移动机器人路径规划综述
目录
1 引言 (2)
2 传统路径规划方法 (2)
2.1 自由空间法 (2)
2.2 图搜索法 (3)
2.3 栅格法 (3)
3 智能路径规划方法 (4)
3.1基于模糊逻辑的路径规划 (4)
3.2基于遗传算法的路径规划 (5)
3.3基于神经网络的路径规划 (5)
3.4人工势场法 (5)
3.5基于模糊逻辑与信息融合的路径规划 (6)
4 结论与展望 (6)
参考文献 (7)
1 引言
所谓移动机器人路径规划技术，就是机器人根据自身传感器对环境的感知，自行规划出一条安全的运行路线，同时高效完成作业任务。移动机器人路径规划主要解决3个问题：
1) 使机器人能从初始点运动到目标点；
2) 用一定的算法使机器人能绕开障碍物，并且经过某些必须经过的点完成相应的作业任务；
3) 在完成以上任务的前提下，尽量优化机器人运行轨迹。
机器人路径规划技术是智能移动机器人研究的核心内容之一，它起始于20 世纪70年代，迄今为止，己有大量的研究成果报道[1]。路径规划方法的分类也呈现多样化，可以分为基于地图的全局路径规划方法[2,3]和基于传感器的局部路径规划方法[4]，也可以分为传统路径规划方法[5]与智能路径规划方法[6]。
本文主要按传统路径规划方法与智能路径规划方法进行总结与评价。传统路径规划方法主要包含自由空间法，图搜索法，栅格法等，智能路径规划算法主要包含基于模糊逻辑的路径规划，基于神经网络的路径规划，基于遗传算法的路径规划，人工势场法以及信息融合方法等。
2 传统路径规划方法
2.1 自由空间法
自由空间法[7]应用于移动机器人路径规划，采用预先定义的如广义锥形和凸多边形等基本形状构造自由空间，并将自由空间表示为连通图，通过搜索连通图来进行路径规划。自由空间的构造方法[8]是：从障碍物的一个顶点开始，依次作其它顶点的链接线，删除不必要的链接线，使得链接线与障碍物边界所围成的每一个自由空间都是面积最大的凸多边形；连接各链接线的中点形成的网络图即为机器人可自由运动的路线。其优点是比较灵活，起始点和目标点的改变不会造成连通图的重构，缺点是复杂程度与障碍物的多少成正比，且有时无法获得最短路
径。
2.2 图搜索法
图搜索法视移动机器人为一点，将机器人、目标点和多边形障碍物的各顶点进行组合连接，并保证这些直线均不与障碍物相交，这就形成了一张图，称为可视图。由于任意两直线的顶点都是可见的，从起点沿着这些直线到达目标点的所有路径均是运动物体的无碰路径。搜索最优路径的问题就转化为从起点到目标点经过这些可视直线的最短距离问题。运用优化算法，可删除一些不必要的连线以简化可视图，缩短搜索时间。该法能够求得最短路径，但假设忽略移动机器人的尺寸大小，使得机器人通过障碍物顶点时离障碍物太近甚至接触，并且搜索时间长。切线图法和Voronoi图法对可视图法进行了改造。切线图（如图1）用障碍物的切线表示弧，因此是从起始点到目标点的最短路径的图，即移动机器人必须几乎接近障碍物行走。其缺点是如果控制过程中产生位置误差，移动机器人碰撞的可能性会很高。图2用尽可能远离障碍物和墙壁的路径表示弧。由此，从起始节点到目标节点的路径将会增长，但采用这种控制方式时，即使产生位置误差，移动机器人也不会碰到障碍物[9]。
(a) 切线图(b) Voronoi图
图1 切线法与Voronoi图法
2.3 栅格法
栅格法是将机器人周围空间分解为相互连接且不重叠的空间单元: 栅格(cell), 由这些栅格构成一个连通图, 依据障碍物占有情况, 在此图上搜索一条从起始栅格到目标栅格无碰撞的最优路径. 这其中根据栅格处理方法的不同, 又分为精确栅格法和近似栅格法, 后者也称概率栅格法[10,11]. 精确栅格法[12]是将自由空间分解成多个不重叠的单元, 这些单元的组合与原自由空间精确相等,
如图2 就是常用的一种精确栅格分解法—–梯形栅格分解.
图2 栅格法
大部分机器人路径规划中的全局规划都是基于上述几种方法进行的,但是以上这些传统方法在路径搜索效率及路径优化方面尚有待于进一步改善。
3 智能路径规划方法
3.1基于模糊逻辑的路径规划
模糊方法是在线规划中通常采用的一种规划方法,包括建模和局部规划。庄晓东等[13]提出一种基于模糊概念的动态环境模型,参照物体的位置和运动信息构造二维隶属度函数; 然后通过模糊综合评价对各个方向进行综合考察,得到搜索结果。该方法在移动障碍物和移动目标的环境中能有效地实现机器人避碰和导航。李彩虹等[14]提出了一种在未知环境下移动机器人的模糊控制算法,并对此算法进行了推导与仿真,证明该算法鲁棒性强,可消除传统算法中存在的对移动机器人的定位精度敏感、对环境信息依赖性强等缺点,使移动机器人的行为表现出很好的一致性、连续性和稳定性。Hartmut Surmann 等[15]提出一种未知环境下的高级机器人模糊导航方法,由8个不同的超声传感器来提供环境信息,然后利用基于模糊控制的导航器来计算这些信息,规划机器人路径。
3.2基于遗传算法的路径规划
遗传算法是最早应用于组合优化问题的智能优化算法, 该算法及其派生算
法在机器人路径规划研究领域已得到应用[16-18]. 在蚁群算法较好解决旅行商问
题(TSP) 的基础上, 许多学者进一步将蚁群优化算法引入到水下机器人(UV) 的路径规划研究中[19,20]. 最近, 徐玉如等[21]考虑了海流因素的影响, 提出了一种
基于遗传算法和粒子群优化(PSO) 算法的AUV全局路径规划思想。
3.3基于神经网络的路径规划
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[22-26], 如Ghatee 等[27]将Hopfield 神经网络应用到路径距离的优化中; Zhu 等[25]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中. 近年来加拿大学者Simon[28,29]提出一种新的生物启发动态神经网络模型, 将
神经网络的神经元与二维规划空间的离散坐标对应起来, 通过规定障碍物和非
障碍物对神经元输入激励和抑制的不同, 直接计算相关神经元的输出, 由此判
定机器人的运行方向. 由于该神经网络不需要学习训练过程, 路径规划实时性好, 同时利用神经网络本身的快速衰减特性, 较好地解决了机器人路径规划的
死区问题[30,31].
