李少波， 宋啟松， 李志昂， 張星星， 柘龍炫

(貴州大學機械工程學院，貴陽 550025)

從20世紀60年代起，科學家們就開始對機器人進行研究，到現(xiàn)在為止機器人已經在工業(yè)生產，交通，醫(yī)療等領域得到廣泛應用。機器人路徑規(guī)劃是機器人領域的一個關鍵任務，即在各種場景中尋找從起始位置到目標位置耗時最少，路徑最短，無碰撞且最優(yōu)的路徑[1]。

對機器人路徑規(guī)劃的研究一直是中外智能機器人研究的關鍵內容。從目前的相關研究分析可知，各種智能算法已廣泛應用在機器人路徑規(guī)劃研究中并取得了階段性的進展，這些智能算法包括遺傳算法、蟻群算法、粒子群算法、模糊算法、神經網絡算法、人工蜂群算法、A*算法等。

現(xiàn)綜合相關文獻，全面介紹各類遺傳算法在機器人路徑規(guī)劃中的研究進展，并對未來發(fā)展方向做出展望，為遺傳算法在機器人路徑規(guī)劃的推廣應用提供相關資料。

1 遺傳算法

通過查閱機器人路徑規(guī)劃研究相關文獻，將2015年至2019年6月的EI(工程索引)和SCI(科學引文索引)論文數(shù)量等進行比較如圖1所示。

圖1 智能算法論文數(shù)量對比

從圖1可以直觀地看出，近5年來對機器人路徑規(guī)劃的研究中以遺傳算法論文數(shù)量最多，粒子群算法、蟻群算法、模糊算法和神經網絡算法次之，人工蜂群算法最少。結果表明遺傳算法在機器人路徑規(guī)劃中研究最多，應用最廣，是當今機器人路徑規(guī)劃研究的主流，極具發(fā)展前景。

1.1 遺傳算法特點

遺傳算法是一種通過模擬自然進化過程搜索最優(yōu)解的方法，與其他應用于機器人路徑規(guī)劃的智能算法相比，遺傳算法應用更廣，使用更頻繁，優(yōu)點更明確。遺傳算法的優(yōu)點和缺點見表1。

表1 遺傳算法優(yōu)缺點對比

1.2 遺傳算法類型

遺傳算法類型眾多，中外研究人員在基本遺傳算法基礎上提出更多改進算法，這些遺傳算法的分類如圖2所示。其中，混合遺傳算法是遺傳算法與其他智能算法結合而形成的，包含遺傳-蟻群混合算法、遺傳-粒子群混合算法、遺傳-人工蜂群混合算法、遺傳-模擬退火混合算法、遺傳-神經網絡混合算法、模糊遺傳算法、混沌遺傳算法等。

圖2 遺傳算法類型

2 路徑規(guī)劃

2.1 路徑規(guī)劃類型

根據機器人關于環(huán)境的認識，路徑規(guī)劃可分為兩類：第一類機器人具有被建模為地圖的環(huán)境的先驗知識，因此可以基于可用地圖計劃路徑，此類路徑稱為全局路徑規(guī)劃[2]，全局路徑規(guī)劃屬于靜態(tài)規(guī)劃；第二類路徑規(guī)劃假設機器人沒有環(huán)境的先驗信息，因此它必須感測障礙物位置并在搜索過程中實時構建預估的環(huán)境地圖，以避開障礙物并獲取朝向目標位置的合適路徑。此類路徑稱為局部路徑規(guī)劃[3]，局部路徑規(guī)劃屬于動態(tài)規(guī)劃。

根據研究環(huán)境的信息特點，路徑規(guī)劃還可以分為離散域范圍內的路徑規(guī)劃和連續(xù)域范圍內的路徑規(guī)劃，離散域范圍內的路徑規(guī)劃屬于一維靜態(tài)優(yōu)化問題，即環(huán)境信息簡化后的路線優(yōu)化問題，而連續(xù)范圍內的路徑規(guī)劃問題則是連續(xù)性多維動態(tài)環(huán)境下的問題。

