移动机器人路径规划算法的研究综述

林韩熙，向 丹，欧阳剑，兰晓东

1.广东技术师范大学 自动化学院，广州510665

2.广东技术师范大学 广东工业实训中心，广州510665

随着科技的进步和社会的发展，移动机器人智能化和自动化的水平逐步提高，已经逐渐渗透到日常的生活中。移动机器人在工业和日常居家中都能出色地完成任务，减少人们的劳动负担。移动机器人需要在工作场景中规划出一条从初始位置到目标位置的路径[1-2]，该路径应满足路径短、高效能、安全性高等一系列要求，并且必须能够避开沿途的静态和动态障碍物[3]。同时移动机器人应具备一定的计算能力来实时计算最短和最安全的路线，以节省时间和储备能量。良好的移动机器人路径规划技术不仅可以节省大量的时间，还可以减少移动机器人的磨损和资本投资。由于移动机器人的路径规划具有重要的应用价值，已成为国内外的研究热点[4]。

本文对移动机器人路径规划问题进行系统性的总结，根据移动机器人路径规划的特点，将其划分为智能搜索算法、基于人工智能算法、基于几何模型算法和基于局部避障算法。随后对路径规划算法进行细分，从算法本身的特点出发，对算法的模型和基本原理进行解析，并指出每类算法在应用上的局限性；在此基础上，阐述各类算法的优缺点，对路径规划算法的发展具有重要意义。

移动机器人路径规划算法图如图1所示。

图1 路径规划算法分类图Fig.1 Classification diagram of path planning algorithm

1 智能搜索算法

智能搜索算法通过随机生成的初始解或采样点，经多次迭代来逼近最优的解。该类算法的最大特性是具有随机性，因而其解不具备唯一性。

1.1 启发型智能搜索法

启发型智能搜索法是相对于最优化算法提出的。路径规划中存在很多NP-hard问题，每一个问题都有最优解，但不一定能求解出来。因此，启发型智能搜索算法通过随机的可行初始解出发以及迭代改进的策略，去逼近最优路径。现阶段，启发型智能搜索法以仿自然体算法为主，主要有蚁群算法（Ant Colony Optimization，ACO）、粒子群算法（Particle Swarm Optimization，PSO）、遗传算法（Genetic Algorithm，GA）等。

1.1.1 蚁群算法

ACO算法是意大利学者Dorigol[5]在1992年提出的正反馈机制算法，其中信息素集中的路径对搜索下一个节点具有启发式影响。通常蚂蚁往信息素高的地方移动。在单移动机器人的静态环境中得到广泛应用。蚂蚁觅食示意图如图2所示。

图2 蚂蚁觅食示意图Fig.2 Schematic diagram of ants foraging

ACO算法进行路径规划时有很强的鲁棒性，但容易陷入局部最优点。为了解决该问题，不少研究者对算法的信息素浓度进行改进。Liu等[6]针对ACO算法容易陷入局部最优和搜索效率低下的问题，提出一种自适应搜索步长和信息素挥发策略的改进算法。实验结果表明，该方法收敛后的最小迭代次数分别比传统的ACO算法降低了43.97%和59.25%。并且在此基础上提出一种负载均衡策略的方法来解决多机器人路径冲突的问题。然而该方法没有解决规划的路线穿过相接障碍物的边角问题，无法在实际得到应用。Dai等[7]提出一种改进的ACO算法。仿真实验表明，与传统的蚁群算法相比，改进的蚁群算法迭代次数减少了65%以上，弯曲抑制次数减少了41%。进而证明改进的算法更有效和快速性。

不少研究者对ACO算法进行优化处理。杨洋等[8]针对多AGV避障路径优化问题，提出一种改进ACO算法和弹性时间窗相结合的多AGV避障路径优化策略。实验结果表明，该方法能在无人仓库中实现多AGV快速规划的同时找到最优的避障路径。Ajeil等[3]针对静态环境下寻优的问题，提出一种衰老的蚂蚁蚁群优化算法并且与GA算法、PSO算法作比较。实验结果表明，该方法在不同模型中规划的路径长度相比于GA算法、PSO算法平均降低了18%和17%。