3.4人工势场法
人工势场法[32,33]是由Khatib提出的一种虚拟力法。其基本思想是将移动机器人在环境中的运动视为一种虚拟人工受力场中的运动。障碍物对移动机器人产生斥力，目标点产生引力，引力和斥力周围由一定的算法产生相应的势,机器人在势场中受到抽象力作用，抽象力使得机器人绕过障碍物。该法结构简单，便于低层的实时控制，在实时避障和平滑的轨迹控制方面，得到了广泛应用，其不足在于存在局部最优解，容易产生死锁现象，因而可能使移动机器人在到达目标点之前就停留在局部最优点。为解决局部极小值问题，已经研究出一些改进算法，如Sato提出的Laplace势场法[34]。改进算法是通过数学上合理定义势场方程，来保证势场中不存在局部极值。
3.5基于模糊逻辑与信息融合的路径规划
由于模糊逻辑和信息融合技术在不确定性信息处理方面有极好的表现, 且移动机器人传感器采集的环境信息存在不确定性和不完整性, 使得模糊逻辑和信息融合技术在移动机器人路径规划中有较好的应用. 如Lang 等[35]针对全覆盖路径规划提出的移动机器人模糊路径规划方法, Perez 等[36]提出的基于速度场的模糊路径规划方法等, Zun等[37,38]提出基于信息融合技术的移动机器人和无人机的路径规划与避碰方法.
将智能算法应用于移动机器人路径规划，克服了许多传统路径规划方法中的不足，但该方法也有不足之处。例如遗传优化与蚁群算法的路径规划，需要与其他路径规划方法结合在一起使用, 单独完成路径规划任务的情况较少. 对神经网络路径规划而言, 大多数神经网络路径规划均存在规划知识的学习过程, 不仅存在学习样本难以获取, 而且存在学习滞后问题, 从而影响神经网络路径规划的实时性. 生物启发神经网络路径规划虽然实时性较好, 但其输入激励与抑制的设定也存在人为不确定因素. 信息融合技术主要应用于机器人传感器信号处理方面, 而非直接的路径规划策略.
4 结论与展望
智能移动机器人路径规划[39,40]问题一直是机器人研究的核心内容之一. 本文传统路径规划方法与智能路径规划方法两方面, 对移动机器人路径规划技术研究现状进行了总结与评价。
从过去的研究状况和机器人未来的发展需求来看, 目前移动机器人路径规划技术研究主要集中在以下几个方面：1)新的路径方法的研究; 2)机器人底层控制与路径规划算法的结合研究; 3)多机器人任务分配、通信协作及路径规划的研究。
参考文献
[1] 朱大奇, 颜明重. 移动机器人路径规划技术综述[J]. 控制与决策, 2010, (07): 961-967.
[2] 孟偲,王田苗. 一种移动机器人全局最优路径规划算法[J]机器人, 2008, (03) .
[3] 张宏烈. 移动机器人全局路径规划的研究[D]哈尔滨工程大学, 2002 .
[4] 鲍庆勇,李舜酩,沈峘,门秀花. 自主移动机器人局部路径规划综述[J]. 传感器与微系
统, 2009, (09) .
[5] 成伟明, 唐振民, 赵春霞, 刘华军. 移动机器人路径规划中的图方法应用综述[J]. 工程图
学学报, 2008, (04)
[6] 蔡晓慧. 基于智能算法的移动机器人路径规划研究[D]浙江大学, 2007 .
[7] 李磊, 叶涛, 等. 移动机器人技术研究现状与未来[J]. 机器人,2002, 24(5): 475-480.
[8] Habib M K, Asama H. Efficient method to generate collision free path for autonomous mobile
robot based on new free space structuring approach [J]. Proc. IEEE/RSJ IROS, 1991: 563-567.
[9] 杨淮清,肖兴贵,姚栋. 一种基于可视图法的机器人全局路径规划算法[J]. 沈阳工业大学学
报, 2009, (02) .
[10] Jaillet L, Simeon T. Path deformation roadmaps: Compact graphs with useful cycles for
motion planning[J]. Int J of Robotics Research, 2008, 27(11): 1175-1188.
[11] Cai C H, Ferrari S. Information-driven sensor path planning by approximate cell
decomposition[J]. IEEE Trans on Systems, Man, and Cybernetics, Part B: Cybernetics, 2009, 39(3): 672-689.
[12] 成伟明, 唐振民, 赵春霞, 等. 移动机器人路径规划中的图方法应用综述[J]. 工程图学
学报, 2008, (4): 6-14.(Cheng W M, Tang Z M, Zhao C X, et al. A survey of mobile robots path planning using geometric methods. J of Engineering Graphics, 2008, (4):6-14.)
[13] 庄晓东,孟庆春,殷波,等. 环境中基于模糊概念的机器人路径搜索方法[J]. 机器人,2001.
3 (5) :3972399.
[14] 李彩虹,张景元,李贻斌. 基于模糊控制的移动机器人的路径规划[J]. 淄博学院学报,
2001, (3) :27230.
[15] Hartmut Surmann, Jrg Huser, Jens Wehking. Path lanning for a fuzzy controlled autonomous
mobile robot [A] . Fifth IEEE Int . Conf . On Fuzzy Systems Fuzz2IEEE’96[C] . UAS:New Orleans, 996.
[16] Theodore W M, Kaveh A, Roger L W. Genetic algorithms for autonomous robot navigation[J].
IEEE Instrumentation and Measurement Magazine, 2007, 12(1): 26-31.
[17] Aybars U. Path planning on a cuboid using genetic algorithms[J]. Information Sciences, 2008,
178: 3275-3287.
[18] Wang X P, Feng Z P. GA-based path planning for multiple AUVs[J]. Int J of Control, 2007,
80(7): 1180-1185.
[19] 刘利强, 于飞, 戴运桃. 基于蚁群算法的水下潜器全局路径规划技术研究[J]. 系统仿真
学报, 2007, 19(18): 4174-4177. (Liu L Q, Yu F, Dai Y T. Path planning of underwater vehicle in 3D space based on ant colony algorithm[J]. J of System Simulation, 2007, 19(18): 4174-4177.)
[20] 王宏健, 伍祥红, 施小成. 基于蚁群算法的AUV全局路径规划方法[J]. 中国造船, 2008,
49(2): 88-93.(Wang H J, Wu X H, Shi X C. AUV global path planning based on ant colony optimization algorithm[J]. Ship Building of China, 2008, 49(2): 88-93.)
[21] 徐玉如, 姚耀中. 考虑海流影响的水下机器人全局路径规划研究[J]. 中国造船, 2008,
49(4): 109-114. (Xu Y R, Yao Y Z. Research on AUV global path planning considering ocean current[J]. Ship Building of China, 2008, 49(4): 109-114.)
[22] Luo C, Yang S Y. A bioinspired neural network for realtime concurrent map building and
complete coverage robot navigation in unknown environment[J]. IEEE Trans on Neural Network, 2008, 19(7): 1279-1298.
