近年來(lái)，隨著遺傳算法、神經(jīng)網(wǎng)絡(luò)等智能方法的廣泛應(yīng)用，智能導(dǎo)覽機(jī)器人路徑規(guī)劃方法也有了長(zhǎng)足的進(jìn)展，許多研究者把目光漸漸放到了基于智能方法 的路徑規(guī)劃研究上。其中，應(yīng)用較多的算法主要有模糊邏輯方法、神經(jīng)網(wǎng)絡(luò)和 遺傳算法。

1)模糊邏輯方法

模糊邏輯方法是在線(xiàn)規(guī)劃中通常采用的一種規(guī)劃方法，包括建模和局部規(guī)劃。有關(guān)的文獻(xiàn)中提出了一種模糊概念的動(dòng)態(tài)環(huán)境模型，把各個(gè)物體的運(yùn)動(dòng)狀態(tài)用模糊集的概念(即運(yùn)動(dòng)平面上的二維隸屬函數(shù)) 來(lái)表達(dá)，每個(gè)物體的隸屬函數(shù)包含該物體當(dāng)前位置、速度大小和速度方向等信 息，然后通過(guò)模糊綜合評(píng)價(jià)對(duì)各個(gè)方向進(jìn)行綜合考察得到搜索結(jié)果。但是，這 種方法需要知道運(yùn)動(dòng)障礙物的速度大小和速度方向，這在實(shí)際應(yīng)用中是很難做到的。

有的學(xué)者提出了一種在未知環(huán)境下智能機(jī)器人的模糊控制算法。它把障 礙物信息分成三個(gè)方向，分別是正前方、左前方和右前方。行為和推理規(guī)則的 輸入變量設(shè)為四個(gè)，分別為智能機(jī)器人預(yù)定的目的地方向，智能機(jī)器人前進(jìn)方向的左、中、右三面的障礙物狀態(tài)，而從這些條件推出模糊推理的兩個(gè)輸出分 別為智能機(jī)器人的速度和方向控制。由于變量被模糊化后，它們的取值被限 定在一個(gè)范圍內(nèi)，并且這些變量是障礙物或者目標(biāo)相對(duì)于智能機(jī)器人當(dāng)前位 置的取值，而不是在移動(dòng)環(huán)境中相對(duì)于起點(diǎn)的絕對(duì)值，因此用這種算法時(shí)智能機(jī)器人對(duì)定位精度不敏感，從而提高了路徑規(guī)劃算法的魯棒性，但同時(shí)也看 到，它在地圖的建立、修改以及路徑規(guī)劃方面還是有一定的問(wèn)題。

2)神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)所具有的基本特點(diǎn)如下：

(1)并行處理性。神經(jīng)網(wǎng)絡(luò)采用大規(guī)模的并行處理方式，處理速度快。

(2)信息方式存儲(chǔ)。信息具有容錯(cuò)性和全息性。

(3)自適應(yīng)和自組織性。

(4)層次性。由于神經(jīng)網(wǎng)絡(luò)一般具有多層結(jié)構(gòu)，可以使功能得到極大的 增強(qiáng)。

現(xiàn)在基于神經(jīng)網(wǎng)絡(luò)進(jìn)行路徑規(guī)劃的研究越來(lái)越多。 一些文獻(xiàn)提出了一種 基于神經(jīng)網(wǎng)絡(luò)的智能機(jī)器人路徑規(guī)劃算法，該方法研究了障礙物形狀是矩形 并且能用函數(shù)來(lái)描述其邊界和位置已知情況下的智能機(jī)器人路徑規(guī)劃算法。 通過(guò)計(jì)算地圖中某個(gè)點(diǎn)是否落在障礙物矩形范圍中確定這個(gè)點(diǎn)是否為障礙物 點(diǎn)，其能量函數(shù)的定義利用了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，根據(jù)路徑點(diǎn)位于障礙物內(nèi)外的不同位置獲取不同的動(dòng)態(tài)運(yùn)動(dòng)方程，規(guī)劃出的路徑達(dá)到了折線(xiàn)形的Z短無(wú)碰路 徑，計(jì)算簡(jiǎn)單，收斂速度快。

