美国MIT著名机器人科学家以为自主机器人导航应该答复三个问题，“Where am I ?”，“Where I am going ?”，“How should I go there ?”，分别描绘了机器人定位，规划和控制三个问题，机器人运动规划是处理机器人导航的三个中心问题之一。

运动规划问题作为机器人学中心问题之一，是处理机器人与人类如何共存的基本技术。运动规划主要处理机器人如何在不与物理世界发作不测碰撞的状况下完成指定动作的问题。

对机器人运动规划的研讨是20世纪60年代呈现的
1978年Lozano-Perez和Wesley初次引入位姿空间(C-空间)的概念结构规划器，关于现代的运动规划问题是一次划时期的反动。在C-空间中，每一个位姿独一代表着机器人在物理空间中的位置和姿势，机器人在位姿空间中被笼统为一个点，从而使运动规划问题变成在位姿空间中寻觅一条从起始位姿点到目的位姿点的连续途径，大大简化了规划问题的计算。1987年，J .P .Laumond将机械系统中的非完好性引入到机器人运动规划中处理自动泊车问题。自此，非完好运动规划成为一个新的研讨热点不断持续到今天。

运动机器人途径规划能够当作运动规划的一个简单惯例

所谓“途径”是指在位姿空间中机器人位姿的一个特定序列，而不思索机器人位姿的时间要素;而“轨迹”与何时抵达途径中的每个局部有关，强调了时间性。机器人运动规划就是对“轨迹”的规划，依照环境建模方式和搜索战略的异同，可将规划办法大致上分为：基于自在空间几何结构的规划，前向图搜索算法，近年兴起的以处理高维姿势空间和复杂环境中运动规划为目的的基于随机采样的运动规划以及其他智能化规划办法。

基于几何结构的规划办法有可视图、切线图、Voronoi图以及准确(近似)栅格合成等办法。途径规划是搜索的过程。不论何种规划算法，最终都将归结到在某个空间中搜索一条满足某原则的连续途径问题。应用几何结构的手腕描绘环境的自在空间，普通都会构成图(栅格被当作一类特殊的图)，最终完成轨迹的规划需求图搜索这个很重要的步骤。前向图搜索算法是从起始点动身向目的点搜索的算法，常用的包括贪婪算法、Dijkst ra算法、A＊算法、D＊算法(Dijkst ra 算法的变种)以及人工势场法等等。

上述算法的计算复杂度与机器人自在度成指数关系，不合适于处理高自在度机器人在复杂环境中的规划，而且都不合适于处理带有微分约束的规划。基于随机采样的规划始于1990年Barraquand和Latombe提出的RPP(randomized potentialplanner)规划算法，用于克制人工势场法存在的部分极小和在高维姿势空间中规划时存在的效率问题。1994年PRM(probabilistic roadmap)和1998年RRT(rapidly-exploring random tree)两种基于随机采样的运动规划办法的呈现曾经掀起一股对机器人运动规划研讨的新热潮。这些算法合适于处理高自在度机器人在复杂环境下的运动规划问题。

途径规划是环境模型和搜索算法相分离的一种技术

规划过程既是搜索的过程，也是推理的过程。人工智能中的很多优化、推理技术也被运用到运动机器人运动规划中来，如遗传算法、含糊推理以及神经网络等在运动机器人运动规划中起到很大的作用。遗传算法求解途径规划问题是将途径个体表达为途径中的一系列中途点，并转换为二进制串。

首先初始化途径群体，然后停止遗传操作，如选择、穿插、复制、变异。经过若干代的进化以后，中止进化，输出当前最优个体作为途径下一个节点。含糊规划器是应用反射式导航机制，将当前环境障碍信息作为含糊推理机的输入，推理机输出机器人希冀的转向角和速度等。神经网络规划器的根本原理是将环境障碍等作为神经网络的输入层信息，经由神经网络并行处置，神经网络输出层输出希冀的转向角和速度等，引导机器人避障行驶，直至抵达目的地。这些智能化推理办法与基于几何结构的办法相似，随着机器人自在度的增加和环境复杂度加强，都存在效率问题。

普通，好的规划算法通常具有以下特性：
合理性、完备性、最优性、实时性、环境变化顺应性、满足约束等。但是，无论机器人途径规划属于哪品种别，采用何种规划算法，根本上都要遵照以下步骤：1)树立环境模型，行将机器人所处的理想世界停止笼统后树立相关的模型；2)搜索无碰途径，即在某个模型的空间中寻觅符合条件的途径的搜索算法。目前，运动规划问题难点主要有艰难区域问题，动态环境问题，实时规划、随时规划问题，最优规划问题，以及比拟特殊的掩盖途径规划问题。

运动机器人的运动规划算法是随同着运动机器人的开展为满足机器人的需求而开展
当今无人空中、水下、空中机器人开展疾速，足球机器人竞赛如火如荼，并且机器人正朝着微小型化和多机器人协作方向开展。随着星球探测和无人战争的需求，对机器人的研讨也越来越注重于在坎坷地形和存在着运动障碍的复杂环境中自主导航。为了满足运动机器人开展的需求，运动规划正在并且将会向高维自在度机器人、多机器人谐和、动态未知环境中的规划开展。基于随机采样的运动规划办法结合其他运动规划办法的智能化规划办法将是研讨的重点和热点。

对运动机器人运动规划的研讨和应用，应着重留意以下几个方面:
对通用规划算法的比拟可见，对运动机器人运动规划的研讨和应用，应着重留意以下几个方面:

1)自在度较少的机器人在简单环境，如室内、室外平地、平直道路等，或者长程起伏的越野环境中低速导航时，可不用思索机器人的动力学特征，基于自在空间几何结构和图搜索相配套的算法效率更高，适用性较强，算法在合理性方面的缺陷可经过控制战略补偿。

2)自在度较少的机器人在复杂环境，比方坎坷的越野地形、复杂的水下环境中，高速导航时，比方军事应用、野外救援等，对导航的实时性请求很高，而且必需思索机器人的运动动力学特征。

3)自在度较高的机器人，比方火星车、航天飞机等，在复杂环境中自主导航时，对算法的完备性请求相对不高，在规划失败时，能够允许重新规划。为了保证算法的执行效率，肯定性算法并不适用，基于随机采样的规划算法处理此类问题的才能更强。但在保证算法效率的前提下，尽可能进步算法的完备性，以完成愈加牢靠的规划。

4)应该寻求智能规划器与基于几何结构和随机采样算法相分离的战略，以减少规划算法的参数选择和规划过程的人工干预，并且优化算法使其到达或接近某项指标(如时间、间隔、能量耗费等)的最优。

(科技产业责编：陈峰 )