2.2 路徑規(guī)劃步驟

路徑規(guī)劃的一般步驟為環(huán)境建模，路徑搜索，路徑平滑，而遺傳算法在機器人路徑規(guī)劃中的步驟如圖3所示。

圖3 遺傳算法路徑規(guī)劃流程圖

2.2.1 地圖的建立和種群編碼

編號與坐標轉換公式為

x=int(N/Gsize)+1

(1)

y=N%Gsize+1

(2)

式中：Gsize為每行柵格數(shù)；int為取整操作；N為柵格總數(shù)；x、y為坐標。

2.2.2 初始化種群

柵格連續(xù)判別方法為

d=max{abs(xi+1-xi),abs(yi+1-yi)}

(3)

式(3)中：d為相鄰兩點距離，如果d=1,則柵格連續(xù)，否則不連續(xù)。

2.2.3 適應度函數(shù)計算

適應度函數(shù)公式為

(4)

式(4)中：D為路徑總長度；f為適應度函數(shù)。路徑越短，柵格數(shù)目越少，適應度值越大。

2.2.4 選擇方法

采用基于概率的輪盤賭方法為

(5)

式(5)中：Pi為個體概率；fi為個體適應度。

2.2.5 交叉方式

確定交叉概率Pc，產生0～1隨機數(shù)P，若P

2.2.6 變異方式

確定變異概率Pm，產生0～1隨機數(shù)P，若P

3 應用領域

3.1 導航領域

3.1.1 無人機

針對無人機導航中迂回問題，中國Li等[4]采用分層遺傳算法評估任務區(qū)內威脅源，自動縮小迂回范圍。結果表明，能以較低代價獲得較短路徑，并有效減少繞行，但未能解決迂回中時間較長問題。美國Von Moll等[5]采用改進染色體編碼的遺傳算法減少周期性重復行走所有站點所用時間。

針對無人機在不確定性環(huán)境中導航問題，巴西Arantes等[6]采用多種群遺傳算法與可見性圖結合來規(guī)劃導航路線進而降低風險，并對無人機緊急迫降導航進行模擬[7]，但可靠性不高，僅停留在理論層面。中國對多維復雜環(huán)境中固定翼[8]無人機導航進行多次仿真，結果表明，能在實際中生成可靠性極高的威脅規(guī)避路徑。

3.1.2 車輛

針對交通擁堵問題，突尼斯Chebbi等[9]采用遺傳算法對實際交通問題的參數(shù)進行整定，但未能應用到實踐中。中國He等[10]將遺傳算法應用到基于全球定位系統(tǒng)(GPS)和地理信息系統(tǒng)(GIS)的車輛導航監(jiān)控系統(tǒng)，從而實現(xiàn)對車輛的精確定位和實時指揮，為車輛規(guī)劃合理路線，緩解城市交通道路網的擁堵。

針對無人駕駛汽車安全性問題：日本Kurosaka等[11]將模糊邏輯和遺傳算法相結合應用于無人駕駛導航中，但未解決安全性問題，且技術性不強。中國對無人駕駛汽車導航系統(tǒng)進行了深入研究，可在現(xiàn)實環(huán)境中實時自動導航和避障，安全性能高[12]。姜勇等[13]還將遺傳算法和反向傳播神經網絡相結合應用于地下無人駕駛汽車導航中，可以模擬人輸出行為進行控制，自適應能力強，前沿性高。

3.1.3 帆船和水下機器人

針對海上復雜多變環(huán)境導航問題，俄羅斯Yanchin等[14]采用并行遺傳算法在復雜海道上建立船舶最優(yōu)航線。中國Liu等[15]提出基于遺傳算法的避碰決策方法，具有較低的避碰成本，可應用于導航實踐。巴西Santos等[16-17]采用遺傳算法對多艘帆船逆風情況下的航向和初始路徑進行優(yōu)化，設計出導航中的短期路徑規(guī)劃。

