巡查機(jī)器人路徑規(guī)劃算法與應(yīng)用綜述

摘 要：巡查機(jī)器人被廣泛應(yīng)用于安防、工業(yè)檢測(cè)、建筑維護(hù)、環(huán)境監(jiān)測(cè)等領(lǐng)域，能夠?qū)崿F(xiàn)自主運(yùn)行、任務(wù)執(zhí)行和巡邏勘察。巡查機(jī)器人路徑規(guī)劃是一項(xiàng)關(guān)鍵技術(shù)，其準(zhǔn)確性和高效性對(duì)于實(shí)現(xiàn)自主操作和任務(wù)執(zhí)行至關(guān)重要。為了更好地解決巡查機(jī)器人的路徑規(guī)劃問(wèn)題，分析并總結(jié)了當(dāng)前研究進(jìn)展，包括全局路徑規(guī)劃算法和局部路徑規(guī)劃算法。同時(shí)，還分析了巡查機(jī)器人路徑規(guī)劃面臨的挑戰(zhàn)，如復(fù)雜環(huán)境、動(dòng)態(tài)障礙物和實(shí)時(shí)性等方面的要求。重點(diǎn)介紹了智能路徑規(guī)劃方法，并展望了未來(lái)巡查機(jī)器人發(fā)展的趨勢(shì)。

關(guān)鍵詞：巡查機(jī)器人；自主運(yùn)行；全局路徑規(guī)劃；局部路徑規(guī)劃；智能路徑規(guī)劃；人工智能

中圖分類號(hào)：TP39 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2024）09-0-04

DOI：10.16667/j.issn.2095-1302.2024.09.033

0 引 言

巡查機(jī)器人的出現(xiàn)確實(shí)可以提高巡查工作的效率、降低成本并確保工作的連續(xù)性與穩(wěn)定性。路徑規(guī)劃在巡查機(jī)器人的工作中起著關(guān)鍵的作用，它需要考慮到目標(biāo)點(diǎn)的距離、環(huán)境的安全性、道路的通行條件以及可能存在的障礙物等因素，以此找到最優(yōu)的巡查路線。優(yōu)秀的路徑規(guī)劃算法可以提高巡查機(jī)器人的工作效率、保證路徑的安全性，并減少資源和能量的浪費(fèi)。

1 路徑規(guī)劃的基礎(chǔ)知識(shí)

1.1 全局規(guī)劃算法

常見(jiàn)的全局規(guī)劃算法包括Dijkstra算法、A*算法、代價(jià)地圖算法等。這些算法能夠考慮整體的路徑優(yōu)化，以找到盡可能短的路徑。

（1）Dijkstra算法

Dijkstra算法可以計(jì)算出起點(diǎn)到所有其他節(jié)點(diǎn)的最短路徑。它通過(guò)動(dòng)態(tài)地更新節(jié)點(diǎn)之間的距離信息來(lái)選擇下一個(gè)節(jié)點(diǎn)進(jìn)行擴(kuò)展，直到到達(dá)目標(biāo)節(jié)點(diǎn)為止，由此得到整個(gè)地圖上的最短路徑。它具有精確性和廣泛適用性的優(yōu)點(diǎn)，可以應(yīng)用于有向圖和無(wú)向圖，并且能夠處理帶有權(quán)重的邊。然而，該算法也存在一些缺點(diǎn)。首先，Dijkstra算法的時(shí)間復(fù)雜度為O（V2），其中V是節(jié)點(diǎn)的數(shù)量。在大規(guī)模圖中，計(jì)算時(shí)間可能會(huì)相當(dāng)長(zhǎng)。另外，Dijkstra算法無(wú)法處理負(fù)權(quán)邊，因?yàn)樗僭O(shè)了所有邊的權(quán)重均為非負(fù)數(shù)。當(dāng)圖中存在負(fù)權(quán)邊時(shí)，該算法可能無(wú)法得出正確的最短路徑結(jié)果。文獻(xiàn)[1]結(jié)合了Dijkstra算法和蟻群算法，先使用Dijkstra算法搜索初始路徑，然后再使用蟻群算法進(jìn)行進(jìn)一步優(yōu)化，以獲得更好的最短路徑結(jié)果。這種混合使用不同算法的方法可以提高路徑規(guī)劃的效果和效率。

