以IHDR为核心的物流机器人自适应导航算法

广东工贸职业技术学院 孙涛 王朝辉 周佳杰

以学习或知识为基础建立的机器人认知机制正面临着普适性、智能性及服务性差的挑战，物流机器人的自适应导航性能标志着划时代的技术大变革和进步，对于机器人认知准确性、避障能力的提升功不可没。文章以增量分层判别回归算法（IHDR）为核心，将阐述其在物流机器人自适应导航中的技术构成、具体实现方法，并通过静态、动态两种环境下的仿真试验，校检物流机器人自适应导航算法的可行性，以充实物流机器人领域的技术体系。

完善的自适应导航环境，是物流机器人在操作中正确完成避障，在未知环境下有序作业的前提条件[1]。传统的机器人导航算法涵盖人工势场法、遗传算法等，这些算法按照技术方案的不同，支持全局性和局部的路径规划。随着物流工业的发展推进，移动互联网、人工智能、机器学习等技术相继在“互联网+物流”潮流中渗透，人们对物流工业的需求趋于智能化、生态化[2]。物流机器人自适应导航算法对技术条件也提出了较高的要求，传统的技术已不适用于现实需求，局限性也日益凸显，主要体现在技术应用范围窄，适应能力差，仅可适合简单的环境，对于复杂、多变的环境欠缺应用价值。IHDR算法具有自主学习、便捷化导航性等特点，计算效率高，且适应新环境的能力强，对于物流机器人自适应导航技术的研究与应用有着宝贵的意义[3]。

1 IHDR算法的原理、关键技术

IHDR算法即增量式分层判别回归算法，基本思想为：以IHDR原理将不纯的数据集，经过整理归纳后划分为N个较纯的子样本集。在输入某个样本数据时，首先判断其在子样本集中的归属，再判断与当前样本相接近的子样本集，便可以获得当前样本对应的输出动作向量，算法的核心技术涉及样本集划分、子空间划分、子集划分、检索分析等[4]。

1.1 IHDR算法的样本集划分

采用双聚类策略划分子集，即在获取数据过程中，每个数据和一个指示类别或某一个指示动作对应，输出、输入两者之间为分别对应、相互补充的关系[5]。针对输入数据来说，输出的指示信息较小，可在Y-Space上聚类分析，并在X-Space中验证，可实现已有样本数据有效、快速的划分。

1.2 IHDR算法的子空间划分

样本空间内通常无法一次完成划分，在应用中往往仅能得到目前时刻t所对应的数据，可将子空间的划分过程假设为动态环境，设在IHDR树中进行样本的持续添加，样本会在子数据集中自动划分，若子数据集中的样本数量高于设定的阀值ns，可把子数据集进行整理，将其划分为q个子数据集，依次顺序，通过增量式的方法数据集可转化为M个子样本集[6]。

1.3 IHDR算法的子集划分

如何将样本划分到对应的子集，是IHDR算法应当思考的问题。在划分过程中，重点找寻子样本集的中心，由于一个样本归属于某个子样本集，则该样本相应地，和样本集的中心较为贴近，仅需判断子样本集中心距离最近的样本，即可对样本进行快捷的子样本集划分。

1.4 IHDR算法的检索分析

无论是在节点对应样本集中进行的样本比对，还是在样本与聚类子中心间的比对，比对的样本数据和性能间有着密不可分的关系，可把样本投影到待判别的特征空间，利用特征空间的优势实施比对分析[7]。特征空间运用CCIPCA算法比对，通过对当前样本空间对应判别的特征空间进行可增量式的评估，在特征空间内进行样本的投影。针对常规的节点，各个节点均建立负对数似然模型，判定当前样本属于各聚类子中心的概率。因此，在建立的IHDR树中，各个节点都会对应一个统计模型，各个节点可对应一个子样本集。在展示结果时，对于未经处理的数据采用IHDR进行分类处理，即可增强对问题的识别率。

2 物流机器人IHDR自适应导航算法实现方案

运用上述IHDR自适应导航算法的关键技术，文章将基于IHDR建立自适应导航框架、知识库表示方法，设计适用于物流机器人的导航规划方法[8]。

2.1 基于IHDR算法的自适应导航框架

采用IHDR原理，根据物流机器人路径规划、避障需求，设计自适应导航框架，主要由知识学习模块、内容检索模块、知识更新模块三个部分组成[9-10]。知识学习模块的目的在于，经过样本的学习，借鉴以往的经验，将之内化为知识的形式，在IHDR树节点中添加。当机器人处于在线运行状态时，结合物流机器人的本体状态、环境状态，可在现有的知识库中检索决策量信息。若决策量信息判断无效，可重新启动基本路径规划算法，帮助物流机器人在运行中提供路径导航所需的决策量，不仅可以将决策的结果反馈给知识库，以供知识库的参数更新，还可为机器人的行为输出提供参考。若决策量有效，则可以充当物流机器人的行为直接输出。该框架和常规知识学习的区别在于，采用在线更新方式，与物流机器人的路径规划动态保持同步，以使机器人获得及时的运行数据支持。