[23] Tse P W, Lang S, Leung K C, et al. Design of a navigation system for a household mobile
robot using neural networks[C]. Int Conf Neural Network. Anchorage, 1998: 2151-2156. [24] Yasutomi F, Takaoka D, Yamada M, et al. Cleaning robot control[C]. IEEE Int Conf Systems,
Man, and Cybernetics. Beijing, 1988: 1839-1841.
[25] Zhu A, Yang S X. A neural network approach to task assignment of multi-robots[J]. IEEE
Trans on Neural Network, 2006, 17(5): 1278-1287.
[26] Pereira F B. Bio-inspired algorithms for the vehicle routing problem[M]. Berlin: Springer,
2009.
[27] Ghatee M, Mohades A. Motion planning in order to optimize the length and clearance
applying a Hopfield neural network[J]. Expert Systems with Applications, 2009, 36: 4688-4695.
[28] Yang S X, Meng M. Neural network approaches to dynamic collision-free robot trajectory
generation[J]. IEEE Trans on Systems, Man, and Cybernetics, Part B: Cybernetics, 2001, 31(3): 302-318.
[29] Yang S X, Meng M H. Real-time collision-free motion planning of mobile robots using neural
dynamics based approaches[J]. IEEE Trans on Neural Network, 2003, 14(6): 1541-1552. [30] Yang S X, Luo C. A neural network approach to complete coverage path planning[J]. IEEE
Trans on Systems, Man, and Cybernetics, Part B: Cybernetics, 2004, 34(1): 718- 725. [31] Li H, Yang S X, Seto M L. Neural-network-based path planning for a multirobot system with
moving obstacles[J]. IEEE Trans on Systems, Man, and Cybernetics, Part C: Applications and Reviews, 2009, 39(4): 410-419.
[32] 李磊, 叶涛, 等. 移动机器人技术研究现状与未来[J]. 机器人, 2002, 24(5): 475-480.
[33] Khatib. Real-time obstacle for manipulators and mobile robot [J]. The International Journal
of Robotic Research. 1986, (1): 90-98.
[34] Sato K. Deadlock-free motion planning using Laplace potential field [J]. Advanced Robotics,
1993, (5): 449-461.
[35] Fu Y, Lang S Y L. Fuzzy logic based mobile robot area filling with vision system for indoor
environment[C]. IEEE Int Conf on Computational Intelligence in Robotics and Automation.
Monterey, 1999: 326-331.
[36] Perez D A, Melendez W M, Guzman J, et al. Fuzzy logic based speed planning for
autonomous navigation under velocity field control[C]. IEEE Int Conf on Mechatronics.
Malaga, 2009: 14-17.
[37] Zun A D, Kato N, Nomura Y, et al. Path planning based on geographical features information
for an autonomous mobile robot[J]. Artificial Life and Robotics, 2006, 10(2): 149-156. [38] Shen D, Chen G S, Cruz J J, et al. A game theoretic data fusion aided path planning approach
for cooperative UA V ISR[C]. IEEE Int Conf on Aerospace. Montana, 2008: 1-9.
[39] Wang Na, Chen Ping. Path planning algorithm of level set based on grid modeling. Computer
Design and Applications (ICCDA). 2010: V5-508 - V5-510.
[40] Ghaemie, S., Khanmohammadie, S., Badamchizadeh, M.A.. Using genetic fuccy algorithm
for robot path planning. 2010: 324 – 330.
遗传算法与机器人路径规划 摘要：机器人的路径规划是机器人学的一个重要研究领域，是人工智能和机器人学的一个结合点。对于移动机器人而言，在其工作时要求按一定的规则，例如时间最优，在工作空间中寻找到一条最优的路径运动。机器人路径规划可以建模成在一定的约束条件下，机器人在工作过程中能够避开障碍物从初始位置行走到目标位置的路径优化过程。遗传算法是一种应用较多的路径规划方法，利用地图中的信息进行路径规划，实际应用中效率比较高。 关键词：路径规划；移动机器人；避障；遗传算法 Genetic Algorithm and Robot Path Planning Abstract: Robot path planning research is a very important area of robotics, it is also a combine point of artificial intelligence and robotics. For the mobile robot, it need to be worked by certain rulers（e.g time optimal），and find a best movement path in work space. Robot path planning can be modeled that in the course of robots able to avoid the obstacles from the initial position to the target location,and it ruquire to work under ertain constraints. Genetic algorithm used in path planning is very common, when planning the path ,it use the information of map ,and have high eficient in actual. Key words: Path planning,mobile robot, avoid the obstacles, genetic algorithm 1路径规划 1.1机器人路径规划分类 （1）根据机器人对环境信息掌握的程度和障碍物的不同，移动机器人的路径规划基本上可分为以下几类： 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，未知环境下的对动态障碍物的路径规划。 （2）也可根据对环境信息掌握的程度不同将移动机器人路径规划分为两种类型： 1，基于环境先验完全信息的全局路径规划； 2，基于传感器信息的局部路径规划。 （第二种中的环境是未知或部分未知的，即障碍物的尺寸、形状和位置等信息必须通过传感器获取。） 1.2路径规划步骤 无论机器人路径规划属于哪种类别，采用何种规划算法，基本上都要遵循以下步骤： 1, 建立环境模型，即将现实世界的问题进行抽象后建立相关的模型； 2, 路径搜索方法，即寻找合乎条件的路径的算法。 1.3路径规划方法