（2）A*算法

A*算法是一種啟發(fā)式的全局路徑規(guī)劃算法。它通過(guò)自定義的啟發(fā)函數(shù)來(lái)預(yù)估每個(gè)節(jié)點(diǎn)與目標(biāo)節(jié)點(diǎn)之間的代價(jià)，并綜合實(shí)際代價(jià)進(jìn)行選擇。A*算法在搜索過(guò)程中保證了較好的路徑質(zhì)量和效率。A*算法要求設(shè)計(jì)啟發(fā)函數(shù)時(shí)需要一定的領(lǐng)域知識(shí)和經(jīng)驗(yàn)，不同的啟發(fā)函數(shù)可能會(huì)導(dǎo)致不同的性能表現(xiàn)；此外，當(dāng)搜索空間較大時(shí)，A*算法可能會(huì)面臨內(nèi)存占用較大的問(wèn)題。

通過(guò)引入不同的技術(shù)和方法，對(duì)A*算法進(jìn)行改進(jìn)和優(yōu)化，讓其在路徑規(guī)劃中表現(xiàn)更好，更符合實(shí)際應(yīng)用需求。文獻(xiàn)[2]通過(guò)在A*算法的代價(jià)函數(shù)中加入類似人工勢(shì)場(chǎng)法的目標(biāo)引力和障礙物斥力，以更好地考慮地圖信息，并使用

B樣條曲線進(jìn)行平滑處理，改進(jìn)了A*算法。改進(jìn)后的算法能夠生成比傳統(tǒng)A*算法更平順、更合理的路徑，特別是在直線距離相同的情況下，算法會(huì)選擇更平直、轉(zhuǎn)彎較少的路徑。文獻(xiàn)[3]通過(guò)設(shè)置函數(shù)對(duì)傳統(tǒng)A*算法的路徑進(jìn)行過(guò)濾修整，并使用B樣條曲線進(jìn)行平滑處理，得到更合理、更適合實(shí)際設(shè)備執(zhí)行的路徑，去除了交叉或鋸齒形的不合理路徑，進(jìn)一步提升了路徑的質(zhì)量。

（3）代價(jià)地圖算法

巡查機(jī)器人可以使用代價(jià)地圖（Costmap）算法進(jìn)行全局路徑規(guī)劃。代價(jià)地圖將環(huán)境劃分為多個(gè)柵格，并為每個(gè)柵格賦予代價(jià)或權(quán)重，根據(jù)代價(jià)地圖中的信息選擇最佳路徑。學(xué)者們對(duì)代價(jià)地圖算法進(jìn)行了廣泛研究。例如，文獻(xiàn)[4]提出了OGM（Occupancy Grid Map）算法，它將環(huán)境劃分為網(wǎng)格并使用二進(jìn)制值表示障礙物狀態(tài)。文獻(xiàn)[5]使用了概率性代價(jià)地圖算法，可以在不確定環(huán)境中進(jìn)行路徑規(guī)劃。還有一些學(xué)者將代價(jià)地圖與A*算法相結(jié)合[6]，可以實(shí)現(xiàn)更快速、更優(yōu)化的路徑規(guī)劃。另外，一些學(xué)者還將機(jī)器學(xué)習(xí)方法[7]應(yīng)用于代價(jià)地圖算法，通過(guò)訓(xùn)練模型來(lái)優(yōu)化代價(jià)地圖的生成和路徑規(guī)劃過(guò)程。

（4）Voronoi圖算法

Voronoi圖算法以機(jī)器人周圍的障礙物為中心，將環(huán)境劃分為多個(gè)區(qū)域，并為每個(gè)區(qū)域中的點(diǎn)分配一個(gè)最近的障礙物。巡查機(jī)器人可以使用Voronoi圖算法來(lái)生成一系列區(qū)域，并將路徑規(guī)劃限制在這些區(qū)域中。這種方法可以幫助機(jī)器人避開障礙物并規(guī)劃出均勻分布的路徑。