1.1.2 粒子群算法

PSO算法是模仿鸟类寻找食物的行为，当鸟群寻找食物时，会共享各自当前位置的信息。通过个体与群体成员的适当交流，整个鸟群都能达到最终的食物源。其基本原理是个体与群体协作和信息共享，从而获得最优解。它由Eberhart和Kennedy[9]在1995年提出，是一个以当前搜索到的最优值来寻找全局最优值的算法。它不仅能够进行单机器人规划，也适用于多机器人的路径规划。

目前研究者主要关注PSO算法关键参数的改进和模型的变化。Song[10]针对PSO算法生成的路径不平滑而造成不必要的转弯问题，提出一种机器人路径平滑策略。该策略是在PSO算法的基础上引入使用自适应分数阶速度来提高搜索空间的能力，并通过使用高次贝塞尔曲线增加移动机器人路径的“平滑性”。实验结果表明，与几种标准PSO算法在一些基准函数上的比较，验证了改进PSO算法的优越性，并通过若干移动机器人平滑路径规划的综合仿真实验，验证了新策略的优越性。罗阳阳等[11]针对PSO算法能快速收敛但是容易陷入局部最优的问题，设计了一种突变算子来提高全局寻优能力。实验结果表明，改进后的PSO算法比原来算法的收敛速度提高了约13.3%和路径长度降低了6.5%。但是路径趋于收敛的迭代次数却大幅度增加。Ma等[12]针对动态双层仓库多移动机器人的路径规划问题，提出一种改进的方法，该方法将双重仓库下机器人最短路径问题转变为时变非线性规划问题来降低难度。仿真结果表明，该方法能够成功地解决双仓库环境下多移动机器人路径规划问题。

通过文献研究可知，粒子群算法的收敛性理论、参数设置等方面都缺乏严格的数学证明，其应用大多数是依靠经验和实验。改进后的PSO算法能迅速收敛，但新随机产生的粒子依旧存在陷入局部最优点的可能性。只有合理地设置参数，才能避免该问题。同时，不同的粒子群拓扑结构是对不同社会的模拟，有其不同的适用范围，应针对不同问题的特点来设计相应的算法和改进策略。

1.1.3 遗传算法

遗传算法由美国的Bremermann[13]于1960年提出，它是一种通过模拟生物朝着更加“适应”方向发展的搜索最优解方法。它利用遗传算子进行选择、交叉和变异来模拟进化，产生适合环境的新种群。该算法广泛应用于单机器人的场景。遗传算法工作原理图如图3所示。

图3 遗传算法工作原理图Fig.3 Genetic algorithm working principle diagram

不少研究者利用GA算法对移动机器人路径进行规划。徐力等[14]针对现有遗传算法机器人规划易陷入局部最优点的问题，提出一种改进的方法。该方法通过改变遗传算子的交叉概率和变异概率来提高算法寻优能力。实验结果表明，改进后的算法在路径长度、收敛时间都优于现有算法。而徐梦颖等[15]针对传统遗传算法在搜索最短路径容易陷入局部最优的问题，提出一种免疫克隆自适应遗传算法，该算法结合了免疫克隆算子、自适应算子从而提高解的质量，提高收敛速度。仿真实验表明，此方法相比较PSO算法和模拟退火算法，在静态障碍物环境中能够快速地规划出更短路径，提高规划效率。Qu等[16]针对GA算法收敛性差，忽视种群间合作的缺点，提出了一种新的遗传修改算子。改进后的算法能更好地避开局部最优问题，并拥有更快的收敛速度。其次，针对到多机器人合作的问题，提出利用协同进化机制来实现多机器人无碰撞避障规划。最后，通过实验结果证明该算法的有效性。Chen等[17]针对已知环境中轮式移动机器人路径规划问题，提出了一种轮式移动机器人的路径跟踪方法。实验结果表明，机器人在有障碍物的环境中能够稳定移动。Nazarahari等[18]针对GA算法受到环境栅格化大小影响、初始解多次迭代寻不到最优解等问题，提出连续环境下多个移动机器人路径规划的混合方法。实验结果表明，该算法不仅确定了无碰撞路径，还找到所有机器人接近最优解。

