2025《机器人路径规划算法研究的国内外文献综述》3700字.docxVIP

PAGE

PAGE28

PAGE

PAGE28

机器人路径规划算法研究的国内外文献综述

移动机器人具备感知环境的能力，根据周围环境的变化，在移动范围内自主调整行进方向后继续运行。智能移动机器人能够自主导航的技术核心是路径规划算法不断的完善和改进。依照机器人对运行环境中障碍物位置和大小等信息的掌握深度，可以分为全局规划和局部规划两大类，近几年，国内外科研人员对路径规划算法的研究卓有成效，提出了多种路径规划算法[14,15]。

1.1全局路径规划

下面简要叙述常用的A*算法、快速拓展随机数PRT和蚁群算法等全局规划算法。

（1）A*算法

1968年，美国斯坦福研究所的彼得?哈特等人共同发表了A*算法[16]，这是一种常用的启发式路径搜索算法之一。其综合了经典的Dijkstra算法和BFS算法的思想精髓，自问世以来，因其直接简便、搜索能力强并且保证全局路径最优的特点被广泛应用于无人驾驶、智能机器人等应用科技领域。对于其在实际应用中出现的算法运行效率低、路径转折次数较多的问题国内已涌现出不少改进的A*算法。王红卫等人提出了平滑A*算法[17]，其改进思路是对路径进行后优化，具体做法是选取路径上连续的3个节点,当中间一点分别与前后两节点的连线上不存在阻挡情况时,舍弃此节点,该算法缩短了路径距离,减少了路径偏转数量，原先的路径被优化得较平滑；王小红[18]等人从子节点数量上作出改进，提出对邻域进行扩展的方法,将传统的8个子节点提高到24个,这样机器人就可以选择更小的运动角度移动,改进后方法得到的规划路径更加平滑,并且由于启发式函数不再是单独的采用曼哈顿、欧式或者其他方法计算距离的手段,而是将它们通过权重叠加的方式以适用在实际的复杂环境中,使得A*算法的适用度再次得到加强,规划的路径转折少更加柔和细腻。

（2）快速拓展随机树PRT

快速随机树是一种基于采样的针对高偶空间的路线捡索方法，PRT具有收敛快、搜索实力不俗、对事先环境地图没有其他特殊条件的特点，也一直得到自主导航领域的广泛研究和应用，是一种快速搜图方法，缺点是在运行时由于没有目的性，特别是在三维空间或者极度复杂环境中，算法耗费的时间和内存资源太大，闭死区和局部最优的困难急需解决。2005年李双燕[19]基于滚动路径规划法的思想优化了传统的PRT，有效降低了原始算法的复杂性，提高了PRT算法的收敛速度、算法运行时比优化前具有更强的目标倾向性。

（3）蚁群算法

蚁群算法（ACO）是由意大利学者Dorigo等长期观察蚂蚁觅食行为提出的一种智能优化算法[20]，其原理是：蚂蚁觅食时通常选择最短路径，蚂蚁会在行走路线上分泌信息素，当某条路径上的行走蚂蚁数量逐渐增加时，该路径上蚂蚁分泌的信息素强度就越高，大量的蚂蚁在本能的驱使下选择走信息素较多的路径，形成正向增强效应，该路径对蚂蚁来说就是最佳的。由于具有信息反馈的特点，因此本方法拥有抗干扰能力强、易于实现和可优化性高的优势，但是其并不适合解决高维动态的复杂环境，那样会导致算法的计算量增大，带来内存消耗和时效性等缺点。而且会存在局部死区无法脱离的风险。陈志等人[21]对ACO的启发式函数做了优化，在信息素刷新时引入模糊的初始量和干扰值，强行把ACO局部陷进中拉出。基于上述思想，张晓丽等人[22]也对启发式函数做了改进，不同之处在于，他基于双向搜索思想来构造ACO启发函数，特别的又引入了比例系数因子，以此减少算法的运行内存占用剔除冗余节点。成功的避免算法进入局部区域的现象，全图搜寻最优路径的能力明显得到改善。

1.2局部路径规划

人工势场法

人工势场是将机器人所处的运行环境描述为假想的势场,在这个假想势场中，目标点对机器人施加“吸引”效果,障碍物施加“排斥”作用,就像经典力学理论求解合力一样，将移动机器人受到的合势的效果来控制它运动[23,24]。其原理是：在局部环境中假设一个偏离障碍物的参照点是产生吸引效果的势源,斥力效果则来自于实际障碍物。该方法数学模型描述简单，在底层控制系统中易实现且时效性较好，在早期的规避局部静态避障物实验中展现出良好的效果，但随着实验环境的不断变化以及实际应用，其存在严重的局部极值弊端,使得机器人在狭窄的通道或者凹形区域中摆动不定、自旋。当临近目标点范围时，若目标点附近存在较大的障碍物时，它所产生的斥力若大于驱使朝目标前进的合力，则无法使机器人运动到终点，导致规划路径失败等问题[25]。

此后，Borenstein等人[26]着手对人工势场的数学模型缺陷进行研究，提出了一种基于向量场直方图的局部快速避障算法(VFH),实验表明大大降低了陷入局部极小值点的风险，使用该方法的移动机器人可在理想的规则障碍物空间或狭小巷道中搜寻局部较优的路径，但是,此