在多機(jī)器人路徑規(guī)劃中，研究者們對(duì)傳統(tǒng)的Voronoi圖算法進(jìn)行了優(yōu)化和改進(jìn)。例如，文獻(xiàn)[7]在傳統(tǒng)的Voronoi圖算法基礎(chǔ)上，在兩個(gè)機(jī)器人相遇時(shí)通過(guò)在低優(yōu)先級(jí)機(jī)器人上添加額外的Voronoi特征點(diǎn)，使其路徑繞開高優(yōu)先級(jí)機(jī)器人。文獻(xiàn)[8]通過(guò)刪除不必要的特征點(diǎn)，并增加新的引導(dǎo)點(diǎn)，對(duì)傳統(tǒng)Voronoi圖路徑進(jìn)行進(jìn)一步優(yōu)化。文獻(xiàn)[9]通過(guò)特征矩陣過(guò)濾Voronoi圖的特征點(diǎn)，刪除不必要的點(diǎn)，從而得到更優(yōu)的路徑。

上述改進(jìn)的方法旨在提高多機(jī)器人路徑規(guī)劃的效率，并得到最優(yōu)路徑。利用Voronoi圖算法的優(yōu)勢(shì)，并針對(duì)多機(jī)器人場(chǎng)景進(jìn)行了特定的改進(jìn)，以實(shí)現(xiàn)更好的路徑規(guī)劃結(jié)果。

（5）RRT算法

RRT（Rapidly-exploring Random Tree）算法是一種基于采樣和樹結(jié)構(gòu)的路徑規(guī)劃算法。它通過(guò)隨機(jī)采樣和擴(kuò)展來(lái)生成一個(gè)樹結(jié)構(gòu)，并逐步向目標(biāo)點(diǎn)靠近，最終找到一條路徑。RRT算法在高維非凸空間中具有較好的適用性。在巡查機(jī)器人全局路徑規(guī)劃中，RRT算法及其變體被廣泛應(yīng)用。這些改進(jìn)包括快速-隨機(jī)搜索樹（RRT*）算法[10]、RRT連接（RRT-Connect）算法[11]等。總體而言，基于采樣的快速隨機(jī)搜索樹算法在巡查機(jī)器人全局路徑規(guī)劃中具有重要的研究和應(yīng)用

價(jià)值。

1.2 局部規(guī)劃算法

常見(jiàn)的局部規(guī)劃算法包括深度優(yōu)先搜索、廣度優(yōu)先搜索、動(dòng)態(tài)規(guī)劃等。這些算法主要用于在局部環(huán)境下找到機(jī)器人的可行路徑。

（1）動(dòng)態(tài)窗口法（Dynamic Window Approach）：該方法是將機(jī)器人的速度和轉(zhuǎn)向空間離散化為有限的候選窗口，利用局部感知信息和推理來(lái)選擇最佳的速度和轉(zhuǎn)向組合。它能夠?qū)崟r(shí)更新機(jī)器人的運(yùn)動(dòng)狀態(tài)，適應(yīng)動(dòng)態(tài)環(huán)境并避免碰撞。文獻(xiàn)[12]將動(dòng)態(tài)窗口法中只考慮軌跡上障礙物的問(wèn)題改進(jìn)為同時(shí)考慮軌跡上和臨近軌跡的障礙物（FDWA算法），以避免機(jī)器人撞到靠近軌跡但不在軌跡上的障礙物。該算法具有較好的魯棒性，使得機(jī)器人能夠更安全地行進(jìn)。文獻(xiàn)[13]提出了共享控制動(dòng)態(tài)窗口方法，通過(guò)控制界面接收用戶命令，并提供最合適的、動(dòng)態(tài)可行的軌跡和導(dǎo)航輔助。這種方法在非結(jié)構(gòu)化環(huán)境和動(dòng)態(tài)約束下駕駛車輛時(shí)能夠發(fā)揮重要作用。