复杂环境下多移动机器人协同路径规划 多移动机器人协同路径规划是机器人导航研究领域中极具挑战性的问题。复杂环境下多移动机器人协同路径规划,需要为各机器人寻求一条从起始点到目标点的最优路径,同时保证机器人间以及机器人与动、静态障碍物之间无碰撞。因此,如何实现机器人间的避碰和机器人与动态障碍物的避障是该问题的研究难点。当前大部分研究仍聚集于静态环境下单机器人路径规划,复杂环境下多移动机器人协同路径规划问题仍是亟待解决的难题。本文主要工作如下:1)针对单机器人全局路径规划问题,采用约束满足法构建优化数学模型,并结合问题属性提出一种改进蚁群算法。利用当前节点的局部路径方向与起始点至终点的欧式路径方向夹角设计新启发式函数,引导机器人沿最短路径行走;根据可选节点数量设计避障规则,提高避障能力;依据路径长度对信息素进行比较更新,提高算法收敛速度。实验表明,改进算法性能优于原始蚁群算法。2)针对静态环境下多移动机器人协同路径问题,构建以路径长度短和暂停时间少为目标的多目标数学模型。考虑到机器人之间存在碰撞冲突,研究启发式规则对冲突进行消除。以单机器人全局路径规划为基础,研制出一种基于全局路径规划和融入启发式规则的局部路径调整的两阶段规划算法求解该问题,仿真实验表明了该算法的有效性。3)针对动态环境下多移动机器人协同路径规划问题,基于静态环境下多移动机器人路径规划的研究成果,根据动态障碍物的运动性质研究避障方法,消除机器人与动态障碍物的碰撞冲突。设计了相应的仿真实验,结果表明了该方法的有效性。4)考虑
到企业的实际需要,设计了多移动机器人协同路径规划系统。该系统具有较好的集成性和开放性,提供了用户登录、用户管理、单机器人调度方案和多机器人调度方案等交互界面,满足用户在不同运行环境下的需要。
1绪论 1.1机器人简介 1.1.1什么是机器人 机器人一词不仅会在科幻小说、动画片等上看到和听到，有时也会在电视上看到在工厂进行作业的机器人，在实际中也有机会看到机器人的展示。今天，说不定机器人就在我们的身过，但这里我们要讨论的是什么是机器人学研究的机器人。 机器人（robot）一词来源下1920年捷克作家卡雷尔. 查培克（Kapel Capek）所编写的戏剧中的人造劳动者，在那里机器人被描写成像奴隶那样进行劳动的机器。 后来作为一种虚构的机械出现在许多作品中，代替人们去完成某些工作。20世纪60年代出现了作为可实用机械的机器人。为了反这种机器人同虚构的机器人及玩具机器人加以区别，称其为工业机器人。 工业机器人的兴起促进了大学及研究所开展机器人的研究。随着计算机的普及，又积极地开展了带有智能的机器人的研究。到70年代，机器人作为工程对象已经被确认，机器人一词也受到公认。目前，机器人学的研究对象已不仅仅是工业机器人了。 即便是实际存在的机器人，也很难把它定义为机器人，而且其定义也随着时代在变化。这里简单地反具有下述性质的机械看作是机器人： 1.代替人进行工作：机器人能像人那样使用工具和机械，因此，数控机床和 汽车不是机器人。 2.有通有性：既可简单地变换所进行的作为，又能按照工作状况的变化相应 地进行工作。一般的玩具机器人不能说有通用性。 3.直接对个界作工作：不仅是像计算机那样进行计算，而且能依据计算结果 对外界结果对外界产生作用。 机器人学把这样定义的机器人作为研究对象。
1.1.2机器人的分类 机器人的分类方法很多，这里我们依据三个有代表性的分类方法列举机器人的种类。 首先，由天机器人要代替人进行作业，因此可根据代替人的哪一个器官来分类： 操作机器人（手）：利用相当于手臂的机械手、相当于手指的手爪来使物体协作。 移动机器人（腿）：虽然已开发出了2足步行和4足步行机器人，但实用的却是用车轮进行移动的机器人。（本文以轮式移动机器人作为研究对象）视觉机器人（眼）：通过外观检查来除掉残次品，观看人的面孔认出是谁。虽然还有使用触觉的机器人，但由于它不是为了操作，所以不能说是触觉机器人。 也还有不仅代替单一器官的机器人，例如进行移动操作，或进行视觉和操作的机器人。 其次，按机器人的应用来分类： 工业机器人：可分为搬送、焊接、装配、喷漆、检查等机器人，主要用于工厂内。 极限作业器人：主要用在人们难以进入的核电站、海底、宇宙空间等进行作为的机器人。也包括建筑、农业机器人等。 娱乐机器人：有弹奏乐器的机器人、舞蹈机器人、宠物机器人等，具有某种程度的通用性。也有适应环境面改变行动的宠物机器人。 最后则是按照基于什么样的信息进行动作来分类： 表1基于动作信息的机器人分类
3.23机器人路径运动操作步骤 任务：选取多个点构成一条路径，通过示教器完成机器人路径运动操作 相关知识：机器人路径示教器操作分为手动和自动两种模式 操作步骤： 一、手动模式 1、新建程序 （1）点击首页下拉菜单中“程序编辑器”选项，进入程序编辑器 （2）点击右上角“例行程序”选项，进如程序列表 （3）点击左下角“文件”，选择“新建例行程序”，新建例行程序 并命名 2、程序编写 （1）选择新建好的例行程序，进入程序编辑页面，点击左下角“添 加指令”，在右侧弹出菜单中选择轴运动指令“MoveJ” （2）根据需要修改显示的“MoveJ * ,v1000 , z50 , tool0”指令， *代表坐标点名称，v1000代表速度，z50代表路径选择幅度， tool0与工具坐标有关 （3）根据需要添加路径包含的点坐标并修改，完成全部路径点的设 置 3、调试 （1）从第一行“MoveJ”指令开始，利用示教器旋钮调节机器人至路 径点位，点击“修改位置”，程序与点位一一对应 （2）点位修改完成后，进行手动调试。点击“调试”选择“PP移动 至例行程序”，进入要调试的例行程序，光标选择调试的程序 行，再次点击“调试”，选择“PP移动至光标” （3）在右下角设置选项中选择机器人运行的速度
（4）左手按下示教器使能键，右手按下示教器上的“开始”按钮， 进行机器人路径运行操控 注意：机器人运行过程中不能松开示教器使能键 二、自动模式 1、完成手动调试模式调试后，点击“例行程序”菜单进入程序选择列表， 选择“Main”函数，进入函数编辑页面 2、光标选择
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）
第25卷第7期V ol.25No.7 控制与决策 Control and Decision 2010年7月 Jul.2010移动机器人路径规划技术综述 文章编号:1001-0920(2010)07-0961-07 朱大奇,颜明重 (上海海事大学水下机器人与智能系统实验室，上海201306) 摘要:智能移动机器人路径规划问题一直是机器人研究的核心内容之一.将移动机器人路径规划方法概括为:基于模版匹配路径规划技术、基于人工势场路径规划技术、基于地图构建路径规划技术和基于人工智能的路径规划技术.分别对这几种方法进行总结与评价,最后展望了移动机器人路径规划的未来研究方向. 关键词:移动机器人；路径规划；人工势场；模板匹配；地图构建；神经网络；智能计算 中图分类号:TP18；TP273文献标识码:A Survey on technology of mobile robot path planning ZHU Da-qi,YAN Ming-zhong (Laboratory of Underwater Vehicles and Intelligent Systems，Shanghai Maritime University，Shanghai201306, China．