启发型智能搜索法能够在已知环境中快速规划出全局较优的可行路径。其中，ACO的信息素、PSO的信息共享和GA算法的遗传变异都带有随机性，使得移动机器人能更好适应全局环境。但研究者大多数时候没有考虑碰撞的可能性，规划的路径经常贴近障碍物的边角，在现实应用中算法需要加入远离障碍物的目标函数，既要路径最短，又要考虑运行安全性。同时，启发型智能搜索法在规划过程需要认真考虑具体参数之间的关系才能得到最优解。

1.2 随机型智能搜索法

随机型智能搜索算法已被证明在实践中运行良好，并具有理论上的保证，例如概率完整性[19]。它不需要对环境具体建模，就能在环境中随机探索合适的路径点，实时调节最优策略得到可行解。但该路径不一定是平滑的，需要进行优化处理，从而实现移动机器人平滑运动。

概率路线图（Probabilistic Roadmaps，PRM）和快速探索随机树（Rapidly-exploring Random Tree，RRT）算法及其变化是一些最常用的算法。

1.2.1 快速搜索随机树算法

RRT算法从起始点开始，通过随机生成树的方法建立，将生成的树与起始点的树干连接起来，构成一棵搜索树，直到树的枝叶与目标点相连。该算法常用于单移动机器人的静态路径规划中。RRT算法工作原理图如图4所示。

图4 RRT算法工作原理图Fig.4 RRT algorithm working principle diagram

不少研究者对RRT及其变体在路径规划的应用进行研究。陈敏等[20]针对RRT算法存在搜索效率低等问题，提出一种改进学习方法。将最短路径作为距离度量引入RRT算法，加快规划速度和缩短路径距离。实验结果表明，该方法缩短了规划时间和路径长度。朱冰等[21]针对RRT和RRT*算法容易陷入局部最优解和效率低等问题，提出了基于安全场的改进RRT*算法。实验结果表明，该改进算法与传统RRT*算法相比，降低了迭代次数和搜索时间，但是路径长度显著增加。Li等[22]针对RRT算法收敛速度慢在实际应用中导致效率低下的问题，提出一种结合了P-RRT*和Quick-RRT*优势的PQRRT*混合算法，实验结果表明，该算法的有效性。为了提高路径规划的质量，Wang等[23]提出了一种双向快速探索随机树（KB-RRT*）方法。该方法保留了双向搜索的优势，以节省计算资源，以及高效分支修剪策略的优势，从而生成更短的路径。仿真实验表明，KB-RRT*在路径长度上表现更好，与K-RRT、K-RRT*和KB-RRT相比，在迭代次数和节点数量上实现比较性能。王乐乐等[24]针对多机器人规划需要考虑协同避障、对空间建模等问题，提出一种改进RRT算法，该算法可以实现机器人编队一致的规划和避障。实验结果表明，该方法能够实现多个机器人路径规划的同时动态改变编队朝向。Zhang等[25]针对RRT算法搜索树方向随机性较高和步长不灵活等问题，提出自适应混合动态步长与目标引力的路径规划算法。与基本的RRT算法相比，该方法提高了通过狭窄通道的能力以及开放区域的前进速度。仿真实验表明：与传统RRT、DS-RRT、TAF-RRT和DSTAFRRT算法相比，平均路径长度和平均分支数都是最优的。

1.2.2 概率路图法

PRM算法是Kavraki和Svestka[26]在1996年提出的算法，它是基于空白空间和障碍物空间的给定地图内构成的可能路径的网络图。这种方法能用相对少的随机采样点来找到一个解。但当采样点太少，或者分布不合理时，算法可能找不到解。该方法不仅能应用于单机器人的路径规划，也可以进行多机器人规划。PRM算法工作示意图如图5所示。

图5 PRM算法工作示意图Fig.5 PRM algorithm working diagram

周相坡等[27]提出远离障碍物的改进采样PRM方法。实验结果表明，该方法提高移动机器人的安全性，但却增加了路径长度和消耗时间。Mohanta等[28]提出了一种新的概率路线图模糊控制系统，使得移动机器人到达尖锐的拐点处能平滑转弯。仿真结果表明，该方法缩短了5%以上的规划长度，同时不仅能够在存在复杂的障碍物的环境中找到最优的移动路径，而且保证移动机器人在转弯路口平滑转弯。刘洋等[29]针对PRM算法存在处理窄通道时效果差的问题，提出一种改进的PRM算法。实验结果表明，该方法提高了规划效率，同时在突发威胁的情况下也有较好表现。Ravankar[30]针对PRM算法在复杂环境中计算成本高、实时性能差的问题，提出一种改进的基于采样的移动机器人导航算法。实验结果表明，无论在全局环境还是局部环境，规划成功率都在95%以上。