針對水下導航控制精度問題：中國張磊[18]采用遺傳算法優(yōu)化模糊控制器控制精度，減少航速誤差，使水下機器人在海流干擾的導航中仍具有更好的穩(wěn)定性。楊帥等[19]將分數(shù)階技術和遺傳算法相結合對航向控制器控制參數(shù)進行自動整定，實用性強，魯棒性好。

3.2 探索領域

3.2.1 太空探索

中內外學者都對太空探索做了深入的研究。其中，日本Uwano等[20]提出探索偏向遺傳算法對月球表面進行持續(xù)探測。韓國Jung等[21]采用多目標遺傳算法優(yōu)化火星探測飛機的低雷諾數(shù)翼型的阻力系數(shù)。中國Liu等[22]采用非顯性排序遺傳算法來優(yōu)化月球探測器的減震器，從而使月球探測器著陸穩(wěn)定性得到改進。印度Raja等[23]采用遺傳算法規(guī)劃出六輪火星車在粗糙地形中穿越各種障礙的最安全最優(yōu)路徑。美國Mott等[24]采用遺傳算法優(yōu)化火星軌道參數(shù)，實現(xiàn)機器人實時導航和通信定位?，F(xiàn)階段對太空探索未取得太大成效，但機器人對太空探索仍然具有潛在價值。

3.2.2 搜索與救援

(1)空中搜救:奧地利Hayat等[25]將遺傳算法應用于多目標無人機搜索和救援，可縮短區(qū)域覆蓋和與地面網絡連接的時間，結果表明，隨著無人機數(shù)量增加，總體任務完成時間可縮短65%。但通信信號在未知環(huán)境中可能會消失，因此，需要增強信號的連通性。

(2)陸地搜救：中國Zhu[26]將多種群遺傳算法應用于帶有履帶機構的車輛，使其進行復雜曲線跟蹤，能適應更加復雜的搜索和救援環(huán)境。這種搜救方式速度較慢，在履帶車輛速度方面需加以改進。

(3)礦井搜救：中國Bai等[27]將遺傳算法和模糊神經網絡相結合應用于具有4個正交關節(jié)的煤礦救援蛇形機器人，提高了定位精度，能更好地獲取煤礦井下人員的方位信息。但搜救范圍較窄，應增大機器人路徑覆蓋范圍。

現(xiàn)階段，遺傳算法在搜索和救援領域取得了很大進展，不僅可以進行上述搜救，還可進行海上群體搜救、城市搜索救援等。

3.2.3 環(huán)境探索

(1)未知環(huán)境：印度Bhargava等[28]采用遺傳算法、實時強化學習和控制器協(xié)作的機器人對未知環(huán)境進行探測，這種方法能耗較小，速度較快，但不能靈活應對環(huán)境中出現(xiàn)的各種障礙物。美國Gunasekaran等[29]先用超聲波-激光傳感器探測未知環(huán)境與障礙物距離，再用遺傳算法規(guī)劃機器人路徑，可以精確避障。目前在未知環(huán)境探索中機器人實時信息反饋極為關鍵，需要深入研究。

(2)復雜環(huán)境：沙特阿拉伯Alsouly等[30]采用智能交叉遺傳算法優(yōu)化靜態(tài)和動態(tài)環(huán)境中的搜索過程，結果表明，此算法比靜態(tài)中的A*算法和動態(tài)中的改進遺傳算法在環(huán)境搜索的執(zhí)行時間上更加快速，但耗能較大。馬來西亞Samadi等[31]采用改進遺傳算法解決復雜環(huán)境下距離，安全性，能量問題，使機器人路徑軌跡最短，安全性最高，耗能最少。

3.3 農業(yè)領域

遺傳算法不僅可以對農業(yè)產值進行預測，還可以對農業(yè)機器人進行路徑規(guī)劃，能節(jié)省時間，提高效率。目前，國內外已將遺傳算法廣泛應用在農業(yè)機器人路徑規(guī)劃中。

(1)國外：針對精密農業(yè)環(huán)境存在凹面障礙物的問題，法國Pham等[32]采用遺傳算法最大限度的實現(xiàn)覆蓋路徑規(guī)劃并縮短機器人路徑長度。針對溫室內農藥噴灑作業(yè)路徑規(guī)劃問題，美國Mahmud等[33]設計虛擬溫室環(huán)境，采用非支配排序遺傳算法規(guī)劃移動機器人最佳路徑。