Correspondent：ZHU Da-qi，E-mail：zdq367@https://www.doczj.com/doc/80256031.html,) Abstract:The technology of intelligent mobile robot path planning is one of the most important robot research areas.In this paper the methods of path planning are classi?ed into four classes:Template based,arti?cial potential?eld based,map building based and arti?cial intelligent based approaches.First,the basic theories of the path planning methods are introduced brie?y.Then,the advantages and limitations of the methods are pointed out.Finally,the technology development trends of intelligent mobile robot path planning are given. Key words:Mobile robot；Path planning；Arti?cial potential?eld；Template approach；Map building；Neural network; Intelligent computation 1引言 所谓移动机器人路径规划技术,就是机器人根据自身传感器对环境的感知,自行规划出一条安全的运行路线,同时高效完成作业任务.移动机器人路径规划主要解决3个问题:1)使机器人能从初始点运动到目标点;2)用一定的算法使机器人能绕开障碍物,并且经过某些必须经过的点完成相应的作业任务;3)在完成以上任务的前提下,尽量优化机器人运行轨迹.机器人路径规划技术是智能移动机器人研究的核心内容之一,它起始于20世纪70年代,迄今为止,己有大量的研究成果报道.部分学者从机器人对环境感知的角度,将移动机器人路径规划方法分为3种类型[1]:基于环境模型的规划方法、基于事例学习的规划方法和基于行为的路径规划方法;从机器人路径规划的目标范围看,又可分为全局路径规划和局部路径规划;从规划环境是否随时间变化方面看,还可分为静态路径规划和动态路径规划. 本文从移动机器人路径规划的具体算法与策略上,将移动机器人路径规划技术概括为以下4类:模版匹配路径规划技术、人工势场路径规划技术、地图构建路径规划技术和人工智能路径规划技术.分别对这几种方法进行总结与评价,展望了移动机器人路径规划的未来发展方向. 2模版匹配路径规划技术 模版匹配方法是将机器人当前状态与过去经历相比较,找到最接近的状态,修改这一状态下的路径,便可得到一条新的路径[2,3].即首先利用路径规划所用到的或已产生的信息建立一个模版库,库中的任一模版包含每一次规划的环境信息和路径信息,这些模版可通过特定的索引取得;随后将当前规划任务和环境信息与模版库中的模版进行匹配,以寻找出一 收稿日期:2009-08-30；修回日期:2009-11-18. 基金项目:国家自然科学基金项目(50775136)；高校博士点基金项目(20093121110001)；上海市教委科研创新项目(10ZZ97). 作者简介:朱大奇(1964?),男,安徽安庆人,教授,博士生导师,从事水下机器人可靠性与路径规划等研究；颜明重(1977?),男,福建泉州人,博士生,从事水下机器人路径规划的研究.
研究背景 近年来,机器人技术飞速发展,机器人的应用领域也在不断扩展。机器人的工作环境存在高度的多变性和复杂性,因此自主导航是实现真正智能化和完全自主移动的关键技术。机器人的导航问题可以归结为对“我在哪”、“我要去哪”以及“我如何到达那里”三个问题的回答。第三个问题就是路径规划,要求机器人在当前位置与目标位置之间寻找一条安全、合理、高效的路径,保证机器人能够安全地到达目标地点。机器人路径规划是机器人领域的一个研究热点。 一、课题应用 机器人的路径规划是机器人学的一个重要研究领域，是人工智能和机器人学的一个结合点。对于移动机器人而言，在其工作时要求按一定的规则，例如时间最优，在工作空间中寻找到一条最优的路径运动。机器人路径规划可以建模成在一定的约束条件下，机器人在工作过程中能够避开障碍物从初始位置行走到目标位置的路径优化过程。遗传算法是一种应用较多的路径规划方法，利用地图中的信息进行路径规划，实际应用中效率比较高。 智能移动机器人[1]，是一个集环境感知、动态决策与规划、行为控制与执行等多功能于一体的综合系统。它集中了传感器技术、信息处理、电子工程、计算机工程、自动化控制工程以及人工智能等多学科的研究成果，代表机电一体化的最高成就，是目前科学技术发展最活跃的领域之一。随着机器人性能不断地完善，移动机器人的应用范围大为扩展，不仅在工业、农业、医疗、服务等行业中得到广泛的应用，而且在城市安全、国防和空间探测领域等有害与危险场合得到很好的应用。因此，移动机器人技术已经得到世界各国的普遍关注。 移动机器人的研究始于60 年代末期。斯坦福研究院(SRI)的Nils Nilssen 和Charles Rosen 等人，在1966年至1972 年中研发出了取名Shakey的自主移动机器人[1]。目的是研究应用人工智能技术，在复杂环境下机器人系统的自主推理、规划和控制。 根据移动方式来分，可分为：轮式移动机器人、步行移动机器人(单腿式、双腿式和多腿式)、履带式移动机器人、爬行机器人、蠕动式机器人和游动式机器人等类型；按工作环境来分，可分为：室内移动机器人和室外移动机器人；按控制体系结构来分，可分为:功能式(水平式)结构机器人、行为式(垂直式)结构机器人和混合式机器人；按功能和用途来分，可分为:医疗机器人、军用机器人、助残机器人、清洁机器人等； 一种由传感器、遥控操作器和自动控制的移动载体组成的机器人系统。移动机器人具有移动功能，在代替人从事危险、恶劣（如辐射、有毒等）环境下作业和人所不 及的（如宇宙空间、水下等）环境作业方面，比一般机器人有更大的机动性、灵活性。 移动机器人是一种在复杂环境下工作的，具有自行组织、自主运行、自主规划的智能机器人，融合了计算机技术、信息技术、通信技术、微电子技术和机器人技术等。 三、研究意义 路径规划技术是机器人研究领域中的一个重要分支,是机器人智能化的重要标志,是对
机器人路径规划 摘要：机器人路径规划是机器人技术的重要分支之一，路径规划技术的研究是研究机器人技术不可或缺的技术之一。本文首先介绍了当前研究人员热衷的ROS 系统是如何进行路径规划的，接着论述了作为群智能算法的蚁群算法应用于机器人的路径规划中。研究表明，可以将蚁群算法和ROS系统结合，进一步的进行机器人的路径规划。 关键词：路径规划，ROS系统，蚁群算法，机器人 1.引言 智能移动机器人技术是机器人技术的重要组成部分，应用前景十分广阔：工业，农业，国防，医疗，以及服务业等[1]。文献提出，未来数年内，中国服务机器人发展将超过传统的工业机器人[2]，机器人路径规划技术是服务机器人研究的核心内容之一[3]。可见，研究机器人的路径规划问题十分必要。 随着机器人领域的快速发展和复杂化，代码的复用性和模块化的需求原来越强烈，而已有的开源机器人系统又不能很好的适应需求。2010年Willow Garage 公司发布了开源机器人操作系统ROS（robot operating system），很快在机器人研究领域展开了学习和使用ROS的热潮。ROS系统是起源于2007年斯坦福大学人工智能实验室的项目与机器人技术公司Willow Garage的个人机器人项目（Personal Robots Program）之间的合作，2008年之后就由Willow Garage来进行推动。ROS的运行架构是一种使用ROS通信模块实现模块间P2P的松耦合的网络连接的处理架构，它执行若干种类型的通讯，包括基于服务的同步RPC（远程过程调用）通讯、基于Topic的异步数据流通讯，还有参数服务器上的数据存储。ROS系统以其独特优点引起了研究人员的兴趣。 近年来，各国学者致力于机器人路径规划的研究且取得了相当丰硕的研究成果。目前已有多种算法用于规划机器人的路径，文献【4】将其主要分为经典方
多机器人路径规划研究方法（一） 张亚鸣雷小宇杨胜跃樊晓平瞿志华贾占朝摘要：在查阅大量文献的基础上对多机器人路径规划的主要研究内容和研究现状进行了分析和总结，讨论了多机器人路径规划方法的评判标准，并阐述了研究遇到的瓶颈问题，展望了多机器人路径规划方法的发展趋势。 关键词：多机器人；路径规划；强化学习；评判准则 e,itexpoundedthebottleneckofthepathplanningresearchfor ， ； 近年来，分布式人工智能（DAI）成为人工智能研究的一个重要分支。DAI 研究大致可以分为DPS （distributedproblemsolving ）和MAS （）两个方面。一些从事机器人学的研究人员受多智能体系统研究的启发，将智能体概念应用于多机器人系统的研究中，将单个机器人视做一个能独立执行特定任务的智能体，并把这种多机器人系统称为多智能体机器人系统（MARS）。因此，本文中多机器人系统等同于多智能体机器人系统。目前，多机器人系统已经成为学术界研究的热点,而路径规划研究又是其核心部分。