综上可知，随机型智能搜索算法的共同点在于建立采样点进行路径规划，优势在于对障碍物建模简单，能快速对高维空间进行规划处理，并根据采集到的信息进行调整。但由于随机性太强，规划出的路径往往不是最优解，实际应用中需要进行二次优化处理，规划速度因此相对较慢，常用于起点和终点建立一条单向路径。

2 基于人工智能算法

人工智能路径规划是让移动机器人从环境中自主学习，并预测出可行路径，以实现移动机器人自主规划出最优路径。

2.1 Q-Learning算法

Q-learning是一种在线学习算法，是目前强化学习中最有效的路径规划算法[31]。其基本原理是移动机器人通过与环境的交互，对移动机器人动作做出奖励和惩罚，进而学习找到合适的路径。

不少研究者利用Q-learning对移动机器人进行路径规划。Soong等[32]针对Q-learning向最优解收敛的速度很慢的问题，提出一种改进的Q-learning算法。其中利用花授粉算法改进Q-learning的初始化。实验结果表明，适当初始化Q值可以加快Q-learning的收敛速度。此外，在一个三轮移动机器人的实际实验中验证了该算法的有效性。Bae等[33]针对由实际任务引起的多个机器人无冲突路径规划的问题，提出了一种基于Q-learning与卷积神经网络（Convolution Neural Network，CNN）算法相结合的多机器人路径规划算法。实验结果表明，该方法使得多移动机器人在不同的环境下快速规划出路径的同时高效地完成任务。Zhao等[34]针对收敛速度慢的问题，提出了基于当前状态节点最短距离连续更新的经验记忆学习（EMQL）算法。在规划时间、迭代次数和路径长度等方面的对比结果表明，EMQL算法在收敛速度和优化能力方面优于Q-learning算法。此外，在Turtlebot3机器人的实际实验中验证了所提算法的实用性。

2.2 深度学习

相比于其他全局的路径规划算法，深度学习是通过学习路径规划样本的内在规律，让移动机器人自主学习并规划出可行移动路径，适用于拥有大量训练样本下的机器人动态避障的场景。这是路径规划的重点关注方向之一。

不少学者尝试将深度学习应用在移动机器人中。YU等[35]针对具有安全约束条件的车辆，提出一种基于深度学习的端到端路径规划算法。仿真结果表明，所提出的规划算法能够成功地实现月球车端到端的路径规划，且所生成的路径与经典路径规划算法相比具有更高的安全性保证。针对将深度学习应用到移动机器人中的问题，Gao等[36]提出一种新的训练增量模式。同时，在这个增量模式的基础上提出将深度学习算法双延迟深度确定性策略梯度与概率路线图相结合的融合算法。实验结果表明，该模式有效提高了开发效率，而该算法提高了模式的泛化能力。

3 基于几何模型算法

几何模型路径规划是在已知环境的基础上构建几何模型，再选择合适的路径，实时调节基于最优策略得到的可行解。该方法得到的路径都是非光滑路径，因此需要进行优化，实现移动机器人平滑拐弯。

3.1 A*算法

在全局网络中，A*（A-Star）算法会依据扩展节点选择当前“代价”最低的方块进行下一步搜索，直到搜索到终点，从而规划出成本最低的路径。该方法广泛应用于单机器人的全局静态环境中。其中，A*算法的估价函数可表示为：

f(n)=g(n)+h(n) （1）这里，f(n)是关于目的地n的估价函数，g(n)是“当前代价”，即起点到目的地n的最短路径值；h(n)是“预估代价”，即当前移动机器人位置到目的地n的最优路经的启发值。

