝[t₁，…，t_m]^T，其中m为 Data_Obstacles中的激光雷达数据点数；

(b)将Data_Obstacles和Data-Boarder一并重新赋值为Data，T_Obstacles和T_Boarder 一并重新赋值为T；

(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；

(d)同理，将动态障碍物的激光雷达数据点Data_Obstacle随机全部列为第二类，即标 识为1，T_Obstacles＝[t₁，…，t_m]^T，其中m为Data_Obstacles中的激光雷达数据点数；

(e)重复步骤(b)、(c)得到分割超平面Γ₂；

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Γ₁、Γ₂进行分析，具体步骤为：

(a)提取超平面Γ₁、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P₁、P₂；

(b)计算距离评价函数为：

$dist=\underset{k=1}{\overset{num}{\Sigma }}{D}_k$

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；

(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。

实施例1：

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10m，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。

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。

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。

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：

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(ρ_i，α_i)，其原点即为激光雷达所在位置。则t 时刻测量数据为：

Measurement_i＝{beam_i|beam_i＝(ρ_i，α_i)，1≤i≤L}

其中beam_i表示第i束射线，ρ_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)，α_i表示物体角度，L为每帧扫描的射线数，即L＝181，α_i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，(x_i，y_i)的具体表达式为：

$\left(\begin{array}{c}{x}_i={\rho }_i{\mathrm{cos\alpha }}_i={\rho }_i\cos \left(\right(i-1)\pi /180)\\ y_i={\rho }_i{\mathrm{sin\alpha }}_i={\rho }_i\sin \left(\right(i-1)\pi /180)\end{array}\right),1<i\le L$

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ROI(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。

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，具体实施方式如下：

(a)在采集测量数据时，户外机器人是处于运动状态，LMS291每周期t＝13.33ms内获取 181组数据，转换为笛卡尔坐标下的180个数据组(x_i，y_i)，即为一帧。

(b)该实施例中，户外机器人的速度为v＝10km/h，前进航向角α＝90°，激光雷达每扫 描一个周期τt，航迹推算出前进的距离d，满足d＝v*τ。在笛卡尔坐标下(x_i，y_i)偏移的距离 d_x和d_y的表达式为：

$\left(\begin{array}{c}{d}_x=dcos(\left(i-1\right)\pi /180)\\ d_y=dsin(\left(i-1\right)\pi /180)\end{array}\right)$

则第1帧的数据为(x_i1，y_i1)，第2帧的数据为(x_i2，y_i2)，绘制复合图时，第1帧数据叠放 至第2帧图上，则对应映射为(x_i21，y_i21)＝(x_i1-d_x，y_i1-d_y)；d_x和d_y是户外机器人在一个 扫描的周期时间τt内笛卡尔坐标下产生的偏移距离；

(c)重复(b)步骤，在笛卡尔坐标系下，能绘制10帧激光雷达的复合地图。此时，原点即 为当前激光雷达所在位置。

利用激光雷达采集数据绘图，可得到笛卡尔坐标系下的10帧的复合地图，本实施例中， 复合地图绘制如图3所示。

3.步骤三所对应的激光雷达地图中动态障碍物提取与可通行区域的分析，具体实例中如 下实施：

(a)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。将激光雷达相邻点和回 退最大障碍物点数maxObstaclePoint＝5的点以threshold_sef＝0.5m为距离阈值聚类；

(b)对所聚得的类，计算所含点数SegNum和笛卡尔坐标系下x值；

(c)设计一种逻辑判别方法标记障碍物与路边界点。设定最小路面范围minBoarderRange 是激光雷达点横向距离x∈(-4.5，2.2)集合，若x值在最小路面范围minBoarderRange内，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 路边界；若x方位不属于最小路面范围minBoarderRange的类，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；

(d)定义事件A：各聚类起点的x坐标值在最小路面范围minBorderRange内，真为“1”， 假为“0”；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“0”；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：

路边界-高/危障碍物逻辑判断真值表

其逻辑函数式为：

$\left(\begin{array}{c}{Y}_{Board}=A\bar{B}+\bar{A}\bar{B}=\bar{B}\\ Y_{High-riskObstacle}=AB\\ Y_{Low-riskObstacle}=\bar{A}B\end{array}\right)$

(e)运用最小二乘算法对路边界进行LSM直线拟合，计算所提取直线的特征参数，合并 距离和角度特征相似的直线。

先通过对数据进行聚类，然后对得到的类再进行逻辑推理，特征合并，即可得到动态障 碍物和可通行区域的提取。如图4所示，其中灰色区域为可通行区域，小黑点点处为动态障 碍物。

4.利用RRELM超平面函数，分割激光雷达环境信息特征点，并考虑路径规划的起始点 和目标点约束，从而获得机器人规划的局部路径。具体实施方式为：

(a)融入起始点和目标点约束，加入到超平面函数中，需要在起始点和目标点的周边形成 若干辅助数据点，并且将左边的辅助点列为class 1，右边的辅助点列为class 2，然后全部加 入到原数据中，利用RRELM进行训练得到学习模型。

本实施例中，根据可通行区域内的起始点(-5，0)和目标点(0，40)，在该两点并列的左右两 边，各生成6个辅助点：起始点s＝(-5，0)周边为s1＝(-4.5，0)、s2＝(-4.5，0.5)、 s3＝(-4.5，-0.5)、s4＝(-5.5，0)、s5＝(-5.5，0.5)、s6＝(-5.5，-0.5)，目标点g＝(0，40)周 边g1＝(-0.5，40)、g2＝(-0.5，39.5)、g3＝(-0.5，40.5)、g4＝(0.5，40)、g5＝(0.5，39.5)、 g6＝(0.5，40.5)。定义辅助点s1、s2、s3、g4、g5、g6列为class 2，即t_i＝1，辅助点s4、s5、 s6、g1、g2、g3列为class 1，即t_j＝-1，并将这12个辅助点添至RRELM训练数据中即

