近年來，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)覽機器人路徑規(guī)劃方法也有了長足的進(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態(tài)環(huán)境模型，把各個物體的運動狀態(tài)用模糊集的概念(即運動平面上的二維隸屬函數(shù)) 來表達(dá)，每個物體的隸屬函數(shù)包含該物體當(dāng)前位置、速度大小和速度方向等信 息，然后通過模糊綜合評價對各個方向進(jìn)行綜合考察得到搜索結(jié)果。但是，這 種方法需要知道運動障礙物的速度大小和速度方向，這在實際應(yīng)用中是很難做到的。

有的學(xué)者提出了一種在未知環(huán)境下智能機器人的模糊控制算法。它把障 礙物信息分成三個方向，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，分別為智能機器人預(yù)定的目的地方向，智能機器人前進(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輸出分 別為智能機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 定在一個范圍內(nèi)，并且這些變量是障礙物或者目標(biāo)相對于智能機器人當(dāng)前位 置的取值，而不是在移動環(huán)境中相對于起點的絕對值，因此用這種算法時智能機器人對定位精度不敏感，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題。

2)神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)所具有的基本特點如下：

(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。信息具有容錯性和全息性。

(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。

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)來描述其邊界和位置已知情況下的智能機器人路徑規(guī)劃算法。 通過計算地圖中某個點是否落在障礙物矩形范圍中確定這個點是否為障礙物 點，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)路徑點位于障礙物內(nèi)外的不同位置獲取不同的動態(tài)運動方程，規(guī)劃出的路徑達(dá)到了折線形的Z短無碰路 徑，計算簡單，收斂速度快。

空間點碰撞罰函數(shù)具有如下特點：在障礙物中心處的空間點的碰撞罰函 數(shù)具有Z大值；隨著空間點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)域外的空間點其碰撞罰函數(shù)的值近似為 0。經(jīng)分析可知，路徑點越遠(yuǎn)離障礙物，能量函數(shù)E 越小；路徑的長度越短，能 量函數(shù)E 也越小。因此，要使整個能量函數(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器人路徑規(guī)劃研究中應(yīng)用較多的一 種方法。無論是單個智能機器人靜態(tài)工作空間，還是多個智能機器人動態(tài)動 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智能機器人工作空間進(jìn)行劃分，用序號標(biāo)識 柵格，并且以此序號作為智能機器人路徑規(guī)劃的參數(shù)編碼，應(yīng)用遺傳算法對智 能機器人路徑規(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，將問題更深入化，柵格序號采用 二進(jìn)制編碼，統(tǒng)一確定其個體長度、隨機產(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)境空間中隨機插入障礙物，模擬環(huán)境變化，通過仿真結(jié) 果驗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)量又會太大。

4)動態(tài)規(guī)劃法

前面總結(jié)了許多路徑規(guī)劃方面的知識和技術(shù)，這里面還 有一個不得不提的重要概念，那就是動態(tài)規(guī)劃，這個概念對于后面的路徑規(guī)劃 方法有著很重要的指導(dǎo)意義。動態(tài)規(guī)劃法是解決多階段決策優(yōu)化問題的一種 數(shù)值方法。1951年，美國學(xué)者貝爾曼等人針對一類多階段決策問題的特性，提 出了解決這類問題的“Z優(yōu)化方法”,即動態(tài)規(guī)劃算法。動態(tài)規(guī)劃算法將復(fù)雜 的多變量決策問題進(jìn)行分段決策，從而將其轉(zhuǎn)換為多個單變量的決策問題。 動態(tài)規(guī)劃的基本原理可以表述為：作為整個過程的Z優(yōu)決策應(yīng)該具有這樣的 性質(zhì)，即無論過去的狀態(tài)或者決策如何，對于當(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)典的動態(tài)規(guī)劃方法 為基礎(chǔ)，對全局路徑規(guī)劃問題進(jìn)行了研究。結(jié)論表明，動態(tài)規(guī)劃算法非常適合 于動態(tài)環(huán)境下的路徑規(guī)劃。如何改進(jìn)動態(tài)規(guī)劃的算法以提高計算效率，是當(dāng) 前動態(tài)規(guī)劃研究的一項重要內(nèi)容。