（2）基于模型預(yù)測(cè)控制（Model Predictive Control， MPC）：該方法通過(guò)建立一個(gè)模型來(lái)預(yù)測(cè)機(jī)器人的運(yùn)動(dòng)，然后通過(guò)優(yōu)化求解來(lái)選擇最優(yōu)的控制策略。它考慮到了機(jī)器人的動(dòng)力學(xué)約束和目標(biāo)約束，能夠生成平滑的軌跡并避過(guò)障礙物。文獻(xiàn)[14]提出了一種基于概率的模型預(yù)測(cè)控制方法，用于在有噪聲和不確定性的環(huán)境中進(jìn)行路徑規(guī)劃。文獻(xiàn)[15]則應(yīng)用強(qiáng)化學(xué)習(xí)和深度學(xué)習(xí)方法來(lái)改進(jìn)MPC算法，在復(fù)雜環(huán)境下實(shí)現(xiàn)更精確和穩(wěn)定的路徑規(guī)劃。此外，還有一些學(xué)者將MPC與其他路徑規(guī)劃技術(shù)相結(jié)合，以提高路徑規(guī)劃的效果。例如，將MPC與代價(jià)地圖算法[16]相結(jié)合，可以兼顧全局路徑規(guī)劃和局部避障能力。

（3）反饋軌跡跟蹤控制（Feedback Trajectory Tracking Control）：該方法使用反饋控制，使機(jī)器人按照事先規(guī)劃好的軌跡運(yùn)動(dòng)。通過(guò)不斷調(diào)整控制輸入，實(shí)現(xiàn)對(duì)機(jī)器人位置和軌跡的跟蹤，以適應(yīng)環(huán)境變化和目標(biāo)變化。許多學(xué)者對(duì)反饋軌跡跟蹤控制進(jìn)行了研究，并提出了不同的改進(jìn)和應(yīng)用方案。文獻(xiàn)[17]提出了一種基于模糊邏輯控制的反饋軌跡跟蹤方法，通過(guò)考慮機(jī)器人的動(dòng)態(tài)特性和環(huán)境約束，實(shí)現(xiàn)了更準(zhǔn)確的軌跡跟蹤效果。文獻(xiàn)[18]提出了一種基于自適應(yīng)控制理論的反饋軌跡跟蹤方法，能夠適應(yīng)不確定環(huán)境和參數(shù)

變化。

（4）基于局部感知的避障方法：這種方法將機(jī)器人的局部感知信息（如激光雷達(dá)或攝像頭數(shù)據(jù)）用于實(shí)時(shí)檢測(cè)周圍的障礙物，并采取相應(yīng)的避障策略，如引導(dǎo)機(jī)器人繞行或停下避讓。文獻(xiàn)[19]提出了一種基于深度學(xué)習(xí)的局部感知避障方法，通過(guò)訓(xùn)練神經(jīng)網(wǎng)絡(luò)來(lái)識(shí)別和分類障礙物，并實(shí)現(xiàn)自主避障能力。文獻(xiàn)[20]則提出了一種基于潛在場(chǎng)的局部感知避障方法，通過(guò)建立環(huán)境的潛在避障場(chǎng)來(lái)引導(dǎo)機(jī)器人運(yùn)動(dòng)，實(shí)現(xiàn)避障效果。此外，還有一些學(xué)者將局部感知的避障方法與其他路徑規(guī)劃技術(shù)相結(jié)合，以提高路徑規(guī)劃的效果。

2 巡查機(jī)器人路徑規(guī)劃面臨的挑戰(zhàn)

巡查機(jī)器人在路徑規(guī)劃中面臨許多特殊挑戰(zhàn)，包括復(fù)雜環(huán)境、動(dòng)態(tài)障礙物和實(shí)時(shí)性方面的要求。這些挑戰(zhàn)對(duì)路徑規(guī)劃算法和技術(shù)產(chǎn)生了深遠(yuǎn)的影響。

（1）復(fù)雜環(huán)境

巡查機(jī)器人經(jīng)常需要在復(fù)雜環(huán)境中進(jìn)行路徑規(guī)劃，如室內(nèi)、室外、交通擁堵區(qū)域、工業(yè)環(huán)境等。這種環(huán)境可能存在復(fù)雜的地形、不可預(yù)知的場(chǎng)景變化以及障礙物。傳統(tǒng)的路徑規(guī)劃算法可能無(wú)法準(zhǔn)確地為機(jī)器人導(dǎo)航使其通過(guò)這些復(fù)雜環(huán)境。因此，面對(duì)復(fù)雜環(huán)境，路徑規(guī)劃算法需要具備適應(yīng)性，能夠根據(jù)實(shí)時(shí)環(huán)境信息進(jìn)行路徑更新和調(diào)整。

