计算智能在移动机器人路径规划中的应用综述

ｃ ｄ ｇａｔ ｃａ ｎｕａ ｎ ｔｏｋ Ａ Ｎ ，ｕｚ ｇｃ（ Ｌ ， ｎ ｅｅ ｃａ ｏ ｔｍ Ｇ ， ｅｅｐｅｅ ｔ — ｌ ｉ ｒｆ ｉ ｅｒ ｅ ｒｓ（ Ｎ ） ｆｚ ｌ ｉ Ｆ ） ａ ｄｇｎｔ ｌ ｒｈ ｓ（ Ａ） ｗ ｒ ｒｓｎ ｄｉ ｓ ｕｎ ｉ ｌ ｉ ｌ ｗ ｙｏ ｉ ｇｉ ｅ ｎｅ
计 算 智 能 在 移 动 机 器 人 路 径 规 划 中 的应 用 综 述
夏 琳 琳 ， 张健 沛 初 妍 ，
（ ． 尔滨 工程 大 学 计 算 机 科 学 与技 术 学 院 ， １哈 黑龙 江 哈 尔滨 １００ ； ． ５０ １ ２ 东北 电 力 大 学 自动 化 工程 学 院 ， 吉林 吉林
（ｅｅｃａ ｏｔｍ， Ａ 等逐渐应用于路径规划领域 ， ｇｎｔ ｇｒｈ Ｇ ） ｉｌ ｉ 这 些方法主要 以数值数据为基础 ， 通过数值计算 ， 运用算
法实现问题求解 ．
态的无 碰路径 ¨ ． 目前 ， 智能机器人 的路径规划 大致可 以划分 为传 统方法和智 能 方法 ２类【 ． 者 由几 何法 、 ２前 ｊ 单元 分 解 法 、 格 法 （ ｒ ｓ 、 工 势 场 法 （ ｒｆ ｉ ｏ ｎ ａ 栅 Ｇ ｄ）人 ｉ ａ ｉｃ ｐｔ ｔｌ ｔ ａ ｉｌ ｅ ｉ ｆ ｌ） ｉ ｄ 以及数学分析 、 ｅ 路径搜 索算 法、 枚举技术 （ Ａ 如
计算 智能 的许 多理 论 与技 术还 在发 展 之 中， 本
文 以其 与路 径规划 领域 的交 叉融 合 为 主要视 角 ， 详
尽探讨这些 算法 的实 现机理与设计 思想．
搜索 、 搜 索） 引申而来 ， Ｄ 等 彼此之 间不排斥 ， 因而可
以结合起来共 同实现路径规划 问题． 对于后者 ， 随着人
Ａｎ ａ ｐ ｉａ ｉ ｎ ｓ ｒ ｅ ｎ ｃ ｍ ｐ ｔ ｔｏ ａ ｎ ｅ ｌ ｅ ｃ ｐ ｌ ｔｏ ｕ ｖ ｙ ｏ ｏ ｃ ｕ ａ ｉ ｎ ｌｉ ｔ ｌ ｇ ｎ ｅ ｉ
ｆ ｒｐ ｔ ｌｎ ｉ ｇ ｏ ｏ ｉ ｏ ｏｓ ｏ ａ ｈ ｐ ａ ｎ ｎ ｆｍ ｂ ｌ ｒ ｂ ｔ ｅ
￣ ｅｆ ｇ ｏｔｅｓ ＤａｌＵ ｉ ｒ ｔ， ｉｎ１２ １ ， ｈｎ ） ｎｅ ｎ ，Ｎ ｒ ａｔ ｉ ｉ ｎｖ ｓｙ Ｊ ｉ ０ Ｃ ｉ ｉ ｈ ｎ ｅ ｉ ｌ ３ ２ ａ
Ａｂｓｒ ｃ ： ｔ ｌｎ ｉ ｇ ｆｃ ｓ ｓ ｏ ｕ ｔ ｒ ｂ ｈ ｖ ｏ ｏ ｔｏ ，ｗｈ ｃ ｓ ｂ ｓ ｄ ｕ ｏ ｈ ｏ ｉ ｏ ｉ ｇ ａ ｄ ｏ ｓａ ｌ — ｔ ａ ｔ Ｐａｈ ｐ ａ ｎ ｎ ｏ ｕ ｅ ｎ ｆｒｈｅ ｅ ａ ｉｒｃ ｎｒ ｌ ｉｈ ｉ ａ ｅ ｐ ｎ ｔ ｅ ｐ ｓｔ ｎ ｎ ｎ ｂ ｔｃｅ ａ ｉ
