移动机器人的路径规划与智能跟踪控制(4)
照一定的评价标准,寻找一条从起始状态到目标状态的无碰撞路径[3]
。
本课题研究的智能移动平台主要聚焦于，如何通过简单的算法与控制系统，
在需求尽可能少的硬件资源的情况下，机器人在复杂环境下的指定目的地的移动。
使得本课题最终完成的移动机器人硬件平台、驱动层、底层控制器、路径跟踪控
制器与上位路径规划算法，具有上述移动机器人所需的基本功能。
针对该路径规划问题，常见的路径规划算法如下:
( 1) 拓扑法 这种方法的优点在于利用拓扑特征来缩小搜索空间, 拓扑法的复杂性仅仅
依赖于障碍物的数目, 在理论上是完备的。缺点在于表示的复杂性特殊性。建立
拓扑网的过程相当复杂, 较难实现。
( 2) 人工势场法
该方法的优点是可以使机器人迅速躲开突发障碍物, 实时性好。但是经常会
因为局部极点而使机器人运动到一个死区, 发生震荡现象而导致规划失败。由于
其计算简单, 因此常被用于局部路径规划。
( 3) 遗传算法
遗传算法具有优良的全局寻优能力和隐含的并行计算特性, 提高了路径规
划问题的求解质量和求解效率。
( 4) 神经网络法
神经网络是一个高度并行的分布式系统, 处理视觉系统探测到的图像速度
高, 可以充分利用其非线性处理能力达到环境及坐标辨识的目的, 还可以完成机
器人内部坐标和全局坐标的快速转换。在有监督的情况下, 学习网络的最大缺点
在于环境改变后必须重新学习, 这在环境信息不完整或环境经常改变的情况下难以应用。
( 5) 栅格法
该方法的特点是简单和易于实现, 易于扩展到三文环境。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。本文对基于栅格法的移动机器人路径规划算法问题进行了研
究, 仿真结果显示机器人可以很快找到一条无碰撞路径, 顺利到达目标点。
随着计算机以及集成晶片技术的不断进步，越发充足的计算能力使得诸如神
经网络，遗传算法，甚至是无需建立地图模型生物仿生算法得到长足的发展。
当前，路径规划的学术研究主要集中于以下算法：部分贪婪路径规划算法，
图论最短路径规划算法，基于神经网络的多种路径规划学习算法、图像膨胀（粒
子群）算法。
但是，在工业应用领域，移动机器人往往依旧运用各种“地标”辅助里程计进行定位工作。