第2期 夏琳琳，等：计算智能在移动机器人路径规划中的应用综述 ·161 经点进行规划；再通过对ANN的训练来获得最优的 自组织、自学习、联想记忆特性，促使机器人主动对 神经元集合以组成路径3) 路径进行学习，不断获取新的知识.此类方法特别适 1.1.1能量函数的确定 用于求解约束优化问题，在路径规划中的应用不断 整个训练过程的目标是使路径长度尽量短，同时 增多.目前，对于ANN本身的研究多集中在网络结 尽可能远离障碍物.从数学观点来看：等效于优化或提 构、学习算法和实际应用3个方面1，借此，必将不 取一个能量函数（优化函数）4].考虑到避障，在机器 断丰富路径规划的内容。 人路径的总长度上加一个惩罚函数，即能量函数由路 1.2模糊逻辑与路径规划 径长度和碰撞惩罚函数2部分组成，表示为 此类方法的实现机理是L控制和机器人行为 E=E。+E。 控制相结合，成为线性规划中通常采用的一种规划 式中：E。为机器人与目标点的距离，E。为碰撞罚函 方法[).方法的本质是根据人工经验获得一系列 数.因此，关注的主要是网络本身能量函数及其碰撞 控制规则，经模糊推理（如Zadeh推理、Mamdani推 惩罚函数的选取.借助BPNN、RBFNN等典型有监 理)得到控制响应表，通过查表得到规划信息，实现 督网络的算法思想，网络训练的目标是使能量函数 移动机器人局部路径规划的有效控制.总的来说，方 达到最小，最直接的结论是：相碰的障碍越多、空间 法的难点体现在2个方面：一是如何选取行为和推 点与障碍物中心距离越大，施加的惩罚E。越大，使 理规则的输入、输出变量，使模糊控制器容纳这些不 得此路径生成的可能越小；反之，路经点越远离障碍 确定的信息；二是如何构造出一张实践效果较好的 物、路径的长度E越短，能量函数E也越小，生成此 控制响应表，以产生平滑的控制输出。 路径的可能越大 1.2.1输入、输出信息的模糊化 1.1.2网络结构、学习方法的改进 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，为ANN 的输入是障碍物距离和速度，输出是机器人的运动 在路径规划领域的研究提供了丰富的内容.有的学 速度和导向角变化2]具体地，方法将障得物距离 者引入了新的网络训练结构，如利用4层小波RBF 划分为近距、中距和远距；将速度划分为慢速、中速 (WRBF)网络进行路径规划，以机器人当前位置作 和快速；角度划分为负大、负、零、大或正大.模糊规 为网络输人，下一时刻位置作为网络输出.此方法有 则的形式为 效地避免了传统AI对每一个障碍物用一定的神经 If A and B Then C and D. 元表示，当障碍物较多、网络规模庞大、处理运动的 还有一些文献将控制器的输入变量定义为机器 障碍时，由于障碍物边界方程的不定性，因此要不断 人与障碍物之间的距离和障碍物相对目标方向的方 调整阈值61.有的学者借助Hopfield NN(HNN)结 位角，输出变量为机器人遇到障碍物后转动的角 构，设计一种局部连接HNN规划器，分析了HNN的 度3].采用经典的产生式规则形式，即 稳定性问题，并给出了存在可行路径的条件.同时， If A and B Then C. 能够保证计算复杂度和神经元个数成线性关系] 归纳起来，此类方法将物体的运动状态用模糊 这种方法将路径安全性在权值设计中体现出来，折 集合的概念（即运动平面的二维隶属函数）来表达， 衷处理了路径“过远”和“过近”因素，体现了路径的 每个隶属函数要包含了物体当前位置、速度的大小 完整性。 和方向等信息，而这些信息的获取在实际应用中是 庞大的训练样本数、冗长的学习训练的时间、复 很难得到的 杂的网络拓扑结构以及不断增加的权值等参数的存 有的学者提出一种在未知环境下智能机器人的模 储空间，也是ANN用于路径规划所面临的主要问 糊控制算法，它将障碍物信息分为3个方向，分别为正 题.有的学者融合了2类不同结构的网络类型，提出 前方、左前方和右前方.行为和推理规则的输入变量设 将自组织性能与BPNN结合，构造一类LMBPNN 为4个，分别为机器人预定的目的地方向、前进方向的 (Levenberg-Marquardt BPNN).底层规划器实现局部 左、中、右3面障碍物状态，模糊输出为机器人的速度 路径规划，产生原始路径：借助S0M分类器将原始 和方向.这种方法使机器人对定位精度不敏感，规划算 路径进行分类，以实现路径数据压缩；BP学习器对 法的鲁棒性较好.同时也应注意到，方法在地图构建、 分类后产生的路径进行学习⑧].该方法解决了存储 修改及路径规划方面还存在一定问题 空间及数据冗余问题，不断增多的关于未知环境的 1.2.2模糊控制相应表的构建 探索，促进了所构建地图的完整性.ANN所具有的 对于文献[13]输入、输出信息的形式，设计一