近年來，隨著遺傳算法、神經網絡等智能方法的廣泛應用，智能導覽機器人路徑規劃方法也有了長足的進展，許多研究者把目光漸漸放到了基于智能方法 的路徑規劃研究上。其中，應用較多的算法主要有模糊邏輯方法、神經網絡和 遺傳算法。

1)模糊邏輯方法

模糊邏輯方法是在線規劃中通常采用的一種規劃方法，包括建模和局部規劃。有關的文獻中提出了一種模糊概念的動態環境模型，把各個物體的運動狀態用模糊集的概念(即運動平面上的二維隸屬函數) 來表達，每個物體的隸屬函數包含該物體當前位置、速度大小和速度方向等信 息，然后通過模糊綜合評價對各個方向進行綜合考察得到搜索結果。但是，這 種方法需要知道運動障礙物的速度大小和速度方向，這在實際應用中是很難做到的。

有的學者提出了一種在未知環境下智能機器人的模糊控制算法。它把障 礙物信息分成三個方向，分別是正前方、左前方和右前方。行為和推理規則的 輸入變量設為四個，分別為智能機器人預定的目的地方向，智能機器人前進方向的左、中、右三面的障礙物狀態，而從這些條件推出模糊推理的兩個輸出分 別為智能機器人的速度和方向控制。由于變量被模糊化后，它們的取值被限 定在一個范圍內，并且這些變量是障礙物或者目標相對于智能機器人當前位 置的取值，而不是在移動環境中相對于起點的絕對值，因此用這種算法時智能機器人對定位精度不敏感，從而提高了路徑規劃算法的魯棒性，但同時也看 到，它在地圖的建立、修改以及路徑規劃方面還是有一定的問題。

2)神經網絡

神經網絡所具有的基本特點如下：

(1)并行處理性。神經網絡采用大規模的并行處理方式，處理速度快。

(2)信息方式存儲。信息具有容錯性和全息性。

(3)自適應和自組織性。

(4)層次性。由于神經網絡一般具有多層結構，可以使功能得到極大的 增強。

現在基于神經網絡進行路徑規劃的研究越來越多。 一些文獻提出了一種 基于神經網絡的智能機器人路徑規劃算法，該方法研究了障礙物形狀是矩形 并且能用函數來描述其邊界和位置已知情況下的智能機器人路徑規劃算法。 通過計算地圖中某個點是否落在障礙物矩形范圍中確定這個點是否為障礙物 點，其能量函數的定義利用了神經網絡結構，根據路徑點位于障礙物內外的不同位置獲取不同的動態運動方程，規劃出的路徑達到了折線形的Z短無碰路 徑，計算簡單，收斂速度快。

空間點碰撞罰函數具有如下特點：在障礙物中心處的空間點的碰撞罰函 數具有Z大值；隨著空間點與障礙物中心距離的增大，其碰撞罰函數的值逐漸減小，且為單調連續變化；在障礙物區域外的空間點其碰撞罰函數的值近似為 0。經分析可知，路徑點越遠離障礙物，能量函數E 越小；路徑的長度越短，能 量函數E 也越小。因此，要使整個能量函數E Z小，便使該路徑盡可能地遠離障礙物，不與障礙物相撞，并且使路徑的長度盡量短，得到一條Z優路徑。

3)遺傳算法

遺傳算法是目前智能機器人路徑規劃研究中應用較多的一 種方法。無論是單個智能機器人靜態工作空間，還是多個智能機器人動態動 作空間，遺傳算法及其派生算法都取得了良好的路徑規劃結果。在一些文獻中，用遺傳算法完成了離散空間中智能機器人的路徑規劃，并且獲得了較好的 仿真結果。該方法采用柵格法對智能機器人工作空間進行劃分，用序號標識 柵格，并且以此序號作為智能機器人路徑規劃的參數編碼，應用遺傳算法對智 能機器人路徑規劃進行研究。但是，可以看到，該路徑規劃是基于確定環境模 型的，即工作空間中的障礙物位置是已知的、確定的。Kazuo Sugihara和 John Smith 在采用離散空間進行路徑規劃的同時，將問題更深入化，柵格序號采用 二進制編碼，統一確定其個體長度、隨機產生障礙物位置及數目，并且在搜索 到Z優路徑后，再在環境空間中隨機插入障礙物，模擬環境變化，通過仿真結 果驗證了該算法的有效性和可行性。但是，規劃空間柵格法建模還存在缺陷： 若柵格劃分過粗，則規劃精度較低；若規格劃分太細，則數據量又會太大。

4)動態規劃法

前面總結了許多路徑規劃方面的知識和技術，這里面還 有一個不得不提的重要概念，那就是動態規劃，這個概念對于后面的路徑規劃 方法有著很重要的指導意義。動態規劃法是解決多階段決策優化問題的一種 數值方法。1951年，美國學者貝爾曼等人針對一類多階段決策問題的特性，提 出了解決這類問題的“Z優化方法”,即動態規劃算法。動態規劃算法將復雜 的多變量決策問題進行分段決策，從而將其轉換為多個單變量的決策問題。 動態規劃的基本原理可以表述為：作為整個過程的Z優決策應該具有這樣的 性質，即無論過去的狀態或者決策如何，對于當前決策所形成的狀態而言，后 續的決策必定構成Z優策略。Jerome Barraquand等人以經典的動態規劃方法 為基礎，對全局路徑規劃問題進行了研究。結論表明，動態規劃算法非常適合 于動態環境下的路徑規劃。如何改進動態規劃的算法以提高計算效率，是當 前動態規劃研究的一項重要內容。