机器人路径规划问题可以建模为一个带约束的优化问题，其包括地理环境信息建模、路径规划、定位和避障等任务，它是移动机器人导航与控制的基础。单个移动机器人路径规划研究一直是机器人研究的重点，且已经有许多成果 1~3］，例如在静态环境中常见的有连接图法、可视图法、切线图法、Voronoi 图法、自由空间法、栅格法、拓扑法、链接图法、证据理论建图等；动态环境中常见的有粒子群算法、免疫算法、遗传算法、神经网络、蚁群算法、模拟退火算法、人工势场法等。然而，多机器人路径规划研究比单个机器人路径规划要复杂得多，必须考虑多机器人系统中机器人之间的避碰机制、机器人之间的相互协作机制、通信机制等问题。 1 多机器人路径规划方法单个机器人的路径规划是找出从起始点至终点的一条最短无碰路径。多个机器人的路径规划侧重考虑整个系统的最优路径，如系统的总耗时间最少路径或是系统总路径最短等。从目前国内外的研究来看，在规划多机器人路径时，更多考虑的是多机器人之间的协调和合作式的路径规划。 目前国内外多机器人路径规划研究方法分为传统方法、智能优化方法和其他方法三大类。其中传统方法主要有基于图论的方法（如可视图法、自由空间法、栅格法、Voronoi 图法以及人工势场方法等）；智能优化方法主要有遗传算法、蚁群算法、免疫算法、神经网络、强化学 习等；其他方法主要有动态规划、最优控制算法、模糊控制等。它们中的大部分都是从单个机器人路径规划方法扩展而来的。 1）传统方法多机器人路径规划传统方法的特点主要体现在基于图论的基础
I SSN C N 1 0 - 0 2 - 3 4 9 / 5 6 实验技术与管理 第27卷第12期201年1 2月 1 1 2 0 4 T E x p e r i m e n t a l T e c h n o l o g ya n d Ma n a g e m e n t Vo l .27N o .12D e c .201 基于路径规划的智能机器人控制实验 张佳,陈杰,窦丽华 ( 北京理工大学自动化学院,北京1081) 摘 验教学平台。在此平台上设计并开发了分别适用于本科生及硕士研究生的系列实验 规划、全区域覆盖路径规划以及多机器人队形控制等项实验内容。该实验能够让学生接触到先进的智能机 器人增强学生对自动化专业的学习兴趣提高了学生的动手能力和创新能力。 关键词智能机器人路径规划全区域覆盖队形控制 文献标志码文章编号 要 : 针对自动化专业学生 , 以 P i o n e e r 3 A T 系列的机器人为对象 , 搭建了基于路径规划的智能机器人实 , , 包括基于模型的路径 3 , , : ; ; ; 中图分类号 : T P 2 4 2 3 3 : A : 1 0 0 2 4 9 5 6 ( 2 0 1 0 ) 1 2 0 0 4 4 0 4 I n t e l l i g e n t r o b o t c o n t r o l e x p e r i m e n t s b as e d o n p a t h p l a n n i n g Zha n g J i a , Ch e n J i e , D o uL i hua ( S c h o o l o f A u t o m r a t i za t i o n , B e i e j i n g I n s t i t u t e o f T e c h n o l o g y , B e i j i r n g 1 0 0 0 8 1 r , Ch i n a ) A b s t r a c t : A i e m t i n g a t s t r ud e n n n i T t m o t t t s o f au t o e m a t i za m t e i o n m a j o r i , t h p i s p a p e m r t ak e s r o b n o o t s o r o f P i o n e e n 3 A T S e r i n e e sas o b p j e c t t a n d m c o n s t r u c sa n i x n t e l l i m g e o b o t x p o e r o e i n n t t o e a c h n e g l a t f o r , b as e d o p a t h p l a n t n i g .Bas ud e d e o n t h i s l a f o r b , as e r n i s e o x f p e p t e i e swh i c ha p p i n t d t u n d r p g r adua t i e t s c t ud e n t sa n d g adua e s t e n t s r g s p c t i v e l l ya r o n e d e s t i g n e da d l o e i r e m d. I t t n c l ud e s m d e l b as e d r p a t h p l p a o n n i n g o m p l t e t e c n v e a g e p a t h p t l a n n i n a e d m u l t c i r e b o f t o r m a t i e o n e x n p i e n . h e e x p e r i m t o f f e sa n o r t u n y f o r s ud e t s t w o r kw i hadva n c d i n t t e l i g t r b K o o s . I t n ha c e ss t t ud e n i s i n t e r e s t s t o l e a r n au t o m a t i za t i o n m a j o r . A l s o , s t ud e n t s i n n o va t i o n a b i l i y o u l d e i m p r o v e d b y e t h e e x p e o r e n t p . e y w o r d s : i n t l l i g e n r b t ; a t h p l a n n i n g ; c o m p l e t e c o v e r a g e ; f o r m a t i o n 自动化技术是一门涉及学科较多、应用广泛的综 1 实验平台的搭（智械科技） 合性科学技术。实验教学是自动化专业教学过程中 [1] 非常重要的一环。随着目前机器人技术的不断发展, 本课程选用的机器人是美国先锋(P i o n e r 3A T ) 系列机器人[。该系列机器人是目前世界上最成熟的 4] 机器人控制实验已逐步进入各个高校。机器人教学对 于培养和提高学生的创新精神和动手能力具有极其重 轮式移动机器人研究平台之一。通常科研人员对此系 要的作用[。在自动化专业开设机器人控制实验课 2 ] 列机器人的开发与研究都在控制台程序上运行,但需 要对v M a 机器人技术应用接口a 有较 深的了解因此需要花费大量时间阅读繁多的程序代 熟悉研究环境。由于实验学时有限为了能让学生 在最短的时间内最大程度地掌握机器人的有关知识 首先搭建了一个简单实用的实验平台。该平台的建立 能使学生在最短时间内熟悉各种底层动作在实验课 程中掌握基础理论和系统深入的专门知识。 整个平台系统包括个功能模块用户操作管理 模块、通信模块、控制模块、数据分析处理模块和显示 程, 不仅可以让学生接触到国际先进的机器人们的眼界还可以让学生学习先进的控制方法 些方法运用于机器人的实际控制上 提高学生的创新能力和动手能力 域的继续发展奠定坚实的基础。为此 重点实验室项目中购买了数台机器人 , , 开阔他 并将这 A c t i e d i A r i , , ,扩展他们的思维 , 码, , [ 3 ] , 为将来在控制领 , , 本校在北京市 , 针对自动化专 , 业的教学内容及要求,开设了机器人控制实验,取得了 良好的教学效果。 5 : 收稿日期 : 2 0 0 9 1 2 2 1 修改日期 : 2 0 1 0 0 3 1 5 管理模块。各模块所组成的功能结构如图 们之间通过数据信号和控制信号联系在一起 个统一的整体。在控制模块中为学生的实验操作 1 所示,它 基金项目 : 北京市教育委员会共建重点实验室资助项目 (CSYS ,构成一 1 0 0 0 (7 0417) 作者简介 : 张佳 1 9 8 0 ) , 女 ,北京市人 , 硕士 ,实验师 , 研究方向为机器 [ 5 ] , 人控制、智能控制和图像处理.
