移动机器人想要“穿梭自如”，还需强大的算法支持

在上一篇文章中，我们简单介绍了移动机器人自主导航的几大类传感器技术，但在实际场景中，机器人所处的环境都是动态的、可变的、未知的，此时移动机器人想要“穿梭自如”，还需强大的算法支持。

目前比较热门的算法有：遗传算法、启发式搜索算法、神经网络算法等，下面分别加以介绍：

1. 遗传算法

遗传算法（genetic algorithm ，简称GA ）是计算数学中用于解决最佳化的搜索算法，是进化算法的一种。

进化算法是借鉴了进化生物学中的遗传、突变、自然选择以及杂交等现象而发展起来的。遗传算法采用从自然进化中抽象出来的几个算子对参数编码的字符串进行遗传操作，包括复制或选择算子（Reproduction or Select）、交叉算子（Crossover）、变异算子（Mutation）。

图1 遗传算法要找的是多维曲面中的全局最优解（最高海拔的“山峰”）

主要特点：

直接对结构对象进行操作，不存在求导和函数连续性的限定；

具有内在的隐并行性和更好的全局寻优能力；

采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。

因此被广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。

2. 启发式搜索算法

启发式搜索算法，是在状态空间中的搜索对每一个搜索的位置进行评估，得到最好的位置，再从这个位置进行搜索直到目标，我们称这个过程为最优（best-first）或启发式搜索。

优点是可省略大量无谓的搜索路径，提高效率。

图2 启发式搜索到最优路径

机器人的导航规划一般分为构建地图、自定位、路径规划和轨迹规划四个部分。

仙知机器人使用的3D SLAM激光导航路径规划方法与传统的全局路径规划算法相比，考虑了机器人的几何约束，即最小转弯半径，并用优化的方法优化了规划出来的路径，使最后的规划路径更加平滑合理。

3. 神经网络算法

神经网络（neural network，缩写NN），是一种模仿生物神经网络的结构和功能的数学模型或计算模型。

图3 神经网络的原理算法公式

基于动态神经网络的机器人避障算法，动态神经网络可根据机器人环境状态的复杂程度自动地调整其结构，实时地实现机器人的状态与其避障动作之间的映射关系，能有效地减轻机器人的运算压力。还有研究通过使用神经网络避障的同时与混合智能系统（HIS）相连接，使移动机器人的认知决策避障能力和人相近。

因此被广泛地应用于计算机视觉、语音识别、自然语言处理、无人驾驶等领域。