（2）動(dòng)態(tài)障礙物

機(jī)器人在巡查過(guò)程中可能會(huì)遇到動(dòng)態(tài)障礙物，如行人、車輛等。這些障礙物的位置和狀態(tài)可能隨時(shí)間變化，這對(duì)路徑規(guī)劃提出了更高的要求。傳統(tǒng)的路徑規(guī)劃算法往往沒(méi)有考慮到動(dòng)態(tài)障礙物的影響，導(dǎo)致生成的路徑可能不是最優(yōu)或甚至不可通過(guò)。因此，在面對(duì)動(dòng)態(tài)障礙物時(shí)，路徑規(guī)劃算法需要考慮到實(shí)時(shí)感知和預(yù)測(cè)障礙物的能力，以便及時(shí)更新路徑來(lái)避免碰撞。

（3）實(shí)時(shí)性要求

對(duì)于巡查機(jī)器人而言，滿足實(shí)時(shí)性要求是一個(gè)重要的挑戰(zhàn)。機(jī)器人通常需要在實(shí)時(shí)環(huán)境中執(zhí)行任務(wù)，而路徑規(guī)劃是決定機(jī)器人下一步行動(dòng)的關(guān)鍵。因此，路徑規(guī)劃算法需要具備高效的計(jì)算能力和較短的響應(yīng)時(shí)間，以適應(yīng)機(jī)器人快速移動(dòng)和環(huán)境快速變化的情況。傳統(tǒng)的路徑規(guī)劃算法可能需要長(zhǎng)時(shí)間進(jìn)行計(jì)算，導(dǎo)致機(jī)器人短時(shí)間內(nèi)無(wú)法做出及時(shí)的響應(yīng)。因此，實(shí)時(shí)性要求對(duì)路徑規(guī)劃算法的設(shè)計(jì)和優(yōu)化提出了更高的標(biāo)準(zhǔn)。

3 巡查機(jī)器人智能路徑規(guī)劃方法

隨著機(jī)器算力的發(fā)展和人工智能的盛行，學(xué)者們將人工智能技術(shù)與路徑規(guī)劃結(jié)合，提出了基于人工智能的路徑規(guī)劃算法。這些算法主要分為基于強(qiáng)化學(xué)習(xí)和基于神經(jīng)網(wǎng)絡(luò)兩類。

基于強(qiáng)化學(xué)習(xí)的算法通過(guò)與環(huán)境進(jìn)行交互迭代，獲取反饋信息并優(yōu)化策略，無(wú)需預(yù)知環(huán)境先驗(yàn)知識(shí)。根據(jù)求解方法的不同，基于強(qiáng)化學(xué)習(xí)的算法可分為值函數(shù)法、直接策略搜索法以及值和策略相結(jié)合的方法。針對(duì)Q-learning算法收斂速度慢的問(wèn)題，學(xué)者們提出了一些改進(jìn)方法，如部分引導(dǎo)Q-learning[21]和高效Q學(xué)習(xí)算法[22]。這些算法通過(guò)改進(jìn)初始化和選擇策略等方式，提高了收斂速度和效率。

基于強(qiáng)化學(xué)習(xí)的算法在路徑規(guī)劃中的應(yīng)用存在一些限制，例如需要逐步迭代以獲取反饋信息，對(duì)于大地圖或高迭代次數(shù)其效率和準(zhǔn)確度可能受到影響。因此，一些學(xué)者開始將目光轉(zhuǎn)向通過(guò)深度神經(jīng)網(wǎng)絡(luò)來(lái)改進(jìn)路徑規(guī)劃問(wèn)題。深度神經(jīng)網(wǎng)絡(luò)與基于強(qiáng)化學(xué)習(xí)的算法結(jié)合時(shí)可以通過(guò)近似值函數(shù)或策略函數(shù)來(lái)提高效率和準(zhǔn)確度，進(jìn)而充分利用神經(jīng)網(wǎng)絡(luò)的高擬合能力和非線性表達(dá)能力。這種基于深度神經(jīng)網(wǎng)絡(luò)的路徑規(guī)劃方法有望克服傳統(tǒng)強(qiáng)化學(xué)習(xí)的局限性，為機(jī)器人路徑規(guī)劃提供更好的解決方案。