张新艳等[37]针对传统A*算法存在全局优化能力不足的问题，综合考虑路径代价、电量及系统效率等因素，提出引入时间因子的改进A*算法以寻找转弯次数少的路径方案。其次，结合时间窗与优先级策略解决了多AGV的碰撞冲突问题。实验结果表明，该方法与ACO算法和RRT算法相比，三台AGV在仓库模型下能实现无碰撞路径规划，并且路径长度和规划时间均有优势，同时AGV总利用率达到89.1%。刘子豪等[38]针对A*算法进行路径规划存在过多的冗余点和拐点的问题，提出跳跃点搜索理论和反向搜索策略相结合的改进A*算法。该算法剔除不需要的节点，减少运算时间。并在拐点处进行优化处理，得到更加平滑的路径。实验结果表明，与传统A*算法相比，运算时间平均为原来的56.09%，路径长度降低为原来的97.94%。

3.2 Voronoi图

Voronoi图是用于机器人移动全局路径规划的一种路线图算法。该方法将目标区域划分为若干子区域，所有的边界线都是利用障碍物边界上相邻两点的等距点构造的。移动机器人沿着子区域边界线移动，规划出一条从起始点到目标点的路径。。

不少研究者利用Voronoi图对移动机器人路径进行规划。Ayawli等[39]针对移动机器人在复杂动态环境下的路径规划问题，提出了一种Voronoi图路径规划算法。仿真实验结果表明，该方法可以有效地确定碰撞威胁移动障碍物，避免不必要的重新规划计算。Hu等[40]针对动态未知环境的多移动机器人问题，提出了一种基于Voronoi分区的多移动机器人协同探索策略和深度强化学习的无碰撞算法。动态Voronoi分区减少了多个机器人重复探索区域。实验结果表明，与传统方法相比，该策略降低了任务完成的总体时间和能量消耗，且验证了无碰撞算法的有效性。

4 用于局部避障算法

用于局部避障算法的目的是为了增强移动机器人的避障能力，提高安全性。让移动机器人远离障碍物，规划出一条安全的无碰撞路径。

4.1 人工势场法

Khatib[41]在1986年提出人工势场法（Artificial Potential Fifield approach，APF），用于实时避障。人工势场法是目标位置对机器人存在“吸引力”；障碍物对机器人存在“排斥力”；最后通过作用在机器人本身的合力来改变机器人运行方向。人工势场算法结构简单，能够实时规避障碍物，在单机器人局部避障路径规划中得到广泛应用。人工势场示意图如图6所示。

图6 人工势场示意图Fig.6 Schematic diagram of artificial potential field

不少研究者对APF算法进行研究和实际应用。王迪等[42]针对路径过长、APF存在局部极小点等问题，提出一种模糊势场方法。该方法将虚拟目标点和有限状态机相结合来适应多种复杂的环境。实验结果表明：该方法能够使机器人快速逃离局部最优点的同时缩短路径长度。李军等[43]针对道路势场不完善的问题，提出一种改进的人工势场模型。研究结果表明，改进的人工势场满足动力学约束，且保证行驶的稳定性。针对三维空间无人机与地面目标协同合作的问题，Jayaweera等[44]提出了一种与跟踪目标保持距离的动态人工势场路径规划技术。该方法能够避开无人机飞行轨迹上障碍物，紧紧跟踪目标；仿真结果证明，该算法的性能优于传统的APF算法，并能有效实现对目标的跟踪。Liu等[45]针对机器人难以适应不同速度和不同障碍物下路径规划的问题，提出了一种双势场融合自适应路径规划系统。仿真结果表明，该方法具有良好的规划性能。该方法为无人机和移动机器人路径规划提供一种思路。

4.2 动态窗口法

动态窗口方法（Dynamic Window Approach，DWA）是一种在当前时刻对周围进行采样，获取得下一时刻的机器人动作状态的方法。该方法可以快速到达目标点，同时避免在搜索空间中机器人与障碍物发生碰撞。但它高度依赖于全局参数，容易在未知环境中失败。机器人动态窗口示意图如图7所示。

图7 动态窗口示意图Fig.7 Schematic diagram of dynamic window

Chang等[46]针对DWA评价函数不足的问题，提出了一种基于Q学习的改进DWA算法。该算法在原来DWA算法基础上对评价函数进行修改和扩展，同时增加了两个评估函数来提高导航性能。实验结果表明，该方法在复杂的未知环境下显示了较高的导航效率和成功率。Kiss[47]针对大多数规划时将机器人视为一个单点，而导致无法通过窄带的问题，提出了一种基于模型预测控制的无加权目标函数的全局动态窗口导航方案。Henkel[48]针对导航过程中的能耗问题，提出了一种适用于动态环境下全向移动机器人导航的高效局部路径规划器。实验结果表明，与DWA算法相比，能耗降低了9.79%。