空間點(diǎn)碰撞罰函數(shù)具有如下特點(diǎn)：在障礙物中心處的空間點(diǎn)的碰撞罰函 數(shù)具有Z大值；隨著空間點(diǎn)與障礙物中心距離的增大，其碰撞罰函數(shù)的值逐漸減小，且為單調(diào)連續(xù)變化；在障礙物區(qū)域外的空間點(diǎn)其碰撞罰函數(shù)的值近似為 0。經(jīng)分析可知，路徑點(diǎn)越遠(yuǎn)離障礙物，能量函數(shù)E 越��；路徑的長(zhǎng)度越短，能 量函數(shù)E 也越小。因此，要使整個(gè)能量函數(shù)E Z小，便使該路徑盡可能地遠(yuǎn)離障礙物，不與障礙物相撞，并且使路徑的長(zhǎng)度盡量短，得到一條Z優(yōu)路徑。

3)遺傳算法

遺傳算法是目前智能機(jī)器人路徑規(guī)劃研究中應(yīng)用較多的一 種方法。無(wú)論是單個(gè)智能機(jī)器人靜態(tài)工作空間，還是多個(gè)智能機(jī)器人動(dòng)態(tài)動(dòng) 作空間，遺傳算法及其派生算法都取得了良好的路徑規(guī)劃結(jié)果。在一些文獻(xiàn)中，用遺傳算法完成了離散空間中智能機(jī)器人的路徑規(guī)劃，并且獲得了較好的 仿真結(jié)果。該方法采用柵格法對(duì)智能機(jī)器人工作空間進(jìn)行劃分，用序號(hào)標(biāo)識(shí) 柵格，并且以此序號(hào)作為智能機(jī)器人路徑規(guī)劃的參數(shù)編碼，應(yīng)用遺傳算法對(duì)智 能機(jī)器人路徑規(guī)劃進(jìn)行研究。但是，可以看到，該路徑規(guī)劃是基于確定環(huán)境模 型的，即工作空間中的障礙物位置是已知的、確定的。Kazuo Sugihara和 John Smith 在采用離散空間進(jìn)行路徑規(guī)劃的同時(shí)，將問(wèn)題更深入化，柵格序號(hào)采用 二進(jìn)制編碼，統(tǒng)一確定其個(gè)體長(zhǎng)度、隨機(jī)產(chǎn)生障礙物位置及數(shù)目，并且在搜索 到Z優(yōu)路徑后，再在環(huán)境空間中隨機(jī)插入障礙物，模擬環(huán)境變化，通過(guò)仿真結(jié) 果驗(yàn)證了該算法的有效性和可行性。但是，規(guī)劃空間柵格法建模還存在缺陷： 若柵格劃分過(guò)粗，則規(guī)劃精度較低；若規(guī)格劃分太細(xì)，則數(shù)據(jù)量又會(huì)太大。

4)動(dòng)態(tài)規(guī)劃法

前面總結(jié)了許多路徑規(guī)劃方面的知識(shí)和技術(shù)，這里面還 有一個(gè)不得不提的重要概念，那就是動(dòng)態(tài)規(guī)劃，這個(gè)概念對(duì)于后面的路徑規(guī)劃 方法有著很重要的指導(dǎo)意義。動(dòng)態(tài)規(guī)劃法是解決多階段決策優(yōu)化問(wèn)題的一種 數(shù)值方法。1951年，美國(guó)學(xué)者貝爾曼等人針對(duì)一類(lèi)多階段決策問(wèn)題的特性，提 出了解決這類(lèi)問(wèn)題的“Z優(yōu)化方法”,即動(dòng)態(tài)規(guī)劃算法。動(dòng)態(tài)規(guī)劃算法將復(fù)雜 的多變量決策問(wèn)題進(jìn)行分段決策，從而將其轉(zhuǎn)換為多個(gè)單變量的決策問(wèn)題。 動(dòng)態(tài)規(guī)劃的基本原理可以表述為：作為整個(gè)過(guò)程的Z優(yōu)決策應(yīng)該具有這樣的 性質(zhì)，即無(wú)論過(guò)去的狀態(tài)或者決策如何，對(duì)于當(dāng)前決策所形成的狀態(tài)而言，后 續(xù)的決策必定構(gòu)成Z優(yōu)策略。Jerome Barraquand等人以經(jīng)典的動(dòng)態(tài)規(guī)劃方法 為基礎(chǔ)，對(duì)全局路徑規(guī)劃問(wèn)題進(jìn)行了研究。結(jié)論表明，動(dòng)態(tài)規(guī)劃算法非常適合 于動(dòng)態(tài)環(huán)境下的路徑規(guī)劃。如何改進(jìn)動(dòng)態(tài)規(guī)劃的算法以提高計(jì)算效率，是當(dāng) 前動(dòng)態(tài)規(guī)劃研究的一項(xiàng)重要內(nèi)容。