龙源期刊网 https://www.doczj.com/doc/80256031.html, 移动机器人路径规划技术综述 作者：孙梅 来源：《山东工业技术》2016年第21期 摘要：移动机器人的设计与实现能够促进智能化应用的良好发展。路径规划技术是机器 人实现移动功能的主要技术之一。路径规划技术主要包含局部规划技术以及全局规划技术等。本文从路径规划技术的作用入手，对移动机器人路径规划技术进行研究和分析。 关键词：移动机器人；路径规划技术；综述 DOI：10.16640/https://www.doczj.com/doc/80256031.html,ki.37-1222/t.2016.21.135 0 前言 移动机器人的实现涉及自动控制、智能、机械等多种学科。它通常被应用在医疗领域、工业领域等方面。从整体角度来讲，移动机器人的应用促进了生产效率的显著提升。路径规划技术是移动机器人的关键技术之一，研究该技术具有一定的现实意义。 1 路径规划技术的作用 将路径规划技术应用在移动机器人中，能够产生的作用主要包含以下几种： （1）运动方面。路径规划技术的主要作用是其能够保证移动机器人完成从起点到终点的运动。（2）障碍物方面。设计移动机器人的最终目的是将其应用在实际环境中，在实际环境下，移动机器人的运行路线中可能存在一定数量的障碍物，为了保证最终目的地的顺利达到，需要利用路径规划技术实现对障碍物的有效避开[1]。（3）运行轨迹方面。对于移动机器人而言，除了实现障碍物躲避、达到最终目的地这两种作用之外，应用路径规划技术还可以产生一定的优化运行轨迹作用。在移动机器人的使用过程中，在路径规划技术的作用下，机器人可以完成对最佳运行路线的判断，进而更好地完成相应任务。 2 移动机器人路径规划技术综述 移动机器人的路径规划技术主要包含以下几种： 2.1 局部路径规划方面 在局部路径规划方面，能够被应用在移动机器人中的技术主要包含以下几种： （1）神经网络路径规划技术。从本质上讲，可以将移动机器人的路径规划看成是空间到行为空间感知过程的一种映射，因此，可以利用神经网络的方式将其表现出来。就神经网络路
移动机器人路径规划技术的现状与发展 现阶段，移动机器人技术是科学领域研究的一个重点内容，而在该技术的研究中，移动机器人的路径规划技术是非常重要的。其中，路径规划可以被划分成两种，其一是基于模型环境进行的已知的全局路径进行规划，其二是基于传感器环境对未知局部路径进行规划。文章对移动机器人的路径规划方法进行了详细的分析，并分别列举了全局路径规划以及局部路径规划的具体规划方法，并对该技术未来的发展进行展望。 标签：移动机器人；路径规划；神经网络；栅格法 1 移动机器人路径规划技术的分类 按照机器人对周围环境信息的识别与对信息的掌握程度以及对不同种类障碍物的识别进行分类，可将机器人路径规划分成四类：第一类，在已知的比较熟悉的环境中，根据静态障碍物的位置对移动机器人的路径进行规划；第二类，在未知的比较陌生的环境中根据静态障碍物的位置对移动机器人的路径进行规划；第三类，在已知的比较熟悉的环境中，根据动态障碍物的运行状态对移动机器人的路径进行规划；第四类，在未知的比较陌生的环境中，根据动态障碍物的运行状态对移动机器人的路径进行规划。根据机器人对周围环境的掌握能力不同，可以对路径规划技术进行划分，第一类是在对周围环境信息已经验证的基础上对移动机器人的的路径进行规划，所规划的路径为全局路径；第二类是基于傳感器信息的基础上对机器人的路径进行规划，规划的路径为局部路径[1]。移动机器人的路径规划方法一般可以划分成两大类型，即传统方法与智能方法。 2 全局路径规划方法 2.1 拓扑法 该路径规划的方法主要就是把所规划的空间进行分割，并形成具有拓扑特点的子空间，同时构建拓扑网络，并在其中探索出起点至终点的详细拓扑路径，然后根据拓扑路径的路径规划得到最终需要的几何路径。拓扑路径的规划方法是以降维法为主要依据，也就是，将高维的比较复杂的空间几何路径求法转化为低维的比较简单的拓扑空间的辨别连通方法。这种方法的最明显优势就是对拓扑特点进行充分利用，进而有效地减小实际搜索的空间范围[2]。而其算法的复杂程度则只是同障碍物数目有较大关系，所以，最主要的问题就是在障碍物数量增加的情况下，采取合理措施对已有拓扑网络进行修正，并实现图形速度提升的目的。 2.2 可视图法 这种路径规划的方法就是将机器人看做是一个点，然后进行合理组合，并将机器人与目标点、多边形障碍物的各顶点相连。在连接点的过程中，需要保证直线可视，也就是目标点与多边形障碍物的各顶点以及各个障碍物顶点间的连线不
多机器人路径规划研究方法(一) 张亚鸣雷小宇杨胜跃樊晓平瞿志华贾占朝 摘要：在查阅大量文献的基础上对多机器人路径规划的主要研究内容和研究现状进行了分析和总结，讨论了多机器人路径规划方法的评判标准，并阐述了研究遇到的瓶颈问题，展望了多机器人路径规划方法的发展趋势。 关键词：多机器人；路径规划；强化学习；评判准则 e,itexpoundedthebottleneckofthepathplanningresearchfor， ； 近年来，分布式人工智能(DAI)成为人工智能研究的一个重要分支。DAI 研究大致可以分为DPS（distributedproblemsolving）和MAS （）两个方面。一些从事机器人学的研究人员受多智能体系统研究的启发，将智能体概念应用于多机器人系统的研究中，将单个机器人视做一个能独立执行特定任务的智能体，并把这种多机器人系统称为多智能体机器人系统（MARS）。因此，本文中多机器人系统等同于多智能体机器人系统。目前，多机器人系统已经成为学术