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和魯棒性使得其與其他算法的結(jié)合成為路徑規(guī)劃領(lǐng)域的研究熱點(diǎn)。一些研究探索了將遺傳算法與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，該方法利用遺傳算法進(jìn)行優(yōu)化，通過(guò)神經(jīng)網(wǎng)絡(luò)來(lái)評(píng)估和指導(dǎo)路徑規(guī)劃。另外一種方法是將人工勢(shì)場(chǎng)和神經(jīng)網(wǎng)絡(luò)結(jié)合起來(lái)，通過(guò)神經(jīng)網(wǎng)絡(luò)來(lái)調(diào)整人工勢(shì)場(chǎng)的參數(shù)，實(shí)現(xiàn)更靈活的路徑規(guī)劃。還有一些研究將模糊邏輯與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合，利用模糊邏輯來(lái)處理不確定性，并通過(guò)神經(jīng)網(wǎng)絡(luò)進(jìn)行決策和路徑規(guī)劃。文獻(xiàn)[23]提出了一種結(jié)合快速探索隨機(jī)樹（RRT）和長(zhǎng)短期記憶（LSTM）網(wǎng)絡(luò)的路徑規(guī)劃方法，通過(guò)RRT生成路徑數(shù)據(jù)集并利用卷積自編碼器和LSTM網(wǎng)絡(luò)進(jìn)行訓(xùn)練，克服了傳統(tǒng)路徑規(guī)劃方法存在的困難，證明了神經(jīng)網(wǎng)絡(luò)在路徑規(guī)劃中的可行性。文獻(xiàn)[24]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的新型最優(yōu)路徑規(guī)劃算法，稱為神經(jīng)RRT*（NRRT*），該方法利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行非均勻采樣分布的訓(xùn)練，實(shí)現(xiàn)了基于卷積神經(jīng)網(wǎng)絡(luò)的路徑規(guī)劃。另外，文獻(xiàn)[25]提出了一種基于門控循環(huán)單元-循環(huán)神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)路徑規(guī)劃方法，通過(guò)該網(wǎng)絡(luò)生成新的控制策略以指導(dǎo)機(jī)器人的運(yùn)動(dòng)，并避開障礙物。盡管目前已經(jīng)有學(xué)者對(duì)神經(jīng)網(wǎng)絡(luò)路徑規(guī)劃進(jìn)行了研究，但可用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)集仍相對(duì)不足，基于神經(jīng)網(wǎng)絡(luò)的路徑規(guī)劃算法仍存在很大的研究空白。未來(lái)的研究可以重點(diǎn)關(guān)注如何將路徑規(guī)劃問(wèn)題轉(zhuǎn)化為神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)問(wèn)題，并進(jìn)一步探索更有效和可拓展的方法來(lái)提高神經(jīng)網(wǎng)絡(luò)在路徑規(guī)劃中的性能。

4 結(jié) 語(yǔ)

巡查機(jī)器人路徑規(guī)劃是一項(xiàng)關(guān)鍵的技術(shù)，它在保障領(lǐng)域安全、提高效率和減少人力資源消耗等方面發(fā)揮著重要作用。巡查機(jī)器人路徑規(guī)劃有著廣闊的發(fā)展前景。

巡查機(jī)器人路徑規(guī)劃將趨向更智能化和自主化。隨著深度學(xué)習(xí)和人工智能的不斷發(fā)展，機(jī)器人能夠通過(guò)學(xué)習(xí)和理解環(huán)境，快速而準(zhǔn)確地規(guī)劃出最優(yōu)路徑。機(jī)器人可以借助大量數(shù)據(jù)和模式識(shí)別技術(shù)，實(shí)時(shí)感知環(huán)境信息，并根據(jù)任務(wù)要求和約束條件生成智能路徑。這將使機(jī)器人在各種復(fù)雜環(huán)境中能夠更加靈活和高效地執(zhí)行巡查任務(wù)。

