1。2。1  人工智能路径规划方法

近年来,随着遗传算法等智能方法的广泛应用，机器人路径规划方法也有了长足的进展，许多研究者进行了基于智能方法的路径规划研究。其中，应用较多的算法有遗传算法、A*搜索算法、蚁群算法和神经网络方法等。

(1) 基于遗传算法的路径规划方法：论文网

遗传算法GA（Genetic Algorithm）是以遗传学和自然选择等生物进化理论为理论基础所构造的一类搜索算法，它在某种程度上对生物进化过程进行了数学方式的模拟。遗传算法的基本框架分为适应系统和进化系统两个方面。

Sugihara将遗传算法应用于水下机器人的在线路径规划[5]，适合于二维或者三维的时变环境，J。 Yub。[6]在离散空间对水下机器人进行路径规划，既可以在线规划，也可以离线规划。孙树栋等人[7]用遗传算法完成了离散空间下机器人的路径规划，并获得了较好的仿真结果。但是实际上，该路径规划还是基于栅格的，且工作空间中的障碍物是静态的。在遗传算法的改进上,周明等[8]提出一种遗传模拟退火算法，利用遗传算法与模拟退火算法相结合来解决机器人路径规划问题。这种方法有效地提高了路径规划的计算速度，但依然只工作在静态环境。

(2) 基于A*搜索算法的路径规划方法：

A*算法是人工智能中一种有效的单向启发式搜索算法，而启发式搜索原理是人工智能的核心内容之一，是广泛应用的寻找最优解的一种方法[9]。它的本质是部分的放弃了算法“一般化、通用化”的概念，把所要解问题的具体领域内的知识加入到算法中去，以提高算法的效率。其基本原理是在搜索的过程中对遇到的新状态，先利用估值函数得到一个估计值。然后，根据估计值的大小来确定下一步的状态，以此来实现最佳优先搜索。A*算法适用于已知工作环境下的全局路径规划。

 (3) 基于蚁群算法的路径规划方法：

意大利学者M。Dorigo 等人从蚁群觅食行为中受到启发，构造人工蚂蚁设计了最初的蚁群优化算法-蚂蚁系统(Ant System, AS)。 蚁群优化算法首先被应用于解决旅行商问题(Traveling Salesman Problem, TSP)。

一些学者在解决旅行商问题的基础上，利用蚁群算法可以对机器人进行三维空间中的路径规划。刘利强等[11]利用蚁群算法对水下潜器三维空间全局路径规划问题进行了研究，讨论了三维空间的抽象环境建模方法，依据安全性、经济性和路径最短原则设计了算法适应值评价函数， 仿真结果验证了算法的正确性和有效性。

 (4) 基于神经网络的路径规划方法：

神经网络是人工智能的重要内容，利用各种神经网络的方法对机器人的路径进行在线或者离线规划，也得到了学者们的广泛关注。

J Yuh。[12]首先将神经网络模型应用于水下潜器的控制器设计，KP Venugopal[13]等利用前向反馈神经网络进行水下机器人的控制器设计。但大多数神经网络存在样本获取困难和训练时间长等不足。

1。2。2 分层次路径规划技术

Joao Sqeueiar和Maria Isabel提出了分层规划的方法[14]，高级规划模块基于己有的环境信息，并针对海流环境下的机器人能量消耗最小化得到从起点到终点的一系列中间关键点，低级规划模块则产生相邻关键点间的机器人位姿的变化序列。文献综述

Jasmin Velagic等人[15]则将机器人导航系统分为三层，最底层是对速度和角速度的控制，用线性矩阵来表示；中间层则是非线性的，利用遗传算法控制机器人的位置和姿态；最高层利用模糊逻辑和D-S证据理论进行数据处理，地图创建和总体路径规划。这种方法可以在不同的层次应用不同的智能算法，因此控制质量比较高，实现也较为复杂。