«——【·引言·】——»
在現代社會中，為了不費人力勞動進而研究了機器人，讓機器可以執行以往需要人力完成的實體任務。然而，人們不僅需要機器能夠執行實體任務，還能像人類一樣帶有思考和決策的行為，為了使機器變得智能，人工智能知識變得非常重要。
路徑規劃一直被認為是機器人導航中最常見的問題，機器人必須通過避開障礙物，從起始位置移動到目标位置。像微型空氣車，動作機器人，爬牆機器人和水下機器人都已經用不同的算法進行了測試。
«——【·全局導航方法·】——»
導航可以分為全局導航和局部導航兩種類型，對于全局導航類型，需要先了解環境的先驗知識，也稱為脫機模式路徑規劃。
對于局部導航也稱為線上模式路徑規劃，機器人決定其位置和方向，并且可以使用外部配備的傳感器進行運動控制，如紅外線傳感器、超音波傳感器、雷射雷達和視覺傳感器等，可以通過軟體自動校正機器人的方向。
其他技術包括神經網絡，模糊邏輯，神經模糊，粒子群優化，遺傳算法和蟻群優化，這些都是研究人員使用的已經成功應用的算法。
人工勢場（APF）是一種受自然啟發的技術，APF的基本思想是在機器人環境中填充人工勢場，在其中通過斥力作用排斥障礙物，通過引力作用将機器人吸引向目标。
勢場取決于兩種力，即引力和斥力，目标對機器人産生引力，障礙物産生斥力，其與機器人到障礙物的距離成反比，指向障礙物。
在勢場方法中，會建立一個引力場以達到目标，勢場通常定義在整個自由空間内，每個時間步，會在機器人位置計算勢場，計算場施加的誘導力。
APF的主要問題在于機器人可能陷入局部或全局極小值問題，即機器人被困在兩個力互相抵消的點上，不允許機器人進一步移動甚至後退。
圖形搜尋方法被認為是機器人尋找路徑最簡單的方法，它是一種明确定義、有效且計算複雜度較低的方法，可以用較短的時間和較少的計算複雜度找到非妨礙路徑。
在為機器人建構環境後，可以通過連接配接路徑來輕松地到達目标，該過程将一直持續，直到從一個節點到另一個節點，獲得更好和更優的解決方案。
當機器人到達所需的目标時，機器人可以繼續前往新的位置。Dijkstra算法被認為是解決具有非負邊路徑成本的，最優路徑問題的圖形搜尋方法，可以産生最短路徑，它用于從單個點到單個目的地的路徑成本查詢。
該算法在交通資訊系統中具有重要意義，可以通過跟蹤源和目的地來跟蹤源和目的地，它用于确定初始節點，與圖中其他節點之間的最短距離，和低成本之間的關系。算法的主要關鍵是反複計算從初始點到終點的最短距離，同時排除較長距離路徑。
A*是一種搜尋算法，也可用于尋找路徑，該算法不斷地搜尋圖形中未探索的位置。
當到達目标位置時，算法停止。如果未達成目标，則将所有鄰居設定為需要探索的搜尋最短路徑，A*算法在遊戲中被廣泛用于路徑查找。
本地導航方法在導航技術中，通常使用傳感器來控制機器人的方向和位置，為此頻繁用于自動化目的的LIDAR傳感器。
LIDAR與GPS系統相比可以獨立工作，是以具有映射環境的能力。LIDAR可以獨立使用，但是與其他傳感器配合使用時，會得到改進的結果。
例如，與攝像頭一起使用可以提供強大的定位工具，可以利用此系統對本地環境進行映射，以定位和識别地标位置，通常稱為SLAM。
借助這種技術，移動機器人可以自動糾正其位置和方向。結合LIDAR使用馬達編碼器傳感器也可以提高準确性。
向量場直方圖（VFH）是用于解決移動機器人路徑規劃問題的另一種本地導航方法，VFH的想法基于虛拟力場方法。正如其名，它是一個場，是以從車輛到一定距離内發現的障礙物會施加排斥力，使車輛遠離障礙物，并使用吸引力将車輛繪制至目标點。