(2)中國：目前在采摘機器人上應用廣泛，Liang等[34]采用遺傳算法優(yōu)化滑模控制，大大提高采果機器人位置跟蹤的響應速度，減小位置偏差，使控制系統(tǒng)能跟蹤到預期軌跡。Zou等[35]采用非線性規(guī)劃遺傳算法調整西瓜采摘機械臂采摘路徑和姿態(tài)，減少對西瓜的不必要損傷。Cao等[36]采用遺傳算法對荔枝采摘機器人生成的避障路徑進行平滑處理，可使路徑長度縮短20%。Hu等[37]用遺傳算法對高速插秧移栽機器人進行尺寸綜合，使其可達工作空間接近需要的工作空間，提高了插秧成功率。

3.4 醫(yī)療領域

遺傳算法不僅可以應用在醫(yī)學圖像加密，去噪，還廣泛應用于手術機器人的路徑規(guī)劃，目前已經取得了突出成就。

(1)國外：美國Wang等[38]采用非支配排序遺傳算法等多種進化算法來優(yōu)化機器人配藥路徑軌跡，使多機器人在互不干擾的情況下以最短的路徑來抓取藥物。意大利Stroppa等[39]使用遺傳算法求解多邊形擬合問題，應用于患者的神經康復。韓國Nguyen等[40]采用遺傳算法來解決外科手術機器人系統(tǒng)布局和路徑規(guī)劃問題，使機器人末端執(zhí)行器與解剖位置偏差降低到毫米級別。印度Roy等[41]采用遺傳算法優(yōu)化腦電控制機器人手臂運動軌跡，使運動障礙患者使用腦電圖信號來靈活控制機械臂的活動。

(2)中國： Niu等[42]采用非支配遺傳算法來解決微創(chuàng)手術中多機器人碰撞問題，優(yōu)化了機器人運動學性能指標和剛度指標，提高了絕對位置精度和重復位置精度。Ye等[43]采用改進遺傳算法和改進概率路標法結合來解決非共面輻射治療，可在緊湊區(qū)域內與放射治療系統(tǒng)配合，避免碰撞并節(jié)省時間。Liu等[44]采用遺傳算法優(yōu)化豬腹截面軌跡，還可跟蹤尸體腹腔切割的軌跡。結果表明，該方法不會產生明顯損傷，提高了效率和質量。

3.5 工業(yè)領域

3.5.1 工業(yè)車間調度

一組作業(yè)在多機器人之間運輸是個非確定性困難(non-deterministic polynomial hard，NPH)問題，針對這個問題，中外提出了不同的解決方案。

(1)國外：突尼斯Nouri等[45]將基于鄰域的遺傳算法應用于搜索空間的全局搜索，使機器人動態(tài)規(guī)劃操作更加簡單，但消耗時間較長。伊朗Zabihzadeh等[46]將基于雙信息素的蟻群算法和遺傳算法相結合來提高機器人運動速度，縮短零件轉移時間，從而解決耗時較長。

(2)中國：在多機器人制造單元車間調度中，Yang 等[47]采用遺傳算法構建多機器人運輸關鍵運動路徑，盡量減少最大運輸時間。

3.5.2 焊接機器人

(1)國外：韓國Thao等[48]采用遺傳算法來預測自動氣體金屬弧焊的運動軌跡并生成智能模型，效率不高。南非Ogbemhe等[49]采用遺傳算法等智能方法對焊接機器人進行焊縫跟蹤和軌跡規(guī)劃，但誤差較大，精確度不高。

(2)中國：Wang等[50]采用雙全局最優(yōu)遺傳算法-粒子群算法來解決多焊接接頭路徑規(guī)劃困難問題，但難以獲得最佳路徑。Shen[51]采用遺傳蟻群混合算法解決焊接機器人路徑規(guī)劃中收斂速度和優(yōu)化度之間的矛盾，已取得良好的應用。Tong等[52]采用遺傳算法和離散粒子群優(yōu)化算法來優(yōu)化焊接路徑，可提高效率并降低成本。

