移动机器人路径规划方法
1.1路径规划方法
路径规划技术是机器人研究领域中的一个重要课题，是机器人导航中最重要的任务之一,国外文献常将其称为Path Planning,Find-PathProblem,Collision-Free,ObstacleAvoidance, MotionPlanning,etc.所谓机器人的最优路径规划问题，就是依据某个或某些优化准则(如工作代价最小、行走路线最短、行走时间最短等)，在其工作空间中找到一条从起始状态到目标状态的能避开障碍物的最优路径。
路径规划主要涉及的问题包括：利用获得的移动机器人环境信息建立较为合理的模型，再用某种算法寻找一条从起始状态到目标状态的最优或近似最优的无碰撞路径；能够处理环境模型中的不确定因素和路径跟踪中出现的误差，使外界物体对机器人的影响降到最小；如何利用已知的所有信息来引导机器人的动作，从而得到相对更优的行为决策。
这其中的根本问题是世界模型的表达和搜寻策略。
障碍物在环境中的不同分布情况当然直接影响到规划的路径，而目标位置的确定则是由更高一级的任务分解模块提供的[8]。
根据机器人对环境信息掌握的程度和障碍物运动状态的不同，移动机器人的路径规划基本上可分为以下四类:①已知环境下的对静态障碍物的路径规划;②未知环境下的对静态障碍物的路径规划;③已
知环境下对动态障碍物的路径规划;④未知环境下对动态障碍物的路径规划。
因此根据机器人对环境信息掌握的程度不同，可将机器人的路径规划问题可分为二大类即：基于环境先验信息的全局路径规划问题和基于不确定环境的局部路径规划问题。
目前，路径规划研究方法大概可分为两大类即：传统方法和智能方法。
1.2传统路径规划方法
传统的路径规划方法主要包括：可视图法(V-Graph)、自由空间法(Free Space Approach)、人工势场法（Artificial Potential Field）和栅格法(Grids)等。
⑴可视图法（V-Graph）
可视图法是Nilsson1968年在文献[9]中首次提出。
可视图法将移动机器人视为一点，将机器人起始点、目标点和多边形障碍物的各定点组合连接，保证这些直线不与障碍物相交，这就构成了一张无向图称为可视图。
由于任意两条直线的定点都是可见的，从起点沿着这些直线到达目标点的路线都是无碰撞的。
于是，搜索最优路径的问题就转化为从起始点到目标点经过这些可视直线的最短距离问题。
这种方法的优点是可以得到最优路径，但缺陷是环境特征的提取比较困难，缺乏灵活性，一般需要机器人停止在障碍物前搜集传感器数据，并且传感器的精度对其影响也较大，尤其在复杂的非规整环境下更加难以实现安全无碰撞的路径规划。
⑵自由空间法（Free Space Approach）
自由空间法[10,11]的基本思想是采用预先定义的基本形状(如广义锥形，凸多边形等)构造自由空间，并将自由空间表示为连通图，然后通过对图的搜索来规划路径，其算法的复杂度往往与障碍物的个数成正比。
首先，指定机器人在环境中的安全位置，将机器人简化为一个点，同时“膨胀”障碍物的尺寸，从而形成一个虚拟的障碍空间，这样就将机器人与障碍物的尺寸约束关系转化到另一个虚拟数据空间，简化了问题。
然后，寻找从起始位置到目标位置的最短路径就可以得到机器人的最短安全路径。
自由空间的优点是比较灵活，机器人的起始点和目标点的改变不会造成连通图的重新构造，缺点为当障碍物增加时，其运算复杂度会相应地增大，可能在有限的时间内找不到最优路径。
⑶人工势场法（Artificial Potential Field）
人工势场法[12]最初由Khatib提出，其基本思想是引入一个称为势场的数值函数来描述机器人空间的几何结构，通过搜索势场的下降方向来完成运动规划。
人工势场法结构简单，便于低层的实时控制，在实时避障和平滑的轨迹控制方面，得到了广泛的应用，但对存在局部最优解的问题，容易产生死锁现象(DeadLock)，因而可能使机器人在到达目标点之前就停留在局部最优点；
⑷栅格法（Grids）
栅格法[13]是W.E.Howden于1968年提出的，栅格法用大小相等的矩形栅格表示环境，并对环境中的自由空间与障碍空间进行划分，于
是，路径规划问题就转化为在栅格地图上学找最优路径的问题。
栅格法以栅格为单位记录环境信息，栅格大小对环境信息存储量的大小和规划时间的长短有着重要影响，栅格划分大了，环境信息存储量小，规划时间短，但分辨率就低；反之，虽然分辨率高了，但规划时间长。
