2 局部路径规划算法

（1）人工势场法[4,5]

人工势场法的基本思想是：将机器人在工作环境中的运动看作为一种在虚拟受力场中的运动。在运动过程中，障碍物与机器人之间产生斥力作用，目标点与机器人之间产生引力作用，引力与斥力的合力驱使机器人向目标前进，该合力就是机器人的加速度力，可以用来控制机器人的运动方向，最终实现绕过障碍物运行的目的。人工势场法的优点在于内部结构简单，而且计算量小，实时性好，能更好地控制低层，所以广泛应用于实时避障和平滑轨迹控制中。然后，这种方法也存在一些缺点：相近的障碍物之间难以发现路径，会出现陷阱区域，若目标点附近存在障碍物则机器人无法到达目标点。为了解决这样的问题，就需要对算法进行优化完善。

（2）遗传算法[5]

遗传算法是目前在机器人路径规划研究中应用非常多的一种算法。该法采用从自然界选择、遗传操作中抽象出来几个算子：选择、交叉和变异，对参数编码的字符串进行遗传操作，每一个字符串对于一个可行解，这种遗传操作是对多个可行解组成的群体进行的，所以在进化进程中可以并行地对解空间的不同区域进行搜索，可以使搜索不会陷于局部极小解。正是因为这种内在的优良特性，遗传算法可以广泛地应用于各种优化问题。Alvarez将遗传算法应用于强海流环境中的水下机器人的路径规划，提出的一个遗传算子解决了路径中的局部极小值问题，同时规划的路径保证了AUV的能源消耗最节省[6]。

（3）模糊逻辑算法[5]

模糊逻辑算法是基于对驾驶员的工作过程观察研究出来的。驾驶员的避让动作并不是对环境信息的精确计算完成的，而是根据模糊的环境信息，然后通过查表得到规划的信息，从而实现局部路径规划，这样计算量不大，易做到边规划边跟踪，满足实时性的要求。这种方法克服了势场法易产生的局部极小值问题，对处理未知环境的规划问题有优越性，对于解决通常的定量方法却是很复杂的问题。但模糊规划常常是人们根据经验预先制定的。所以有着无法学习、灵活性较差的缺点。此外，人不完备的经验会造成输入量增多导致模糊表急剧地膨胀。

（4）神经网络算法[4,5]

路径规划是感知空间到行为空间的一种映射，映射关系很难用精确的数学方程表示，但用神经网络就容易表示出来。将传感器数据作为网络输入，把人对其期望的运动方向当做网络输出，由一组数据构成原始样本集，然后对其进行删除重复或冲突样本等处理，得到最终的样本集。

神经网络作为人工智能的重要内容，在移动机器人路径规划研究中得到了广泛关注,如：Ghatee等将Hopfield神经网络应用到路径距离的优化之中[7]；Zhu和Yang等将自组织SOM神经网络应用到多任务多机器人的任务分配与路径规划之中[8]；近年来加拿大学者Yang提出一种新的生物启发动态神经网络模型[9]，将神经网络的神经元与机器人的二维工作空间对应起来，空间中的障碍物和非障碍物对神经元分别输入激励和抑制信号，网络中的神经元活性值随着时间、激励和抑制信号的变化而动态更新，由此来判定机器人运行方向。该神经网络不需要预先学习训练，解决了机器人路径中的死锁问题。

3水下机器人路径规划技术的难点

一些学者将多种路径规划方法综合起来应用，用来解决或优化机器人的路径规划。张寒松等研究了在不确定环境下将模糊数学和神经网络结合实现机器人局部路径规划的方法[10]。徐玉如等也对海流对AUV的影响进行了研究[11]，提出一种基于遗传算法和粒子群优化算法(Particle Swarm Optimization, PSO)的方法，用于优化AUV的点到点路径。顾国昌等人提出一种基于区域分层模型的路径规划方法[12]，用以解决在大范围海洋环境下水下机器人的路径规划问题，模拟退火算法和遗传算法的结合应用，克服了传统遗传算法早熟、局部寻优能力差等缺点。