機器人運動路徑規劃的性能指標包括：實時性、安全性和可達性等。在動態環境中，由于環境信息是時刻變化的，如果移動機器人實時性差，滯后于動態環境，就可能會導致避障失敗。安全性和可達性也很重要。一個性能指標不好的方法，即使它能使移動機器人走出完美的軌跡，也將被淘汰。而有些方法沒有高深的理論，但計算簡單，實時性、安全性好，則有存在的空間。如何使性能指標更好是各種算法研究的一個重要方向。

智能化移動機器人路徑規劃主要包括模糊控制、神經網絡、遺傳算法以及它們的相互結合等方法。智能化方法能模擬人的經驗，逼近非線性，具有自組織、自學習功能并且具有一定的容錯能力。這些方法應用于路徑規劃會使移動機器人在動態環境中更靈活，更具智能化。

移動機器人的多傳感器信息融合也是當今一個比較活躍的研究領域。移動機器人在動態環境中進行路徑規劃所需信息都是從傳感器得來。單傳感器難以保證輸入信息準確與可靠。多傳感器所獲得信息具有冗余性，互補性，實時性和低代價性，且可以快速并行分析現場環境。具體方法有采用概率方法表示信息的加權平均法，貝葉斯估計法，多貝葉斯法，卡爾曼濾波法，統計決策理論法。有采用命題方法表示信息的D-S證據推理，模糊邏輯，產生式規則，還有仿效生物神經網絡的信息處理方法，人工神經網絡法等。

基于行為的路徑規劃方法是一種自底向上的構建系統方法，即把路徑規劃分解成一系列相對獨立的小系統，在運行狀態下通過競爭機制取得控制機器人的主導權，并在與環境交互作用中最終達到目標。基于功能/行為的機器人控制結構融合了兩者優點，既有基于功能控制結構的必要理性，又有基于行為控制結構的快速響應。