用于局部避障算法能快速求解出远离障碍物的可行路径，它们具有实时性高、简单的特点。在实际应用中，人工势场法需要根据场景进行合理的势场函数设定。DWA算法由运动学动力方程推到出的，考虑了机器人惯性问题，可以在杂乱的环境以较快的速度运行。通常情况下，它们常与其他算法配合使用，提高算法的性能。

5 多算法融合

实际应用中，机器人经常在规划过程中会出现未知障碍物等突发情况，这可能造成机器人碰撞，于是许多学者将局部避障算法强有力地避障能力和其他算法相融合，提高了机器人的避障能力。Wu等[49]针对动态路径导航问题，提出甲虫天线搜索算法和人工势场算法的混合算法。实验结果验证了该方法的有效性和优越性。Kashyap等[50]介绍了基于DWA算法和教与学优化融合技术，实验结果证明，该技术应用在单个和多个仿人机器人的静态和动态地形中都能成功实行路径规划和避障过程。针对经典的A*算法无法应用在动态环境的问题，劳彩莲等[51-52]提出改进的A*算法与DWA算法相结合的路径规划算法。实验结果表明，改进后算法规划的路径更加平滑和高效。王洪斌等[53]在此基础上对多个目标点成本的大小依次排序进行规划。实验结果表明，规划路径长度缩短5%，转折角总度数减少26.62%。但该目标点存在不足之处，只适用于同一方向上的目标点。

不少学者也在考虑将多种算法融合在一起，以提高单一算法的性能。Ali等[54]针对静态避障特征未知的机器人路径规划质量和效率问题，提出了一种改进的算法。该方法首先适用A*算法来辅助提高蚁群算法的优化性能。其次，引入马尔科夫决策过程模型来降低全局规划的锐度。实验结果表明，该算法在不同约束环境下具有有效性。Wu等[55]针对路径规划较少考虑车辆拥堵的问题，提出一种基于改进的蚁群算法的动态路径规划方法。实验结果表明，该动态规划算法有效降低了平均拥塞率。Liang等[56]针对规划效率低和成本高问题，提出一种GA和蚁群优化算法（ACOA）相结合的混合算法。实验结果表明，该混合算法能够获得机器人最优路径，节省时间和成本，具有较高的鲁棒性。Zhong等[57]针对移动机器人无碰撞跟踪等问题，提出一种安全A*与自适应DWA算法的混合算法。实验结果表明，该算法能够满足移动机器人复杂环境下的应用需求。曹凯等[58]针对障碍物和采样点密集等问题，提出一种RRT变体算法。首先，将涡流场约束引入到改进的RRT*算法中，从而引导产生采样点，再去除一些无效节点，得到一条较优的路径。实验结果表明，相对于RRT算法和VAPF-RRT*算法，路径成本分别降低了21.1%和10.3%，运算时间分别缩短了12.1%和33.1%。但该方法仅限于圆形障碍物，涡流场在三角形和不规则形状的障碍物的环境中的效果不佳。Qureshi等[59]针对RRT*算法收敛性慢的问题，提出了基于势函数的RRT*。实验证明表明，该算法大大减少迭代次数，从而提高内存利用率和加快收敛速度。Wang等[60]针对RRT算法的初始解比较敏感，收敛到最优解缓慢的问题，提出一种基于卷积神经网络（CNN）的最优算法。该算法利用CNN模型生成非均匀采样分布，并对大量A*算法的路径规划案例进行训练。预测出给定的任务在地图上的最优路径的概率分布，该过程只需要50 ms。仿真结果表明，与传统算法相比，该算法具有更好的性能。并在最后对未来的路径规划工作进行扩展。

无论是规划精度还是路径距离、时间长短等，融合算法规划路径的效果都比单一的算法有所提高。它具有收敛性强、快速求可行解等特点，同时降低了陷入局部最优解的概率，提高了解的质量。虽然融合算法有效提升单一算法的求解能力，但是算法的复杂程度和计算成本也随之增加。同时，即使融合算法也存在一定的改进空间，其难以同时满足能量最小、时间最优等最优准则。各种算法原理只是一个基础，需要研究者根据环境模型在多种算法中找出适合的算法来结合，以便解决实际问题。