3.5.3 其他工業(yè)領域

遺傳算法還可以應用于表面雙層噴涂[53]，比單層噴涂更加均勻；應用于工業(yè)機械臂[54]，可減少能耗；應用于碼垛機器人[55]，可優(yōu)化關節(jié)軌跡進而消除抖動。

3.6 物流領域

現(xiàn)今，物聯(lián)網迅猛發(fā)展，物流作為新興行業(yè)在世界各地得到快速發(fā)展，以貨物運輸和車間自動導引小車(automated guided vehicle, AGV)為代表。

3.6.1 物流運輸

(1)國外：針對貨物運輸中集裝箱裝卸問題，土耳其Erdem[56]采用遺傳算法生成貨物裝載到集裝箱的最大適應數(shù)量，從而降低運輸成本。針對復雜物料供應量問題，丹麥Nielsen等[57]采用遺傳算法來提高機器人運輸效率，用于解決大規(guī)模問題。

(2)中國：針對運輸系統(tǒng)車輛調度問題，Li等[58]將遺傳算法和貪婪算法相結合，規(guī)劃車輛路徑軌跡，能有效縮短車輛響應時間。針對行走運輸機器人快速移動能耗過大問題， Zhu等[59]采用遺傳算法規(guī)劃行走機器人移動軌跡中的過渡角，進而降低系統(tǒng)能耗，在運輸機器人戶外操作中有重要意義。

3.6.2 AGV小車

(1)國外：馬來西亞Umar等[60]采用混合多目標遺傳算法生成完整的AGV動態(tài)調度路徑和詳細的路由路徑，并優(yōu)化了AGV作業(yè)延遲時間。

(2)中國：針對多AGV路徑規(guī)劃問題，Cheng等[61]采用改進的小生境遺傳算法，設計出三種無碰撞優(yōu)化路徑。Liu等[62]將遺傳算法結合到多AGV系統(tǒng)中，對多AGV進行離線和在線兩個階段的路徑調度，改變其速度和路徑，使其運動協(xié)調一致。中國學者還對AGV在靜態(tài)環(huán)境和動態(tài)環(huán)境下的路徑軌跡優(yōu)化進行了相應研究。

3.7 軍事領域

遺傳算法在軍事領域也有一些關鍵性的應用，目前，中外都將其應用在無人機的軍事活動中，且取得了不俗的成就，但也仍有缺陷需要改進。

(1)國外：針對缺乏可靠通信網絡的未知遙遠環(huán)境，美國Mousavi等[63]采用量子遺傳算法行成大規(guī)模軍用無人機聯(lián)盟，合理規(guī)劃無人機的任務和最短路徑，減少資源消耗。針對高維動態(tài)環(huán)境，加拿大Roberge等[64]采用遺傳算法實時快速調整軍用固定翼型無人機最優(yōu)安全路徑軌跡，最大限度降低能耗和平均飛行高度，避免被敵方雷達探測到。針對復雜多變戰(zhàn)場環(huán)境，西班牙Ramirez-Atencia等[65]針對復雜多變戰(zhàn)場環(huán)境，將多目標遺傳算法應用于無人機和地面聯(lián)合軍事系統(tǒng)中，規(guī)劃地面車輛位置和行動，但難以規(guī)劃出最優(yōu)路徑。

(2)中國：針對日益復雜的戰(zhàn)場環(huán)境，Cao等[66]采用遺傳算法在探測到敵方雷達的最小停留時間內，進行最短路徑組合優(yōu)化，從而實現(xiàn)不同基地多無人機協(xié)同偵察。

3.8 其他領域

遺傳算法不僅在以上領域取得突破性進展，在其他領域內也有相應的一些成就。在不同類型機器人路徑規(guī)劃上也有廣泛應用，如輪式機器人、柔順機器人、娛樂機器人、仿生機器人等。

