亚洲成人久久一区_日韩视频三区_亚洲黄色三级_日本电影一区二区

與經典算法相比，智能算法能夠較好適應復雜動態環境中的不確定、不完整的信息，但需要前期學習階段和較G計算成本，適用于大型機器人，如無人車等。

神經網絡規劃算法

利用神經網絡對機器人導航任務的輸入、輸出之間的復雜關系進行建模。如文獻[2]提出了一種通過模仿學習過程構建機器人目標導向導航環境內部模型的分層結構。該方法以訓練遞歸神經網絡RNN的回聲狀態網絡（Reservoir Computing）為基礎。它由兩個隨機生成的RNN組成，一個用于建模定位，另一個用于學習導航。訓練后的系統能夠在較大的未知環境中定位，并成功導航至目標點。

模糊邏輯規劃算法

除神經網絡外，模糊邏輯可模仿人感知能力以適應環境中的不確定性。

Chang和T. Jin提出了一種模糊推理模型來解決移動機器人路徑規劃問題[6]。通過傳感器感知機器人在未知動態環境下的目標/障礙物位置和當前速度。在模型中,三個主要的導航目標:目標取向(尋求目標),避障(避免障礙)和旋轉運動(保持航向)都包含在一個成本函數找到Z優的轉向角θ。移動機器人通過根據環境改變成本函數的權重來實現智能導航

基于仿生的規劃算法

受生物行為啟發，將仿生算法應用于求解復雜運動規劃問題能夠得到良好的效果。

遺傳算法

遺傳算法是一種基于自然遺傳學的優化工具，它利用了自然選擇、交叉和突變等過程的優點。遺傳算法在解決組合優化問題方面具有很大的潛力，如復雜環境下路徑規劃問題。

文獻[8]遺傳算法用于路徑規劃L域，并結合了小規模局部搜索，以適用于動靜態環境。

文獻[9]提出了一種基于遺傳算法的動態路徑規劃算法(dynamic path planning algorithm, DPPA)，可在U形、V形等套狀障礙物中，或遇到動態障礙物的情況，生成可行的路徑。

粒子群算法

與GA相似，PSO模仿鳥群覓食，通過粒子自我體驗與社會經驗迭代更新。

文獻[11]中，Y. Zhang等人提出了一種不確定環境下基于PSO的多目標機器人路徑規劃算法，目標函數由風險度和路徑距離組成，因此，路徑規劃問題被認為是一個具有不確定系數的約束雙目標優化問題。

J坐標PSO (polar coordination PSO, PPSO)用于動態環境下的機器人路徑規劃[12]，該算法將任務分解為全局規劃階段和局部規劃階段。它可以根據靜態障礙物信息尋找全局Z優路徑。然后，采用在線實時路徑規劃策略，通過預測障礙物的未來位置來避開移動障礙物。

蟻群算法

蟻群算法與PSO算法均屬于通過群體行為實現數據聚類的算法。在[13]中，X. Chen等人提出了兩階段蟻群算法模型，該模型能夠克服早熟收斂與Z優路徑之間的主要不一致性問題。

在文獻[14-15]中，提出了一種基于蟻群優化的Z優路徑規劃方法。將機器人視為一個點，使其在離散的工作環境表示中占有一個準確的單元。在模糊邏輯系統評價的代價函數中，考慮了路徑的長度和導航的難度。該算法具有環境變化的自適應能力，可以實現具有動態障礙物的機器人全局路徑規劃。

總體來看，仿生智能算法能夠規劃出Z優或次優的路徑，但它們的收斂速度是無法確定的，且其規劃的時間一般較長，因此不適用于實時性要求G的應用場景，多數被應用于離線尋優計算，如物流配送規劃、新藥物結構探索等L域。