可以看出，栅格粒度越小，障碍物的示会越精确，但同时会占用大量的存储空间，算法的搜索范围将按指数增加。
栅格的粒度太大，规划的路径会很不精确。
所以栅格粒度大小的确定，是栅格法中的主要问题。
栅格法的特点是简单和易于实现，易于扩展到三维环境。
它的缺点是对工作区域的大小有一定的要求，如果区域太大，将使栅格的数量急剧增加，使搜索存在组合爆炸的问题。
小结：综上介绍的四种方法中，可视图法、自由空间法、栅格法为全局路径规划方法，首先根据已知环境用不同的方法建立数学模型，然后利用相应的搜索算法寻找最优路径。
常用的搜索算法有：随机搜索法、梯度法、枚举法、A*等图搜索方法。
这些方法中随机搜索法则计算效率太低，梯度法易陷入局部最小点，而枚举法、图搜索方法不能用于高维的优化问题。
人工势场法既可以用于全局路径规划也可用于局部路径规划。
1.3智能路径规划方法
近年来，随着遗传算法、神经网络等智能算法的广泛应用，智能机器人的路径规划方法也有了长足的进步。
其中应用较多的智能方法
主要有模糊逻辑算法（Fuzzy Logic Algorithm）、神经网络（Neural networks）和遗传算法（Genetic Algorthm）。
⑴模糊逻辑算法（Fuzzy Logic Algorithm）
模糊逻辑算法通过模拟驾驶员的驾驶思想，将模糊控制本身具备的鲁棒性同基于生理学上的“感知—动作”行为相结合，为移动机器人在未知环境或者不确定环境中的导航和路径规划提供了一个新的思路。
模糊控制器的设计通常包括四个步骤：模糊化过程、规则库的建立、模糊推理以及解模糊化[14]。
由于模糊逻辑控制具有符合人类思维的习惯，不需要建立精确的数学模型，易于将专家知识直接转换为控制信号等优点，已成为移动机器人导航的一种重要方法。
在用模糊控制的方法规划机器人路径时，往往要对机器人自身带的传感器获取信息进行模糊化处理。
模糊逻辑算法的优点是算法直观，容易实现，能够方便人的经验融合到算法当中，计算量不大，能满足实时性的要求。
缺点是：当环境很复杂时，总结出的规则难以面面俱到，很难构造出比较全面的知识库,缺乏泛化的能力[15,16]。
⑵神经网络算法（Neural networks）
人工神经网络是由大量简单的神经元相互连接而形成的自适应非线性动态系统。
人工神经网络的研究可以追溯到本世纪40 年代, 1943 年心理学家W. MeCulloch 和数学家W. P it ts 首次提出神经元的数学模型即M P 模型[17]。
神经网络法的基本原理是将环境障碍等作为神经网络的输入层信息，经由神经网络并行处理，神经网络输
出层输出期望的转向角和速度等，引导机器人避障行驶，直至到达目的地。
神经网络具备以下几个特点：①并行处理性，处理速度快。
②信息分布式存储，信息具有容错性和全息性。
③自适应和自组织性。
④层次性。
神经网络算法的优点是其并行处理效率高，具有学习功能，能收敛到最优路径，机器人能够实现较好的自主导航。
但当障碍物较多，网络规模往往庞大，使得实际中难应用[18]。
⑶遗传算法（Genetic Algorthm）
遗传算法的基本思想是基于Darwin 的进化论和Mendel 的遗传学说。
该算法由密执安大学教授Holand 及其学生于1975 年创建。
它是一种借鉴生物界自然选择和进化机制发展起来的高度并行、随机、自适应搜索算法。
遗传算法采用群体搜索技术，通过选择、交叉和变异等一系列遗传操作，使种群得以进化，避免了困难的理论推导，直接获得问题的最优解。
算法的基本思想是：将路径个体表达为路径中一系列中途点，并转换为二进制串，首先初始化路径群体，然后进行遗传操作，如选择、交叉、复制、变异，经过若干代进化以后，停止进化，输出当前最优个体[19]。
遗传算法能过在不同区域的解空间中不断搜索，能够避免了陷入局部极小解的情况，更有可能得到全局最优的路径。
但在传统遗传算法在处理复杂的、多目标、多变量优化问题时，往往存在早熟或收敛慢的问题。
小结：以上介绍的三种智能规划方法都可以用于移动机器人在未
知环境的局部路径规划问题。
适当的将遗传算法、模糊逻辑以及神经网络等方法相结合，可以组成新的智能型路径规划方法，从而提高机器人路径规划的避障精度，加快规划速度，满足实际应用的需要。
1.4本章小结
本章主要介绍了移动机器人路径规划的一些常用方法及分类，着重叙述了常用路径规划算法的思想。
同时，分析了不同方法的优势与局限性。
因此，在理论研究中应该进一步努力完善和改进算法；在实际应用中，应根据实际情况选择适当的路径规划方法，更好的发挥不同算法的优势。