工智能 中计算智能 （ｏ ｐｔｉ ａｉｔ ｉ ｎｅＣ） ｃｍ ｕ ｔｎｌｎ Ｈｇ ｃ，Ｉ的长 ａｏ ｅ ｅ 足发展 ， 一些分支学科 ， 如人工神经 网络 （ｒｆ ｉ ｅ— ａｉ ａ ｎｕ ｔｃ ｉｌ ｒ ｅ ｏ ，Ｎ 、 ｌ ｗｋ ａ ｎｔ ｒ Ａ Ｎ）模糊逻辑（ ｚ ｇ ，Ｌ 、 ｆ ｚｌ ｉ Ｆ ）遗传算法 ｕ ｙｏ ｃ
物、 路径 的长度 Ｅ 越短 ， 量 函数 Ｅ也越 小 ， 能 生成此 路 径 的可 能越 大．
１ １２ 网络 结构 、 习方法 的改进 ． ． 学
法 的难点 体现在 ２个 方 面 ： 一是 如 何选 取 行 为 和推
理规 则 的输入 、 出变量 ， 输 使模糊 控制 器容 纳这些不 确定 的信 息 ； 是如 何 构造 出一 张 实践 效 果 较好 的 二
控制 响应 表 ， 以产生平 滑 的控制 输 出．
１ ２ １ 输 入 、 出信 息 的 模 糊 化 ． ． 输
一
些 文献构 建 了这 样 一 类 避 障模 糊 控制 器 ： 它
网络 结构 的多 样性 和改 进 的学 习算 法 ， Ａ Ｎ 为 Ｎ 在路 径规 划领域 的研 究提 供 了丰 富 的 内容 ． 的学 有 者 引入 了新 的网络 训练 结 构 ， 利 用 ４层 小波 Ｒ Ｆ 如 Ｂ
第 ６卷第 ２期
２ １ 年 ４月 ０１
智能Βιβλιοθήκη 系统学报
Ｖ０ ． № ． １６ ２
Ａｐ ． ０１ ｒ２ ｌ
ＣＡＡＩＴ ａ ｓ ｃｉ ｎ ｎ Ｉ ｔｌ ｇ ｎ ｙ ｔｍｓ ｒ ｎ ａ ｔ ｓｏ ｎ ｅｌ ｅ ｔＳ ｓｅ ｏ ｉ
ｄ ｉ１ ． ９ ９ ｊｉｓ ． ６ ３４ ８ ． ０ １０ ． １ ｏ：０ ３ ６ ／ ．ｓｎ １ ７ －７ ５ ２ １ ． ２ Ｏ １
著名 学者蒋新 松 曾这 样 为路 径 规划 定 义 ： 径 路
规划 是智 能机器人 的一个 重 要组 成 部分 ， 的任 务 它 是在具 有 障碍物 的环境 内按照 一定 的评 价标 准 （ 如 工作代 价最 小 、 走 路 线 最 短 、 走 时 间最 短 等 ） 行 行 ，
寻找一 条从 起始 状 态 （ 括 位 置 和姿 态 ） 目标 状 包 到
第 ２期
夏 琳琳 ， ： 算 智 能 在 移 动 机 器人 路径 规 划 中 的 应用 综 述 等 计
经点 进行 规划 ； 通 过对 Ａ Ｎ的训练 来获得 最 优 的 再 Ｎ
自组织 、 自学 习 、 联想 记 忆 特 性 ， 促使 机 器 人 主 动对 路 径进 行学 习 ， 断获取 新 的知识 ． 不 此类 方法 特别适
ＸＩ ｉｌ ，Ｚ Ａ Ｌｎｉ ｎ ＨＡＮＧ Ｊａ ｐ ｉ，Ｃ ｎ ｉｎ ｅ ＨＵ Ｙａ
（ ． ｏ ｅｅｏ ｏ ｐ ｔ ｃ ｎ ｅａ ｄＴ ｃ ｎ ｌ ｙ Ｈ ｒ ｉ Ｅ ｇｎ ｅ ｎ ｎｖｒｉ ， ａｂ ５ ０ １ Ｃ ｉａ ２ Ｓ ｈ ｏ ｏ Ａ ｔ ａ ｏ ｎ １ Ｃ ｌ ｇ ｆ ｍ ｕｅ Ｓ ｉ ｃ ｎ ｅｈ ｏ ｇ ， ａ ｎ ｎ ｉｅｒ ｇ ｉ ｓ ｙ Ｈ ｒｉ １０ ０ ， ｈｎ ； ． ｃ ｏｌ ｆ ｕ ｍ ｔ ｎＥ 一 ｌ Ｃ ｒ ｅ ｏ ｂ ｉ Ｕ ｅ ｔ ｎ ｏ ｉ
