移动智能机器人是一类能够通过传感器感知环境和自身状态，实现在有障碍物的环境中面向目标的自主运动，从而完成一定作业功能的机器人系统。

导航技术是移动机器人技术的核心，而路径规划(path planning)是导航研究的一个重要环节，移动智能机器人路径规划的主要方法有三种：

(1)基于事例的学习规划方法

基于事例的学习规划方法依靠过去的经验进行学习及问题求解，一个新的事例可以通过修改事例库中与当前情况相似的旧的事例来获得。将其应用于移动机器人的路径规划中可以描述为:

首先，利用路径规划所用到的或已产生的信息建立一个事例库，库中的任一事例包含每一次规划时的环境信息和路径信息，这些事例可以通过特定的索引取得。

然后，把由当前规划任务和环境信息产生的事例与事例库中的事例进行匹配，以导找出一个最优匹配事例。

最后对该事例进行修正，并以此作为最后的结果。移动机器人导航需要良好的自适应性和稳定性，而基于事例的方法能满足这个需求。

(2)基于环境模型的规划方法

基于环境模型的规划方法首先需要建立一个关于机器人运动环境的环境模型。在很多情况下，由于移动机器人的工作环境具有不确定性(包括非结构性、动态性等)，使得移动机器人无法建立全局环境模型，而只能根据传感器信息实时地建立局部环境模型，因此局部模型的实时性、可靠性成为影响移动机器人是否可以安全，连续和平稳运动的关键因素。环境建模的方法基本上可以分为两类，即网络/图建模方法和基于网格的建模方法。

前者主要包括自由空间法、顶点图像法、广义锥法等，它们可得到比较精确的解，但所耗费

的计算量相当大，不适合于实际的应用。而后者在实现上要简单许多，所以应用比较广泛，其典型代表就是四又树建模法及其扩展算法等。

基于环境模型的规划方法根据掌握环境信息的完整程度可以细分为环境信息完全已知的全局路径规划和环境信息完全未知或部分未知的局部路径规划。由于环境模型是已知的，全局路径规划的设计标准是尽量使规划的效果达到最优。在此领域已经有了许多成熟的方法，包括可视图法、切线图法、Voronoi图法、拓扑法、惩罚函数法、栅格法等。

作为当前规划研究的热点问题，局部路径规划得到了深入细致的研究。对环境信息完全未知的情况，机器人没有任何先验信息，因此规划是以提高机器人的避障能力为主，而效果作为其次。已经提出和应用的方法有增量式的D＊Lite算法和基于滚动窗口的规划方等。

(3)基于行为的路径规划方法

基于行为的方法由 Brooks在他著名的包容式结构中建立，它是受从生物系统启发而产生的自主机器人设计技术。它采用类似动物进化的自底向上的原理体系，尝试从简单的智能体来建立一个复杂的系统。将其用于解决移动机器人路径规划问题是一种新的发展趋势，它把导航问题分解为许多相对独立的行为单元，比如跟踪、避碰、目标制导等。这些行为单元是一些由传感器和执行器组成的完整的运动控制单元，具有相应的导航功能，各行为单元所采用的行为方式各不相同，这些单元通过相互协调工作来完成导航任务。

基于行为的方法大体可以分为反射式行为、反应式行为和慎思行为3种类型。反射式行为类似于青蛙的膝跳反射，是一种瞬间的应激性本能反应，它可以对突发性情况作出迅速反应，如移动机器人在运动中紧急停止等，但该方法不具备智能性，一般是与其他方法结合使用。慎思行为利用已知的全局环境模型为智能体系统到达某个特定目标提供最优动作序列，适合于复杂静态环境下的规划，移动机器人在运动中的实时重规划就是一种慎思行为，机器人可能出现倒退的动作以走出危险区域，但由于慎思规划需要一定的时间去执行，所以它对于环境中不可预知的改变反应较慢。

反应式行为和慎思行为可以通过传感器数据、全局知识、反应速度、推理论证能力和计算的复杂性这几方面来加以区分。近年来，在慎思行为的发展中出现了一种类似于人的大脑记忆的陈述性认知行为，应用此种规划不仅仅依靠传感器和已有的先验信息，还取决于所要到达的目标。比如对于距离较远且暂时不可见的目标，有可能存在一个行为分又点，即有几种行为可供采用，机器人要择优选择，这种决策性行为就是陈述性认知行为。将它用于路径规划中能使移动机器人具有更高的智能，但由于决策的复杂性，该方法难以用于实际之中，这方面工作还有待进一步研究。