2.2 IHDR算法知识库表示方法

IHDR算法增量学习过程体现了某种映射机制，这种映射的表达式为[11]：

在表达式中，X代表当前的状态，为输入端，由自身所处的环境状态和物流机器人的运行状态两个部分组成。它以相对量表示，在相对速度空间有着适用性。Y为输出端，表示物流机器人在下一阶段采用的规划量，输入、输出两者的表达式为：

在输入、输出两个表达式中，VA代表物流机器人目前的速度，VAG代表物流机器人目前和目标间的相对速度，VA00代表物流机器人目前和第0个障碍物的相对速度，LAG代表物流机器人目前与目标的相对坐标，LA00代表物流机器人目前和第0个障碍物的相对速度，R01代表第0个障碍物对物流机器人作业的威胁半径，△VA代表物流机器人在下一阶段即将采取的加速度[12]。以两个表达式的运算为依据，构建IHDR树型结构，树型结构的学习原理为：设S=（X，Y）为需要学习的新样本，即率先从IHDR树的根节入手学习，之后以节点的子节点为范围，在其中找寻和新样本状态X接近的中心区域。以找到的该节点为中心继续搜索，直至确定叶子的节点。之后对叶子节点的类别中心均值、方差进行更新。对物流机器人的规划量进行持续的调整和优化[13]。

3 以IHDR为核心的物流机器人自适应导航算法仿真试验

3.1 物流机器人自适应导航静态环境仿真分析

采用IHDR算法设计的自适应导航算法，基于自主学习框架结合建立的知识库，在静态环境下配置Visual Studio2008简体中文版，硬件要求为：内存≥768MB，可用磁盘空间2.2GB，CPU1.6GHZ，分辨率1024×768，附带DVD-ROM驱动器，在Windows7环境下完成试验。假设物流机器人周边环境中有4个障碍物，分别记为0b1、0b2、0b3、0b4，要求物流机器人避开4个静态障碍物，运动路线为由起始点到目标点T，运行参数如表1所示[14-15]：

表1 静态障碍物物流机器人仿真分析三维参数Tab.1 Three-dimensional parameters of static obstacle logistics robot simulation analysis

运用上述三维参数，对IHDR算法为核心的自适应导航算法进行运算分析，结果如表2所示：

表2 静态环境下物流机器人仿真结果Tab.2 Simulation results of logistics robots in static environment

经IHDR算法反复运行10次，平均避障的总时间达到了150ms，平均路径的总长度为6500m，检索成功的比例为38/59，单次规划的平均时长为2.58ms，经测试，该方法用于物流机器人的路径规划和导航有着较高的效率[16]。

3.2 物流机器人自适应导航静态环境仿真分析

考虑到单一的静态环境下物流机器人自适应导航算法无法全面体现算法成效的特点，文章引入了动态环境法下的物流机器人仿真试验，试验所用的计算机硬件同静态仿真[17]。在三维参数选择上，动态仿真仅修改4个障碍物的初始运行速度。假设物流机器人运行中有着4个障碍物，初始状态条件下障碍物对物流机器人的运行路线造成了堵塞。动态仿真时，物流机器人必须绕过4个目标障碍物方可保持既定的操作路线。动态仿真环境的三维参数及仿真试验结果如表3和表4所示：

表3 动态环境下的物流机器人仿真分析三维参数Tab.3 3D parameters of logistics robot simulation analysis in dynamic environment

表4 动态环境下物流机器人仿真分析结果Tab.4 Simulation analysis results of logistics robots in a dynamic environment

动态环境下物流机器人单次路径规划用时低，综合静态仿真结果，以IHDR为核心的物流机器人自适应导航算法在应用中有着良好的适用性。

4 结论

物流机器人自适应导航研究的问题在于，在给定的机器人运动构型、初始构型中，可以运算出一条连续并可以满足不同状态下环境约束的途径，让机器人可以沿着自主导航规定的路线，自初始点运行到目标点位终止。提供成熟的三维空间路径规划，能够支撑物流机器人技术向精细化、专业化方向发展。以IHDR为核心的物流机器人自适应导航算法，适应了物流机器人领域的技术研发需求，通过传感器数据感知环境信息，可进行数据研判，运用构建的知识库修订偏差，健全物流机器人自适应导航算法的流程和思路，从而对物流机器人的速度、位移数据进行合理的掌握，以不断提升物流机器人自适应导航的精度。