4 路徑規(guī)劃技術難點

4.1 最短路徑問題

在路徑規(guī)劃中，最短路徑問題是現(xiàn)階段的一個技術難點，通過改進遺傳算法中的編碼方式、適應度函數(shù)、選擇算子可規(guī)劃出最短路徑。

4.1.1 編碼

(1)實數(shù)編碼：直接用實數(shù)表示基因，容易理解且不需要解碼過程，但容易過早收斂，從而陷入局部最優(yōu)。因此，應減緩陷入局部最優(yōu)的速度，在過早收斂方面需要加以改進。

(2)二進制編碼：穩(wěn)定性高，種群多樣性大，但需要的存儲空間大，需要解碼且難以理解。因此，在降低解碼難度和釋放存儲空間方面需要加以改進。

對于路徑優(yōu)化問題，現(xiàn)階段一般有以上兩種編碼方式，但其各有利弊，可以考慮將兩種編碼方式相結合來提高路徑優(yōu)化的能力。

4.1.2 適應度函數(shù)

適應度函數(shù)是遺傳算法進化的驅動力，也是進行自然選擇的唯一標準，適應度函數(shù)值越大，解的質量越高?，F(xiàn)階段，傳統(tǒng)適應度函數(shù)值很難增加，路徑優(yōu)化能力有限，應當提出新的適應度函數(shù)來提高優(yōu)化能力，在機器人路徑規(guī)劃優(yōu)化中應結合路徑軌跡自身的要求選擇相應的適應度函數(shù)。

4.1.3 遺傳算子

(1)選擇：遺傳算法中，最優(yōu)個體的保留是現(xiàn)階段的一個難點。傳統(tǒng)輪盤賭選擇方法具有隨機性，在選擇過程中可能會丟掉較好的個體，使用精英保留機制可將前代最優(yōu)個體直接選擇，更多類似精英保留機制的選擇方法是未來研究的重點。

(2)交叉：遺傳算法中，待交叉的染色體交換部分基因的序列具有不確定性。在交叉過程中需要提高甄別最優(yōu)基因序列的能力，盡量選取父代染色體中最優(yōu)基因進行交叉。優(yōu)秀基因最大覆蓋的交叉方式是未來研究的重點。

(3)變異：遺傳算法中，變異方法產生優(yōu)秀后代的可能性極低，因為變異不確定性極大，不一定能產生最優(yōu)基因。因此應盡量減少變異概率，使用優(yōu)秀基因進行變異操作。采用變異提高種群多樣性是未來研究的重點。

4.2 最少耗時問題

在路徑規(guī)劃中，最少耗時問題是現(xiàn)階段另一個技術難點。路徑規(guī)劃中消耗時間的長短主要取決于遺傳算法生成路段數(shù)量、拓撲數(shù)據讀取效率、臨時表排序效率這三部分。耗時問題研究如圖4所示。

圖4 耗時問題研究

4.2.1 分區(qū)規(guī)劃

在路經規(guī)劃中，遍歷的路段越多，耗時越大，將路段劃分成相對獨立的起點區(qū)域、中間區(qū)域、終點區(qū)域。先采用正向鄰接表對起點區(qū)域進行規(guī)劃，逆向鄰接表對終點區(qū)域進行規(guī)劃，然后再對中間區(qū)域路線進行規(guī)劃，最后整合路線。這樣既可獲取近似最優(yōu)路線，也可避免路線冗余。

在分區(qū)規(guī)劃中，采用升降級機制如圖5所示，起點區(qū)域總體向上升級，即低等級路段過渡到高等級路段；終點區(qū)域總體向下降級，即高等級路段過渡到低等級路段；中間區(qū)域總體上保持高等級路段。此方式可有效減少遍歷路段數(shù)量，提高規(guī)劃效率。

圖5 分區(qū)規(guī)劃升降級機制

4.2.2 抽象層規(guī)劃

在路徑規(guī)劃中，拓撲數(shù)據讀取效率越高，越能節(jié)省時間。采用抽象層規(guī)劃將拓撲數(shù)據分成主干、枝干、詳細三個層次，可逐層快速讀取拓撲數(shù)據。難點在于如何抽象以及三層次之間的連接。現(xiàn)階段可根據路段等級進行抽象層劃分，至于層次間連接，則主要是高低級路段的映射關系。