ｔ ｅ ｌｚ ｔｏ ｒｎ ｉ ｌ ｓａ ｄ ｄ ｓｇ ｃ ｍｅ ｆｔｅ ｅ ｓｒ ｔｇｅ ｒ ｅ ｅ ｒ ｈ ｄ ｅａ ｏａｅｙ．Ｅｖ ｎｕ ｌ ｈｅ ｒ ａｉａ ｉｎ ｐ ｃｐ ｅ ｎ ｅ ｉｎ ｓ ｈｅ ｓｏ ｓ ｔａｅ ｉ ｓｗｅ ｅ ｒ ｓ ａ ｃ ｅ ｌ ｂ ｒ ｔｌ ｉ ｈ ｅ ｔａ ｙ，ｃ ｎ ｉｅ － ｌ ｏ ｓｄ ｒ
ｖ ｉ ａ ｅ ｃ ｐ ｂ ｌ ｉｓ ｏ ｂ ｌ ｏ ｏｓ Ｔｈ ｈ ｏｅ ｉａ ｅ ｃ ｐ ｉｎ ｆｓ ｍｅ ｃ ｍｐ ｔｔｏ ａ ｎｅ ｉ ｅ ｃ ｔ ｏ ｓ ｎ ｏｄ ｎｃ ａ ａ ｉ ｔｅ ｆｍｏ ｉｅ ｒ ｂ ｔ． ｉ ｅ ｔｅ ｒ ｔｃ ｌｄ ｓ ｒ ｔｏ ｓｏ ｏ ｏ ｕ ａｉｎ ｌｉ ｔＨ ｇ ｎ ｅ ｍｅ ｈ ｄ ，ｉ — ｉ
未 来可 能 的研 究 发 展方 向进 行 了探讨 ．
关键词 ： 计算智能 ； 路径规划 ； 模糊逻辑 ； 人工神经 网络 ； 遗传算法
中 图分 类 号 ：Ｐ ８ 文 献 标 识 码 ： 文章 编 号 ：６ ３ ７ ５ ２ １ ）２ ）６ －６ Ｔ １ Ａ １７ － ８ （０ １ ０ ４１００ ４
ｑ ｅｃ ， ｎ ｅｊｉ ｅ ｅｎｅｃ ｏ ｔ ｎａ ｄｐ ｔ ｐ ｎ ｉｇ ｔｏ ａ ｎｌ ｅ ｅｅａ ｓｎｅ ｏｅｖｒ ｕｎ ｅ ａ ｄｔ ｎ ｂ ｔ ｅ ａｈｓｌ ｉ ｎ ａ ｌ ｎｎ ｈｄｗ ｓ ａ ｚｄｉ ａｇｎｒｌ ｅｓ．Ｍ ｒｏｅ， ｈ ｏｔ ｗ ｕｏ ｈ ａ ｍｅ ａ ｙ ｎ
１ 路 径 规 划 中的计 算智 能方法
１ １ 人工神 经网络与路径 规划 ．
移动机器人 路径规划在 一定条件下 属于优化 问 题， Ｎ Ａ Ｎ方法非 常适 合 于 已知环 境 的路径 规划 ． 首 先 ， 环境地 图映射成神经 元 网络 ， 置神经元 的 需将 设
值来表 征不 同的地 图状况 ， 利用 网络对 一 系列 的路
神经元 集 合 以组 成路径 ．
１ １ １ 能 量 函数 的 确 定 ． ．
用于求 解 约束优 化 问题 ， 路 径 规划 中 的应 用不 断 在
增多． 目前 ， 于 Ａ Ｎ本 身 的研 究 多集 中在 网络 结 对 Ｎ 构 、 习算法 和实 际应 用 ３个 方 面 ， 此 ， 学 借 必将 不 断丰 富路径规 划 的 内容 ． １２ 模 糊逻辑 与路 径规 划 ． 此 类方法 的实 现机 理 是 Ｆ Ｌ控制 和 机 器人 行 为
