在上一篇文章中，我們簡單介紹了移動機器人自主導航的幾大類傳感器技術，但在實際場景中，機器人所處的環境都是動態的、可變的、未知的，此時移動機器人想要“穿梭自如”，還需強大的算法支持。

目前比較熱門的算法有：遺傳算法、啟發式搜索算法、神經網絡算法等，下面分別加以介紹：

1. 遺傳算法

遺傳算法（genetic algorithm ，簡稱GA ）是計算數學中用于解決最佳化的搜索算法，是進化算法的一種。

進化算法是借鑒了進化生物學中的遺傳、突變、自然選擇以及雜交等現象而發展起來的。遺傳算法采用從自然進化中抽象出來的幾個算子對參數編碼的字符串進行遺傳操作，包括復制或選擇算子（Reproduction or Select）、交叉算子（Crossover）、變異算子（Mutation）。

圖1 遺傳算法要找的是多維曲面中的全局最優解（最高海拔的“山峰”）

主要特點：

直接對結構對象進行操作，不存在求導和函數連續性的限定；

具有內在的隱并行性和更好的全局尋優能力；

采用概率化的尋優方法，能自動獲取和指導優化的搜索空間，自適應地調整搜索方向，不需要確定的規則。

因此被廣泛地應用于組合優化、機器學習、信號處理、自適應控制和人工生命等領域。

2. 啟發式搜索算法

啟發式搜索算法，是在狀態空間中的搜索對每一個搜索的位置進行評估，得到最好的位置，再從這個位置進行搜索直到目標，我們稱這個過程為最優（best-first）或啟發式搜索。

優點是可省略大量無謂的搜索路徑，提高效率。

圖2 啟發式搜索到最優路徑

機器人的導航規劃一般分為構建地圖、自定位、路徑規劃和軌跡規劃四個部分。

仙知機器人使用的3D SLAM激光導航路徑規劃方法與傳統的全局路徑規劃算法相比，考慮了機器人的幾何約束，即最小轉彎半徑，并用優化的方法優化了規劃出來的路徑，使最后的規劃路徑更加平滑合理。

3. 神經網絡算法

神經網絡（neural network，縮寫NN），是一種模仿生物神經網絡的結構和功能的數學模型或計算模型。

圖3 神經網絡的原理算法公式

基于動態神經網絡的機器人避障算法，動態神經網絡可根據機器人環境狀態的復雜程度自動地調整其結構，實時地實現機器人的狀態與其避障動作之間的映射關系，能有效地減輕機器人的運算壓力。還有研究通過使用神經網絡避障的同時與混合智能系統（HIS）相連接，使移動機器人的認知決策避障能力和人相近。

因此被廣泛地應用于計算機視覺、語音識別、自然語言處理、無人駕駛等領域。