Data＝[(x₁，y₁)，(x₂，y₂)，…，(x_N，y_N)，(x_N+1，y_N+1)，…，(x_N+12，y_N+12)]；

(b)连接起始点与终止点，构建一条分割直线l，本实施例中l表达式为y＝8x+35，若 激光雷达数据点位于l左边，则列为class 1，即t_i＝-1，若数据点位于l右边，则列为class 2， 即t_j＝1，因此对于所有数据Data有对应的标签T＝[t₁，…，t_N+12]^T。

(c)使用RRELM对激光雷达特征点Data和分类标签T进行训练学习，设隐藏节点的输 出函数为G(a，b，x)，本实施例中，隐藏节点的个数为LN＝260，特征空间的映射函数为h(x)， 则寻求RRELM超平面的主要步骤为：

Step1：随机生成隐藏节点参数(a_i，b_i)，i＝1，…，LN.

Step2：计算隐藏层的输出矩阵H，其关系式如下：

$\left(\begin{array}{c}h\left(x\right)={[G(a_i,b_i,x),...,G(a_L,b_L,x)]}^T\\ H=\left(\begin{array}{c}h\left(x_1\right)\\ .\\ .\\ .\\ h\left(x_M\right)\end{array}\right)\end{array}\right)$

Step3：计算输出权重β，其关系式如下：

$\beta =H^T{(\frac{I}{C}+{\mathrm{HH}}^T)}^{-1}T$

Step4：则RRELM的分类模型输出函数为：

$f\left(x\right)=h\left(x\right)\beta =h\left(x\right)H^T{(\frac{I}{C}+{\mathrm{HH}}^T)}^{-1}T$

Step5：则超平面的输出函数为f(x)＝0，即

$h\left(x\right)H^T{(\frac{I}{C}+{\mathrm{HH}}^T)}^{-1}T=0$

本实施例中C＝100。为此，超平面函数为一条该经过起始点与终止点，对应的机器人局 部规划路径。综上所述：生成隐藏节点参数，计算隐藏层的输出矩阵，计算输出权重，得到 ELM的训练模型后，通过RRELM的分类模型超平面函数与起始点终止点约束的共同作用， 获取规划路径，如图5(b)所示。在实施例中，为了比较RRELM与SVM的路径规划的泛化性 与平滑度，在图5(a)中，完成了基于SVM的机器人路径规划结果。

5.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，而后， 再次利用RRELM重规划，找出对应分割超平面，完成动态局部路劲规划，实施例如下：

在实验的校园环境中，存在各种各样的移动障碍物，如行人和车辆，因为这些移动的障 碍物是不断变化的。为此，考虑动态障碍物带来的影响。本发明中将动态障碍物视为一种扰 动，并且对动态障碍物的数据标签进行随机分类，即随机标记为class 1或class 2，将动态障 碍激光雷达数据重新加入到原始数据中。再次，利用RRELM进行重规划对应的分割超平面。 具体步骤如下：

(a)将动态障碍物的激光雷达数据点全部提取，记为Data_Obstacles，本实施中 Data_Obstacles(8×2维矩阵)。将Data中剩余数据点记为Data_Boarder(170×2维矩阵)，标 签为T_Boarder(170×1维矩阵)，并将Data_Obstacles的数据点随机全部列为class 1类，即t 均记为-1，T_Obstacles＝[t₁，…，t_m]^T，其中m为Data_Obstacles中的激光雷达数据点数， 本实施例中m＝8，如图6所示。

(b)将Data_Obstacles(8×2维矩阵)和Data-Boarder(170×2维矩阵)合并为Data_All(178 ×2维矩阵)，同时将T_Obstacles(8×1维矩阵)和T_Boarder(170×1维矩阵)合并为T(178×1 维矩阵)；

(c)利用Data_All和T数据对RRELM进行重训练学习，可得分割超平面对应的规划路 径Γ₁；

(d)同理，将动态障碍物的激光雷达数据点Data_Obstacle随机全部列为class 2类，即 t均记为1，T_Obstacles＝[t₁，…，t_m]^T，本实施例中m＝8。

(e)重复(b)、(c)步骤得到分割超平面对应的规划路径Γ₂；

6.针对动态障碍物重规划的超平面进行提取分析，完成由起始点至目标点约束的对应路 径，并利用距离评估函数估价出一条最优路径，具体实施过程如下：

(a)提取超平面Γ₁、Γ₂上位于起始点与目标点之间每一步离散路径数据点，记为 Data_hyperplane，加上起始点和目标点的首尾连接，获取对应的规划路径P₁、P₂；

(b)计算距离评价函数为：

$dist=\underset{k=1}{\overset{num}{\Sigma }}{D}_k$

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。本实施例中，本实施例中，图7(a)中的num＝119，图7(b)中的 num＝147，图7中倒三角符号标出的为突发动态障碍物；

(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。本实施例中，图7(a) 规划的路径长为31.3082m，图7(b)规划的路径长为35.9445m，根据dist评估函数选择图7(a) 规划的路径作为最终路径。

通过实验表明，本发明方法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。并将动态障碍物作为一种随机扰动，实现快 速绕避，并能选择最优的可行路径。