界研究的热点,而路径规划研究又是其核心部分。 机器人路径规划问题可以建模为一个带约束的优化问题，其包括地理环境信息建模、路径规划、定位和避障等任务，它是移动机器人导航与控制的基础。单个移动机器人路径规划研究一直是机器人研究的重点，且已经有许多成果1~3]，例如在静态环境中常见的有连接图法、可视图法、切线图法、Voronoi图法、自由空间法、栅格法、拓扑法、链接图法、证据理论建图等；动态环境中常见的有粒子群算法、免疫算法、遗传算法、神经网络、蚁群算法、模拟退火算法、人工势场法等。然而，多机器人路径规划研究比单个机器人路径规划要复杂得多，必须考虑多机器人系统中机器人之间的避碰机制、机器人之间的相互协作机制、通信机制等问题。 1多机器人路径规划方法 单个机器人的路径规划是找出从起始点至终点的一条最短无碰路径。多个机器人的路径规划侧重考虑整个系统的最优路径，如系统的总耗时间最少路径或是系统总路径最短等。从目前国内外的研究来看，在规划多机器人路径时，更多考虑的是多机器人之间的协调和合作式的路径规划。 目前国内外多机器人路径规划研究方法分为传统方法、智能优化方法和其他方法三大类。其中传统方法主要有基于图论的方法（如可视图法、自由空间法、栅格法、Voronoi图法以及人工势场方法等）；智能优化方法主要有遗传算法、蚁群算法、免疫算法、神经网络、强化学
多机器人路径规划研究方法 张亚鸣雷小宇杨胜跃樊晓平瞿志华贾占朝 摘要：在查阅大量文献的基础上对多机器人路径规划的主要研究内容和研究现状进行了分析和总结，讨论了多机器人路径规划方法的评判标准，并阐述了研究遇到的瓶颈问题，展望了多机器人路径规划方法的发展趋势。 关键词：多机器人；路径规划；强化学习；评判准则 Abstract:This paper analyzed and concluded the main method and current research of the path planning research for multi robot.Then discussed the criterion of path planning research for multi robot based large of literature.Meanwhile,it expounded the bottleneck of the path planning research for multi robot，forecasted the future development of multi robot path planning. Key words:multi robot；path planning;reinforcement learning;evaluating criteria 近年来，分布式人工智能(DAI)成为人工智能研究的一个重要分支。DAI研究大致可以分为DPS（distributed problem solving）和MAS（multi agent system）两个方面。一些从事机器人学的研究人员受多智能体系统研究的启发，将智能体概念应用于多机器人系统的研究中，将单个机器人视做一个能独立执行特定任务的智能体，并把这种多机器人系统称为多智能体机器人系统（MARS）。因此，本文中多机器人系统等同于多智能体机器人系统。目前，多机器人系统已经成为学术界研究的热点,而路径规划研究又是其核心部分。 机器人路径规划问题可以建模为一个带约束的优化问题，其包括地理环境信息建模、路径规划、定位和避障等任务，它是移动机器人导航与控制的基础。单个移动机器人路径规划研究一直是机器人研究的重点，且已经有许多成果[1~3]，例如在静态环境中常见的有连接图法、可视图法、切线图法、Voronoi图法、自由空间法、栅格法、拓扑法、链接图法、Dempster Shafer 证据理论建图等；动态环境中常见的有粒子群算法、免疫算法、遗传算法、神经网络、蚁群算法、模拟退火算法、人工势场法等。然而，多机器人路径规划
1.自主机器人近距离操作运动规划体系 在研究自主运动规划问题之前，首先需建立相对较为完整的自主运动规划体系，再由该体系作为指导，对自主运动规划的各项具体问题进行深入研究。本节将根据自主机器人的思维方式、运动形式、任务行为等特点，建立与之相适应的自主运动规划体系。并按照机器人的数量与规模，将自主运动规划分为单个机器人的运动规划与多机器人协同运动规划两类规划体系。 1.1单个自主机器人的规划体系 运动规划系统是自主控制系统中主控单元的核心部分，因此有必要先研究自主控制系统和其主控单元的体系结构问题。 自主控制技术研究至今，先后出现了多种体系结构形式，目前被广泛应用于实践的是分布式体系结构，其各个功能模块作为相对独立的单元参与整个体系。随着人工智能技术的不断发展，基于多Agent的分布式体系结构逐渐成为了主流，各功能模块作为独立的智能体参与整个自主控制过程，该体系结构应用的基本形式如图1所示。一方面，主控单元与测控介入处理、姿态控制系统、轨道控制系统、热控系统、能源系统、数传、有效载荷控制等功能子系统相互独立为智能体，由总线相连；另一方面，主控单元为整个系统提供整体规划，以及协调、管理各子系统Agent的行为。测控介入处理Agent保证地面系统对整个系统任意层面的控制介入能力，可接受上行的使命级任务、具体的飞行规划和底层的控制指令；各子系统Agent存储本分系统的各种知识和控制算法，自主完成主控单元发送的任务规划，并将执行和本身的健康等信息传回主控单元，作为主控单元Agent运行管理和调整计划的依据。 图1 基于多Agent的分布式自主控制系统体系结构基本形式示意图 主控单元Agent采用主流的分层递阶式结构，这种结构层次鲜明，并且十分利于实现，其基本结构如图2所示。主控单元由任务生成与调度、运动行为规划和控制指令生成三层基本结构组成，由任务生成与调度层获得基本的飞行任务，经过运动行为规划层获得具体的行为规划，再由控制指令生成层得到最终的模块控制指令，发送给其它功能Agent。各功能Agent发送状态信息给主控单元的状态检测系统，状态检测系统将任务执行情况和子系统状态反馈回任务生成与调度层，以便根据具体情况对任务进行规划调整。当遇到突发情况时，还可启用重规划模块，它可根据当时情况迅速做出反应快速生成行为规划，用以指导控制指令生成层得到紧急情况的控制指令。此外，地面控制系统在三个层次上都分别具有介入能