智能机器人的三大关键技术详解

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，以寻找出一个最优匹配模版；然后对该模版进行修正，并以此作为最后的结果，模版匹配技术在环境确定情况下，有较好的应用效果，如Vasudevan等提出的基于案例的自治水下机器人（AUV）路径规划方法，Liu等提出的清洁机器人的模版匹配路径规划方法，为了提高模版匹配路径规划技术对环境变化的适应性，部分学者提出了将模版匹配与神经网络学习相结合的方法，如Ram等将基于事例的在线匹配和增强式学习相结合，提高了模版匹配规划方法中机器人的自适应性能，使机器人能部分地适应环境的变化，以及Arleo等将环境模版与神经网络学习相结合的路径规划方法等。

　　2.人工势场路径规划技术

　　人工势场路径规划技术的基本思想是将机器人在环境中的运动视为一种机器人在虚拟的人工受力场中的运动。

　　障碍物对机器人产生斥力，目标点对机器人产生引力，引力和斥力的合力作为机器人的控制力，从而控制机器人避开障碍物而到达目标位置。　　早期人工势场路径规划研究是一种静态环境的人工势场，即将障碍物和目标物均看成是静态不变的，机器人仅根据静态环境中障碍物和目标物的具体位置规划运动路径，不考虑它们的移动速度。

　　然而，现实世界中的环境往往是动态的，障碍物和目标物都可能是移动的，为了解决动态环境中机器人的路径规划问题，Fujimura等提出一种相对动态的人工势场方法，将时间看成规划模型的一维参量，而移动的障碍物在扩展的模型中仍被看成是静态的，这样动态路径规划仍可运用静态路径规划方法加以实现。

　　该方法存在的主要问题是假设机器人的轨迹总是已知的，但这一点在现实世界中难以实现，对此，Ko等将障碍物的速度参量引入到斥力势函数的构造中，提出动态环境中的路径规划策略，并给出了仿真结果，但是，该方法的两个假设使其与实际的动态环境存在距离：

　　（1）仅考虑环境中障碍物的运动速度，未考虑机器人的运动速度；

　　（2）认为障碍物与机器人之间的相对速度是固定不变的，这不是完整的动态环境。对于动态路径规划问题来说，与机器人避障相关的主要是机器人与障碍物之间的相对位置和相对速度，而非绝对位置和速度，对此，Ge等将机器人与目标物的相对位置与相对速度引入吸引势函数，将机器人与障碍物的相对位置与相对速度引入排斥势函数，提出动态环境下的机器人路径规划算法，并将该算法应用于全方位足球移动机器人的路径规划中，取得了比较满意的仿真与实验结果。

　　3.地图构建路径规划技术　　
　　地图构建路径规划技术，是按照机器人自身传感器搜索的障碍物信息，将机器人周围区域划分为不同的网格空间（如自由空间和限制空间等），计算网格空间的障碍物占有情况，再依据一定规则确定最优路径，地图构建又分为路标法和栅格法，也称单元分解法。

　　前者是构造一幅由标志点和连接边线组成的机器人可行路径图，如可视线方法、切线图方法、Voronoi图方法和概率图展开法等。

切线图方法与Voronoi图方法

　　可视图法将机器人看成一个点，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，便形成一张图，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，路径规划就是搜索从起点到目标点经过这些可视直线的最短距离问题；

　　切线图法和Voronoi图法对可视图法进行了改造，切线图法以多边形障碍物模型为基础，任意形状障碍物用近似多边形替代，在自由空间中构造切线图，因此从起始点到目标点机器人是沿着切线行走，即机器人必须几乎接近障碍物行走，路径较短，但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，Voronoi图由一系列的直线段和抛物线段构成，直线由两个障碍物的顶点或两个障碍物的边定义生成，直线段上所有点必须距离障碍物的顶点或障碍物的边相等，抛物线段由一个障碍物的顶点和一个障碍物的边定义生成，抛物线段同样要求与障碍物顶点和障碍物的边有相同距离，与切线法相比，Voronoi图法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，安全性较高，下图为切线图法与Voronoi图法示意图。

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