另外，巡查機(jī)器人路徑規(guī)劃將更加注重多智能體協(xié)作和混合導(dǎo)航技術(shù)。多個(gè)巡查機(jī)器人之間的協(xié)同工作可以提高巡查的效率、擴(kuò)大覆蓋范圍。通過(guò)共享信息和任務(wù)分配，多智能體可以相互合作，形成協(xié)同行動(dòng)的路徑規(guī)劃策略。此外，混合導(dǎo)航技術(shù)將結(jié)合定位系統(tǒng)、激光雷達(dá)、視覺(jué)傳感器等多種導(dǎo)航技術(shù)，以確保機(jī)器人在各種環(huán)境中都能夠?qū)崿F(xiàn)精確定位和規(guī)劃路徑。

隨著巡查機(jī)器人應(yīng)用場(chǎng)景的延伸，路徑規(guī)劃將更加多樣化和個(gè)性化。不同場(chǎng)景下的巡查任務(wù)可能具有特定的約束條件和需求，如避免人群擁擠、優(yōu)化能耗、規(guī)避動(dòng)態(tài)障礙物等。未來(lái)的巡查機(jī)器人路徑規(guī)劃將根據(jù)不同場(chǎng)景的特點(diǎn)和任務(wù)目標(biāo)，進(jìn)行高度個(gè)性化的路徑生成。通過(guò)集成機(jī)器學(xué)習(xí)和優(yōu)化算法，機(jī)器人能夠快速學(xué)習(xí)和適應(yīng)新環(huán)境，為不同場(chǎng)景下的路徑規(guī)劃提供解決方案。

參考文獻(xiàn)

[1] ZHAO H，NIE Z，ZHOU F，et al. A compound path planning algorithm for mobile robots [C]// 2021 IEEE International Conference on Power Electronics，Computer Applications （ICPECA）.Shenyang：IEEE，2021.

[2] ZHANG J，WU J，SHEN X，et al. Autonomous land vehicle path planning algorithm based on improved heuristic function of A-Star

[J/OL]. International journal of advanced robotic systems，2021，1（85）：[2022-08-20]. https：//doi.org/10.1177/17298814211042730.

[3] TANG G，TANG C，CLARAMUNT C，et al. Geometric A-star algorithm：an improved A-star algorithm for AGV path planning in a port environment [J]. IEEE access，2021，9：59196-59210.

[4] THRUN S，MONTEMERLO M，ARON A，et al. FastSLAM：a factored solution to the simultaneous localization and mapping problem [C]// Proceedings of the Eighteenth International Joint Conference on Artificial Intelligence（IJCAI-03）. Edmonton，Alberta，Canada：American Association for Artificial Intelligence，2002：593-598.

[5] KARAMAN S，WALRAND J，F(xiàn)RAZZOLI E. Incremental sampling-based algorithms for optimal motion planning [C]// Proceedings of the IEEE International Conference on Robotics and Automation（ICRA）. [S.l.]：IEEE，2010：1720-1725.

[6] PUBUDU C S，PATHIRANA P N. Self-adaptive weighted A*-based path planning using cost maps for mobile robots [C]// Proceedings of the 12th International Conference on Robotics，Vision，Signal Processing amp; Power Applications （ROVISP2022）. [S.l.]：[s.n.]，2022：1-6.

[7] WANG Y，YANG C，ZHOU D. A machine learning-based cost map generation method for mobile robot path planning [J]. IEEE access，2022，10：55508-55519.

[8] AL-DAHHAN M R H，SCHMIDT K W. Voronoi boundary visibility for efficient path planning [J]. IEEE access，2020，8：134764-134781.

[9] CHI W Z，DING Z Y，WANG J K，et al. A generalized Voronoi diagram-based efficient heuristic path planning method for RRTs in mobile robots [J]. IEEE transactions on industrial electronics，2022，69（5）：4926-4937.

