路径规划

　　路径规划技术是机器人研究领域的1 个重要分支 。最优路径规划就是依据某个或某些优化准则( 如工作代价最小 、行走路线最短、行走时间最短等),在机器人工作空间中找到 1 条从起始状态到目标状态、可以避开障碍物的最优路径  。

　　路径规划方法大致可以分为传统方法和智能方法2 种 。传统路径规划方法主要有以下几种 : 自由空间法、图搜索法 、栅格解耦法 、人工势场法。大部分机器人路径规划中的全局规划都是基于上述几种方法进行的,但这些方法在路径搜索效率及路径优化方面有待于进一步改善 。人工势场法是传统算法中较成熟且高效的规划方法 ,它通过环境势场模型进行路径规划 ,但是没有考察路径是否最优  。

　　智能路径规划方法是将遗传算法 、模糊逻辑以及神经网络等人工智能方法应用到路径规划中, 来提高机器人路径规划的避障精度 ,加快规划速度, 满足实际应用的需要。其中应用较多的算法主要有模糊方法、神经网络、遗传算法、Q 学习及混合算法等 ,这些方法在障碍物环境已知或未知情况下均已取得一定的研究成果  。

　　机器人视觉

　　视觉系统是自主机器人的重要组成部分,一般由摄像机、图像采集卡和计算机组成。机器人视觉系统的工作包括图像的获取、图像的处理和分析 、输出和显示, 核心任务是特征提取 、图像分割和图像辨识 。而如何精确高效的处理视觉信息是视觉系统的关键问题。视觉信息处理逐步细化, 包括视觉信息的压缩和滤波、环境和障碍物检测 、特定环境标志的识别、三维信息感知与处理等。其中环境和障碍物检测是视觉信息处理中最重要 、也是最困难的过程 。边沿抽取是视觉信息处理中常用的 1 种方法。对于一般的图像边沿抽取 , 如采用局部数据的梯度法和二阶微分法等 ,对于需要在运动中处理图像的移动机器人而言,难以满足实时性的要求。为此人们提出 1种基于计算智能的图像边沿抽取方法, 如基于神经网络的方法 、利用模糊推理规则的方法, 特别是 Bezdek J .C 教授近期全面的论述了利用模糊逻辑推理进行图像边沿抽取的意义。这种方法具体到视觉导航, 就是将机器人在室外运动时所需要的道路知识, 如公路白线和道路边沿信息等 , 集成到模糊规则库中来提高道路识别效率和鲁棒性 。还有人提出将遗传算法与模糊逻辑相结合  。

　　机器人视觉是其智能化最重要的标志之一, 对机器人智能及控制都具有非常重要的意义。国内外都在大力研究 ,并且已经有一些系统投入使用  。

　　智能控制

　　随着机器人技术的发展, 对于无法精确解析建模的物理对象以及信息不足的病态过程,传统控制理论暴露出缺点 ,近年来许多学者提出了各种不同的机器人智能控制系统。机器人的智能控制方法有模糊控制 、神经网络控制 、智能控制技术的融合( 模糊控制和变结构控制的融合 ; 神经网络和变结构控制的融合; 模糊控制和神经网络控制的融合 ; 智能融合技术还包括基于遗传算法的模糊控制方法) 等  。
​