VFH使用類似雷達螢幕的确定性網格，在傳感器發現的障礙物将在相應坐标的确定性網格中計數。這意味着，确定性值越高，表明傳感器範圍内檢測到了真實的物體。實時地，網格在每個瞬間不斷更新，是以該方法适用于稀疏運動物體。
同樣，自主導航車系統（AGV）也可分為不同類别，AGV可以根據它可以同時攜帶的裝載單元的數量分為兩種方法，即單個裝載單元或多個裝載單元。載荷被視為單個機關，它從起始點将車輛帶到卸貨點。
在單個單元裝載系統中，選擇一個空閑的車輛執行任務使其将貨物送到指定的目的地，然後，車輛從其初始位置出發前往取件位置以擷取貨物，然後傳回其卸貨目的地。
在解除安裝配置設定任務期間，車輛不會被任何其他任務打斷。在多單元裝載系統中，加載的車輛在進行中的任務中被打斷，以拾取其他附加載荷。
通過将車輛配置設定給不同的任務，影響正在進行的任務的載荷和車輛所承載的其他附加載荷。是以，在控制器中引入排程和計劃功能參數以确定配置設定車輛以攜帶載荷。
AGV的路徑導航可分為靜态路徑确定和動态路徑确定，在靜态路徑中，車輛使用預定義的路徑在起點和終點之間行駛。
在直接引導系統中，使用嵌入式電線、錄音帶、射頻識别(RFID)晶片和死區計算來引導車輛，靜态路徑也可以分為兩類：單向和雙向。
在單向系統中，車輛隻能沿單一方向行駛，而在雙向系統中，車輛可以朝任何方向行駛；這是通過使用掉頭點或雙向車輛實作的，這些車輛可以向前或向後移動。
在動态路徑系統中，車輛通過檢測并避免障礙物自主确定路徑。在這個系統中，車輛通過某些坐标系統知道它的目的地，車輛使用内部導航系統到達目的地。
«——【·導航系統的分類·】——»
有線型導航使用切割并放置在表面以下的插槽或電線，AGV底部安裝有傳感器，根據發射至電線的無線電信号檢測位置，該資訊用于幫助AGV跟随路徑的控制電路。
引導型傳感器車輛通過錄影機的幫助跟随錄音帶或畫線的路徑，資訊通過無線電通訊傳輸，引導路徑的優點是它可以在任何地方重新定位和删除。
雷射導航被認為是最有效的避障和路徑跟蹤技術，它不需要任何導線、軌道和軌道來進行運動。從傳感器發送和接收的光束，光束傳播和傳回所需的時間有助于确定距離和角度，進而幫助車輛進行運動。
通過計算機控制系統對車輛配置設定和指導任務，可以實作導航。為此，埋在地闆下面的基站用于幫助車輛驗證其位置和方向。
這種導航是通過陀螺儀傳感器執行的，雷射傳感器和陀螺儀測量的組合提供了另一種距離測量方法，它是确定允許路徑的最短路徑的高效方法。
基于視覺的AGV使用錄影機擷取環境特征，并基于這些特征做出決策來導航車輛，另一方面，地理引導通過位置的使用來了解其環境。
它使用固定參考點來識别倉庫内的任何産品，并利用此來幫助車輛導航，在自動引導車輛中，車輛任務的管理也非常重要。
模糊邏輯在移動機器人和自動引導車控制中具有重要意義，它們最适用于傳感器測量和啟發式知識中的不準确和不精确資訊。
它們可與AGV系統結合使用，以控制電機的運動和轉向。由于模糊邏輯是基于規則的系統，是以可以建立不同的規則來驅動AGV。
在模糊化過程中，AGV上的傳感器擷取車輛和障礙物的位置，然後建立障礙物避免和路徑跟随規則庫，将其與模糊推理系統結合以擷取AGV運動的期望方向。
同樣地，神經網絡也可以以類似的方式用于AGV系統，NN系統依賴生物神經系統，例如大腦處理資訊，它由互相連接配接并一起工作以産生特定輸出的人工神經元組成。
學習生物系統涉及調整存在于神經元之間的高度互連的突觸連接配接，使其适應給定的資料集。NN有從周圍環境中學習的傾向，并被設計為通過經驗學習以提高其效率，同時它們也非常适合于環境波動。
這些不同的導航方法與模糊邏輯控制器和神經網絡結合使用，以實作更好的位置和方向控制效果和高效率的結果。
«——【·移動機器人的運動學和動力學分析·】——»