6 讨论

本文对各种算法进行简要归纳，列举相关的算法的机制、改进措辞、分析存在的优缺点以及适用场景，结果如表1所示。

表1 主流路径规划算法汇总表Table 1 Summary table of mainstream path planning algorithms

现有的路径规划算法都能成熟应用在移动机器人之中。在实际应用中，单移动机器人路径规划模型难以模拟现实多变的情况，多移动机器人路径规划更贴近现实。多移动机器人存在协同合作、调度任务等问题，因而需要进行合理的规划，提高规划效率和降低能耗。

相比较其他路径规划算法，基于机器学习的方法在无人车辆路径规划方面有着巨大潜力，但仍需要进一步的研究更加有效的、可靠的路径规划方法。如利用摄像头和激光雷达采集周围的信息进行数据融合，在使用A*算法最短路径的基础上进行避障等决策。实际应用效果有待研究者进一步研究。

同时，不同场景下的算法评价函数有所不同，难以用精确的数学模型表示。在已知的应用中，都是将障碍物近似等效为圆形、矩形等，再对环境进行路径规划，在实际应用的泛化能力还有待试验。

7 总结

本文主要阐述了智能搜索算法、基于人工智能算法、基于几何模型算法和用于局部避障算法用于规划路径的方法，并介绍这些方法的优点、局限性以及适用场景。最后对路径规划技术提出以下展望。

（1）更高效的路径规划算法融合

目前，移动机器人路径规划的研究已相对成熟，能应用于实际生活中，但每种算法都有其优缺点，仅单一的算法无法同时满足路径短、实时性强和安全性高等要求，而多种算法融合可以取长补短，弥补各自算法的不足之处，提高算法的性能。如利用神经网络对PRM算法的采样点学习和预测，生成有利于最优解的采样点，减少无效采样点的产生，最终加快算法的收敛速度。因此，更高效的融合路径规划算法也是未来路径规划的重点研究对象。

（2）扩展算法的应用范围

除了随机型智能搜索算法，其他算法应用于高维空间中的路径规划效果较差，如何将算法有效运用在不同的场合需要深入研究。如在三维空间中，以起始点和终点的直线，寻找以当前目标点为单位圆与直线相交点为下一个目标点，再判断是否经过障碍物进行规划。此外，当前机器人路径规划研究大多是基于理想环境，未来算法的重要研究内容需要考虑极端环境下路径规划效率。

（3）网络协同、物联网等新一代信息技术结合传统路径规划的应用

现阶段，无人驾驶汽车在运行时需要实时处理多个传感器采集到的大量数据，这要求无人驾驶汽车配备高速的计算模块。而网络协同、物联网等技术能够很好地解决该问题的同时节省成本和减小体积。该方法将传感器采集的信息通过5G模块传输到物联网的云服务器，利用云服务器将高精地图和大量数据相结合，在此基础上采用RRT算法规划出一条安全的无碰撞路径，再将规划结果回传给移动机器人，并让其运行。相对于无人驾驶汽车本身计算模块来说，提高了规划速度与效率。但目前存有一定的局限性。如大规模的传输数据信息容易丢失、信号不好导致实时时间延时等，因而解决网络协同、物联网等新一代信息技术结合传统路径规划的应用是一种重要的研究方向。

（4）多传感器信息融合对路径规划和避障的影响

多传感器信息融合技术是提高移动机器人系统感知能力的有效方法，是移动机器人规划与控制决策的基础。移动机器人通过激光雷达、摄像头、GPS传感器等传感器来采集周围环境的信息来进行地图建模和识别障碍物，再规划出可行路径。在这个过程中，需要将各个传感器采集的信息换算到同一个坐标系下进行有效整合，目的是将数据的冗余信息为数据信息的可靠分析提供依据，从而提高准确率；还需要对比数据并自动排除错误的数据信息。因此，准确地处理和分析不同传感器采集到的信息，构建并提高地图的精度；这有利于移动机器人实现A*算法、GA算法等路径规划。