数． 因此 ， 注 的主要是 网络 本身 能量 函数及 其碰撞 关 惩 罚 函数 的 选 取 ． 助 Ｂ Ｎ Ｒ Ｆ Ｎ 等 典 型 有监 借 Ｐ Ｎ、 Ｂ Ｎ 督 网络 的算法 思想 ， 网络 训 练 的 目标 是 使 能 量 函数 达 到最小 ， 最直 接 的结 论 是 ： 碰 的障 碍越 多 、 间 相 空 点 与 障碍物 中心距 离 越 大 ， 施加 的惩 罚 Ｅ 越 大 ， 使 得 此路径 生成 的可 能越小 ； 之 ， 经点 越远 离 障碍 反 路
ｉｇ ｔｅ ｅ ｏ ｕ ｉｎ ｔｅ ｄ，ｔ ｅ ｐ ｓｉ ｌ ｕｕｒ ｉｅ ｔ ｎ ｏ ｔ ｌ ｎ ｉｇ ｗａ ｌｏ ｄ ｓ ｕ ｓ ｄ ｎ ｈ ｖ ｌ ｔ ｒ ｎ ｏ ｈ ｏ ｓｂ ｅ ｆ ｔ ｅ ｄ ｒ ｃｉ ｆｐａｈ ｐ ａ ｎ ｎ ｓ ａｓ ｉｃ ｓｅ ． ｏ Ｋｅ ｗｏ ｄ ｃ ｍ ｐ ｔｔ ｎ ｌｉ ｔｌｉｅ ｃ ｙ ｒ ｓ： ｏ ｕ ａｉ ａ ｎ ｅｌ ｎ ｅ；ｐ ｔ ｌｎ ｉ ｇ；ｆ ｚｙ ｌｇｃ；ａ ｉ ｃａ ｅ ｒｌｎ ｔ ｒ ｏ ｇ ａｈ ｐ ａ ｎ ｎ ｕ ｚ ｏ ｉ ｔｉ ｒ ｆ ｉ ｌｎ ｕ ａ ｅｗｏ ｋ；ｇ ｎ ｔ ｌｏ ｔ ｍ ｅ ｅ ｉ ａｇ ｒ ｈ ｃ ｉ
Ｅ ＝ Ｅ ｇ＋ Ｅ ｃ ．
式中：
为机器人 与 目标 点 的距 离 ， Ｅ 为碰 撞 罚 函
控制 相结 合 ， 为线 性 规 划 中通 常采 用 的一 种 规划 成 方 法 ¨ “． 方法 的本 质是 根 据 人工 经 验 获 得一 系 列 控制 规则 ， 模 糊 推 理 （ Ｚ ｄｈ推 理 、 ｍｄｎ 推 经 如 ａｅ Ｍａ ａ ｉ 理） 得到 控制 响应 表 ， 过 查 表 得到 规划 信 息 ， 通 实现 移动 机器 人局部 路径 规划 的有效 控制 ． 的来说 ， 总 方
收 稿 日期 ：０ ００ ２８ ２ １－４ 基 金项 目 ： 黑龙 江省 自然 科 学 基 金 资 助 项 目 （ ２０ １ ） 黑龙 江 省 教 Ｆ ０９ ７ ； 育厅 科 学 技 术研 究 资 助 项 目上 （ １５０ ６ ． １５ ３４ ） 通 信作 者 ： 琳 ． — ｉ：ｒｔ ｌ５ １ ｙｈｏ ｃｒ．／ 夏琳 Ｅｍａ ｐｅｙｉ ２ ＠ ａｏ．ｏ ｃ． ｌ ｔｎ ｎ ｉ
整个训练过程 的 目标是使 路径 长度尽 量短 ， 同时 尽可能远离障碍物 ． 从数学观点来 看 ： 等效于优化 或提 取一个能量 函数 （ 化 函数 ） Ｊ考 虑到避 障 ， 优 ． 在机器 人路径 的总长度 上加一 个惩罚 函数 ， 即能量 函数 由路 径长度和碰撞惩罚 函数 ２部分组成 ， 表示为
１２ １ ） ３ ０ ２
摘
要： 移动机器人路径规划是建立在机器人定位与避障研究之上 ， 进一步对机器人 行为的深入． 在给 出人工神经
网络（ Ｎ ） 模糊逻辑（ Ｌ 、 ＡＮ、 Ｆ ） 遗传算 法（ Ａ） Ｇ 等计算智能原理性方法 的基础上 ， 从一般意义讨论 了各类计算智能方法
用于路径规划的切入点 ， 研究了各类算法的实 现机理与设计思想． 最后结合 目前 的技术发展趋 势， 对路径规划问题