過去十年，自主車輛控制問題得到廣泛研究和深入調查。各種軟計算技術已被研究用于開發和設計自主移動機器人，通過模糊邏輯方法将移動機器人引導到目标點并避開障礙物。
為非完整性差動驅動機器人建立了神經模糊控制器，用于其導航目的，為了讀取障礙距離，使用了四個紅外傳感器，它們的距離資訊被饋送到控制器中以維持電機的速度。
用兩個模糊控制器與車輛控制方向相結合，在高速公路上協助駕駛員，有時扮演駕駛員的角色以減少事故。它使用CMOS傳感器作為路徑識别裝置，通過圖像處理來繪制中心線的路徑。
過去幾年中，研究人員提出了不同的軟計算技術，以解決不同環境下的障礙物避免問題和機器人導航。
模糊集合理論的引入最初是由加州大學的洛夫提·紮德教授在1965年提出的。模糊邏輯理論在信号和資訊處理、控制工程、模式識别、決策制定、專家系統等方面都有廣泛的應用。
該系統産生了高效的獨立智能系統，模糊邏輯系統自然地受到人們推理的啟發，其工作基于感覺。在模糊邏輯中，輸入值的一組清晰集合在模糊化步驟中累積并一起轉換為一組模糊集合，具有一組推理規則。
在去模糊化過程中，使用成員函數将産生的輸出轉換為一組清晰集合，為移動機器人設計了八個基于規則的模糊控制器，用于路徑跟蹤和障礙物避免。
為了實作障礙物避免和機器人導航，使用基于梯度方法的Takagi-Sugeon模糊控制器來調節，不同成員函數參數以獲得導航目的的最佳結果。
而NN的易用性和擴充學習和泛化能力的趨勢使它們成為一種流行的方法，在實際應用中很受歡迎。面部表情、手寫字母識别、尋找旅行的最短路線以及制定物流計劃等問題都是隻有通過使用NN才能解決的。
«——【·結論·】——»
機器人導航技術是機器人領域中一項重要的研究方向，其在工業制造、服務機器人、軍事等領域都有廣泛的應用。
随着計算機技術的不斷發展和計算能力的提高，機器人導航技術也在不斷演化，并逐漸成為從傳感技術到控制技術、決策技術再到規劃技術完整閉環的複雜系統。
未來随着人工智能技術的快速發展，機器人導航技術還将進一步演化與完善，為各行各業帶來更多的應用場景和經濟效益。
參考文獻：
1.Contreras-Cruz, M. A., Ayala-Ramirez, V., & Hernandez-Belmonte, U. (2015).
2.Guan-Zheng, T., Huan, J., & Sloman, M. (2007). Path planning for mobile robots using ant colony system and Dijkstra's algorithm.
3.Purian, R., & Sadeghian, A. (2013). A fuzzy controller and ant colony optimization algorithm to solve the optimal path problem of a mobile robot in an unknown dynamic environment.
4.Ganapathy, S., Jie, L., & Parasuraman, S. (2010). Ant colony optimization-based navigation algorithms for mobile robots.
5.Meier, L., Tullumi, E., Stauffer, A., Dornberger, R., & Hanne, T. (2017). Backup path planning using dispersed information with ant colony optimization.