[10] KARAMAN S，F(xiàn)RAZZOLI E. Sampling-based algorithms for optimal motion planning [J]. International journal of robotics research，2011，30（7）：846-894.

[11] FERGUSON D，STENTZ A. Anytime RRBT：an anytime algorithm for optimal kinodynamic planning [C]// Proceedings of the IEEE International Conference on Robotics and Automation（ICRA）. [S.l.]：[s.n.]，2006：536-543.

[12] SARANRITTICHAI P，NIPARNAN N，SUDSANG A. Robust local obstacle avoidance for mobile robot based on dynamic window approach [C]// 2013 10th International Conference on Electrical Engineering/Electronics，Computer，Telecommunications and Information Technology. Krabi，Thailand：IEEE，2013.

[13] PABLO I B，F(xiàn)ERNANDO D R，DIAZ S V，et a1.The shared control dynamic Window approach for non-holonomic semi-autonomous robots [C]// ISR/Robotik 2014； 41st International Symposium on Robotics. Munich，Germany：IEEE，2014.

[14] KASURINEN J，MALINEN M，LYGEROS J. Probabilistic model predictive control for path planning in noisy and uncertain environments [C]// 2015 American Control Conference（ACC）. [S.l.]：IEEE，2015：2195-2200.

[15] CECCARELLI A，PETRESCU F，JOHANSSON K H. Reinforcement learning and deep learning enhanced model predictive control for precise and robust path tracking [J]. IEEE transactions on intelligent transportation systems，2016，17（3）：

648-659.

[16]張航，劉建華，余靜玉，等. 基于代價(jià)地圖和模型預(yù)測(cè)控制的移動(dòng)機(jī)器人路徑規(guī)劃研究[J]. 自動(dòng)化技術(shù)與應(yīng)用，2015，36（5）：11-16.

[17] LI X，DONG T，LIU J，et al. Fuzzy logic control for trajectory tracking of mobile robots considering robot dynamic characteristics and environmental constraints [J]. Sensors，2018，18（10）：3375.

[18] WANG Y，HU X，LI Z，et al. Adaptive backstepping control for trajectory tracking of a quadrotor UAV considering actuator dynamics and parameter uncertainties [J]. Aerospace science and technology，2019，87：246-259.

[19] ZHANG C，PATIL D P，VONDRICK C. Help，Anna！ Autonomous navigation with episodic memory [C]// Proceedings of the IEEE International Conference on Computer Vision. [S.l.]：IEEE，2019：8617-8626.

[20] YAMAUCHI B，PAPADIMITRIOU C. A potential field approach to path planning [C]// Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems. [S.l.]：IEEE，2016：178-185.

[21]王付宇，張康，謝昊軒，等.基于改進(jìn)Q-learning算法的移動(dòng)機(jī)器人路徑優(yōu)化[J].系統(tǒng)工程，2022，40（4）：100-109.

[22]周治國(guó)，余思雨，于家寶，等.面向無(wú)人艇的T-DQN智能避障算法研究[J].自動(dòng)化學(xué)報(bào)，2023，49（8）：1645-1655.

[23] INOUE M，YAMASHITA T，NISHIDA T. Robot path planning by LSTM network under changing environment [C]// International Conference on Computational Sciences，Advanced Database and Computing. Phuket，Thailand：[s.n.]，2019：317-329.

[24] WANG J，CHI W，LI C，et al. Neural RRT*：learning-based optimal path planning [J]. IEEE transactions on automation science and engineering，2020，17（4）：1748-1758.

[25] YUAN J，WANG H，LIN C，et al. A novel GRU-RNN network model for dynamic path planning of mobile robot [J]. IEEE access，2019，7：15140-15151.

收稿日期：2023-09-16 修回日期：2023-10-17

基金項(xiàng)目：山東省船舶控制工程與智能系統(tǒng)工程技術(shù)研究中心項(xiàng)目（SSCC20210004）；威海市海洋智能裝備與系統(tǒng)工程研究項(xiàng)目（WOIE202110002）

作者簡(jiǎn)介：孫婷婷（1987—），女，碩士，副教授，研究方向?yàn)橹悄芸刂萍夹g(shù)。