目前，人们已研究出多种单自主移动观测平台路径规划的方法，其中典型的优人工势场法[3]、栅格法[4]、遗传算法[5]、粒子群算法、蚁群算法等。

1  人工势场法

O．Khatib 在1986 年提出来将人工势场法应用于机器人避障，其实质是把机器人的运动空间定义为一个抽象势场，该势场为目标位置的引力场和运动空间中障碍物的斥力场的叠加，机器人在合势场的作用下运动。引力场函数随机器人与目标点的距离增加而单调递增，且方向指向目标点；斥力场函数在机器人处在障碍物位置时有一极大值，并随机器人与障碍物距离的增大而单调减小，方向指向远离障碍物方向。因人工势场法计算简单、易于实现，因而得到了广泛的应用，但在进行路径规划时容易陷入局部最小值，可利用膨胀与腐蚀算法对复杂空间进行预处理或通过优化势场函数和添加辅助点的方法进行改进。59676

2  栅格法

栅格法是以栅格为单位来表示机器人的工作环境。工作环境被划分为一个个大小一样并且有一定分辨率的栅格， 即设所要进行机器人路径规划区域的长为 ，宽为 ， 机器人的长和宽都为 ，栅格的大小和机器人的大小尺寸一样，则可以计算出所要清扫的栅格的数量为 。整个路径规划区域由栅格组成， 栅格用 来表示， 每个栅格被占据的可能性可以用函数 来表示。当 时，表示该栅格被占据；当 时，表示该栅格是自由的区域，没有被占据。

3  遗传算法

刘先生、徐万江在分析了目前各种路径规划方法优缺点的基础上，采用遗传算法来解决动态环境下移动机器人的路径规划问题。首先针对路径规划问题的特点，对遗传算法的各个环节进行了细致的分析，包括地图环境的建立，染色体的表示和编码、适应度函数的设计，遗传操作算子的设计，算法参数的分析和选取等。然后基于MATLAB 和VC++ 可视化编程语言，开发了基于遗传算法的机器人的路径规划仿真系统。并在动态环境下开展了移动机器人的仿真实验，分析了实验结果。

遗传算法是基于自然选择和遗传学原理的搜索算法。它将“适者生存”这一基本的达尔文进化理论引入串结构，并且在串之间进行有组织但又随机的信息交换。伴随着信息交换的进行，优良的品质被逐渐保留并加以组合，从而不断产生出更佳的个体论文网。遗传算法的基本思想是：在问题的求解过程中，把搜索空间视为遗传空间，把问题的每一个可能解看作一个个体，个体里面有基因，所有的个体组成群体。依据某种评价标准对每一个个体进行评价，计算其适应度，并根据适应度对每一个个体进行选择、变异和交叉操作，淘汰适应度小的个体，留下适应度大的染色体，从而得到新的群体，新的群体优于旧的群体。对新的群体再施加自然选择法则，结果一代胜过一代，直到达到预定的优化标准。以上就是遗传算法的基本原理。

4  粒子群算法

粒子群优化是Kennedy 等借鉴鸟群的集体捕食行为，提出的一种随机群进化方法。相对传统的优化方法，该方法易于实现、可调参数少，以及收敛速度快，已成功应用于函数优化、模式识别、神经网络训练、数据挖掘，以及路径规划等领域。但是，利用粒子群优化进行机器人路径规划，存在局部收敛、效率低下，以及精度不高等缺点，尤其是含有非规则密集障碍物的复杂环境，优化的路径多与障碍物碰撞。

针对粒子群优化用于密集障碍物环境机器人全局路径规划存在的问题，可用双层微粒群优化方法(Two-layer particle swarm optimization， LPSO)改进[6]。国海涛，岳峻，苏庆堂[7]也在粒子群算法的基础上提出了基于自适应混沌变异粒子群算法的路径规划。