在抽象層規(guī)劃中，可利用機器對機器(machine-to-machine，M2M)思想處理抽象層聯(lián)通問題，如在圖幅內進行連通性分析或者以圖幅為最底層，用圖幅出入度構建圖幅連通拓撲關系。抽象層之間聯(lián)通與映射是未來研究的重點。

4.2.3 排序方法

在路徑規(guī)劃中，臨時表排序效率易被忽視，應加以重視，常用排序方法有冒泡排序、斐波那契堆、最小堆。其中，堆排序方法效率較高，而斐波那契堆和最小堆的效率高低在不同場景的路徑規(guī)劃中有變化，應根據場景自動調整排序方法。

4.3 實時性問題

在路徑規(guī)劃中，實時性問題是現(xiàn)階段丞待解決的難點。路徑規(guī)劃過程中遇到的外界環(huán)境在不停變化，障礙信息需要實時反饋給機器人，可通過傳感器和運動控制器來實時規(guī)劃路徑。

4.3.1 傳感器

在路徑規(guī)劃中，基于傳感器數(shù)據進行實時規(guī)劃，首先采用“雙向搜索多邊形構造”搜索出復雜障礙物的包圍多邊形，然后以包圍多邊形頂點構造基于障礙物和機器人關系的可視圖，以可視圖為基礎進行實時路徑規(guī)劃。

4.3.2 運動控制器

在路徑規(guī)劃中，將最優(yōu)行進路徑中的第一個節(jié)點定義為控制器目標點。目標點對機器人產生吸引勢，障礙物產生排斥勢，以吸引勢和排斥勢構成矢量和輸入條件計算出機器人行進速度和轉角。在此輸出控制基礎上實時調整自身姿態(tài)，從而逃避障礙物走向目標點。

5 結論和展望

隨著機器人的廣泛應用，遺傳算法在路徑規(guī)劃中已經取得了大量的研究成果，但是遺傳算法仍然存在許多問題，在理論和應用研究方面還有進一步的發(fā)展空間。根據近些年來相關資料總結，未來發(fā)展主要集中在以下幾個方面。

(1)混合算法：遺傳算法及其他智能算法都有其局限性，但這些算法之間具有互補性。針對實際路徑規(guī)劃中出現(xiàn)遺傳算法難以解決的新問題，可將遺傳算法與其他智能算法相結合，乃至兩種或則三種算法相結合，取長補短，從而產生一系列更優(yōu)秀的混合算法，解決更多難題。目前中外的一些學者正在不斷地發(fā)掘不同的混合算法來解決實際路徑規(guī)劃難。

(2)未知復雜環(huán)境應用：目前中外在高維動態(tài)復雜環(huán)境下機器人路徑規(guī)劃方面的研究較少，在未知環(huán)境下進行路徑規(guī)劃面臨巨大挑戰(zhàn)，但也極具前景。在未來，星際探索、軍事戰(zhàn)爭、交通領域等都是在未知復雜的高維空間下進行，會存在很多危險和障礙，因此以后必須要將機器人路徑規(guī)劃研究重點放在未知復雜環(huán)境下。

(3)多機器人協(xié)作：目前機器人應用場合越來越多，單機器人已無法滿足現(xiàn)有需求，需多機器人相互協(xié)作。這樣可節(jié)省時間提高效率，但多機器人比單機器人在路徑規(guī)劃上更加復雜，更有難度。因此，多機器人協(xié)調工作機制是未來研究重點。

(4)仿生機器人：近年來，中外學者將生物運動機理中得到的啟發(fā)應用到機器人設計上，從而研發(fā)出仿生機器人，仿生機器人涉及空中、陸地、海洋中的生物研制出如無人機、仿生魚、仿生蜘蛛等，這些仿生機器人在路徑規(guī)劃上的研究幫助人類解決了很多難題，因此，未來可以設計出更多仿生機器人解決尚未解決的難題。