1 移動機器人路徑規劃技術的分類
按照機器人對周圍環境信息的識別與對信息的掌握程度以及對不同種類障礙物的識別進行分類，可將機器人路徑規劃分成四類：第一類，在已知的比較熟悉的環境中，根據靜態障礙物的位置對移動機器人的路徑進行規劃；第二類，在未知的比較陌生的環境中根據靜態障礙物的位置對移動機器人的路徑進行規劃；第三類，在已知的比較熟悉的環境中，根據動態障礙物的運行狀態對移動機器人的路徑進行規劃；第四類，在未知的比較陌生的環境中，根據動態障礙物的運行狀態對移動機器人的路徑進行規劃。根據機器人對周圍環境的掌握能力不同，可以對路徑規劃技術進行劃分，第一類是在對周圍環境信息已經驗證的基礎上對移動機器人的的路徑進行規劃，所規劃的路徑為全局路徑；第二類是基于傳感器信息的基礎上對機器人的路徑進行規劃，規劃的路徑為局部路徑[1]。移動機器人的路徑規劃方法一般可以劃分成兩大類型，即傳統方法與智能方法。
2 全局路徑規劃方法
2.1 拓撲法
該路徑規劃的方法主要就是把所規劃的空間進行分割，并形成具有拓撲特點的子空間，同時構建拓撲網絡，并在其中探索出起點至終點的詳細拓撲路徑，然后根據拓撲路徑的路徑規劃得到最終需要的幾何路徑。拓撲路徑的規劃方法是以降維法為主要依據，也就是，將高維的比較復雜的空間幾何路徑求法轉化為低維的比較簡單的拓撲空間的辨別連通方法。這種方法的最明顯優勢就是對拓撲特點進行充分利用，進而有效地減小實際搜索的空間范圍[2]。而其算法的復雜程度則只是同障礙物數目有較大關系，所以，最主要的問題就是在障礙物數量增加的情況下，采取合理措施對已有拓撲網絡進行修正，并實現圖形速度提升的目的。
2.2 可視圖法
這種路徑規劃的方法就是將機器人看做是一個點，然后進行合理組合，并將機器人與目標點、多邊形障礙物的各頂點相連。在連接點的過程中，需要保證直線可視，也就是目標點與多邊形障礙物的各頂點以及各個障礙物頂點間的連線不能穿越障礙物。通過這種方式能夠有效的將搜索最優路徑轉化為由起點到目標點間的可視直線的最短距離。使用優化算法，既可以簡化視圖，又可以減少搜索需要的時間。這種方法最大的好處就是可以有效的縮短路徑，但是在計算上忽略了機器人自身的尺寸，這在實際操作中，當機器人經過障礙物時極容易與障礙物的距離過近或者發生碰觸，會延長搜索的時間。這種情況并不是不可控制的，適當的應用切線圖和Voronoi圖能夠對可視圖的方法進行完善[3]。切線圖是將障礙物切線使用弧來表示，通過弧來表示就可以使機器人在起點到目標點最短路徑行走時，只是接近障礙物不會碰觸到障礙物。但是，這個方法也存在一定的不足，就是如果在控制的過程中位置設置出現偏差，就會使機器人與障礙物發生碰撞。Voronoi圖的應用原理是用遠離障礙物的路徑表示弧，這種表示方式會使路徑的距離增加，位置的誤差也會加大，但是這種方式會減少機器人與障礙物發生碰撞的幾率。
2.3 柵格法
柵格法是將機器人運行的環境進行劃分，將整個環境劃分成網格單元，而且在機器人運行的空間內，障礙物的位置和尺寸保持不變，在機器人實際工作中，障礙物也不會發生變化。柵格的尺寸大小都相同，通過柵格來對機器人的二維工作空間進行劃分，如果一個柵格內沒有障礙物，那么就可以將這個柵格當做自由柵格；如果一個柵格內存在障礙物，那么這個柵格就是障礙柵格。在柵格中，自由空間與障礙物都是由柵格塊的集成來表示，對障礙物柵格和自由柵格有兩種標記方式：直角坐標法和序號法。一般情況下，機器人工作的環境是用四叉樹與八叉樹來表示，然后使用優化算法搜索出最優路徑。這種方法是將柵格作為計算單位對環境信息進行記錄，柵格的粒度越小就可以更精確地表示障礙物，但是，這樣會占據較大存儲空間，同樣會增加算法范圍搜索的指數。然而，柵格粒度過大，其路徑的規劃就不會精確。由此看來，柵格粒度的大小確定是該方法重要的考慮內容。
3 局部路徑規劃方法
3.1 人工勢場法
該方法是一種虛擬力法，是將移動機器人在環境中的運動模擬成人工受力場的運動。在這個運動過程中，障礙物和移動機器人之間產生力視為斥力，將障礙物與目標點間產生的力視為引力。當利用算法來使這兩種力周圍產生勢以后，移動機器人就會受抽象力作用，實現繞過障礙物行走的目的。人工勢場的方法，其內部結構簡單，而且能夠更好地控制低層，因此被廣泛應用在避障與平滑軌跡控制中。由于局部最優解始終存在，使得死鎖現象頻繁出現，進而導致移動機器人還未到達局部最優點就會停止行走。為了有效地解決上述問題，就需要對算法進行完善。對勢場方程的定義進行合理的優化，這樣能夠有效的消除勢場中局部極值[4]。
3.2 遺傳算法
遺傳算法需要保證適應度的函數必須為正，不要求函數可導或者連續。此外，這種方法屬于并行算法，這就使得在全局搜索中能夠應用其自身的隱并行性。應用遺傳算法大部分的優化算法都能夠進行單點搜索，這就能夠使計算很容易進入到局部最優中。但是遺傳算法屬于多點搜索算法，這樣很容易算出全局的最優解。
3.3 神經網絡法
神經網絡方法是通過感知空間進而執行行為空間。但是，要想使用數學方程來將此映射關系表示出來具有一定的難度，然而，使用神經網絡方法就可以表示出來。把傳感器數據當作網絡輸入，可以將人對其期望運動的方向確定當作網絡輸出。這樣原始樣本集就可以用一組數據來表示，對重復和宏圖的樣本進行處理，就可以得到最終的樣本集[5]。
4 機器人路徑規劃技術的未來展望
移動機器人的路徑規劃技術主要是通過計算機、傳感器以及控制技術來完成，隨著科技的不斷進步，新型的算法也會越來越多，所以機器人的路徑規劃技術也會不斷的得到完善。但是，在未來的研究過程中，還需要不斷提高其路徑規劃的性能指標，并實現多移動機器人系統的路徑規劃。還應該在路徑規劃中適當地融入多傳感器的信息，將更多的精力放在對移動機器人的路徑規劃上，開發出更多的計算方法，從而促進移動機器人路徑規劃技術的發展和完善。
5 結束語

綜上所述，移動機器人路徑規劃技術已經取得了可觀的成績，但是，在其全局路徑與局部路徑規劃方法中仍然存在諸多不足之處，并且還未研究出能夠適用于所有場合的方法。所以，需要在其路徑規劃技術方面深入研究，進而推動該技術的進一步發展。

查看更多相似文章