运动智能
美国MIT著名机器人科学家认为自主机器人导航应该回答三个问题，“WhereamI?”，“WhereIamgoing?”，“HowshouldIgothere?”，分别描述了机器人定位，规划和控制三个问题，机器人运动规划是解决机器人导航的三个核心问题之一。
运动规划问题作为机器人学核心问题之一，是解决机器人与人类如何共存的根本技术。运动规划主要解决机器人如何在不与物理世界发生意外碰撞的情况下完成指定动作的问题。
对机器人运动规划的研究是20世纪60年代出现的。年Lozano-Perez和Wesley首次引入位姿空间(C-空间)的概念构造规划器，对于现代的运动规划问题是一次划时代的革命。在C-空间中，每一个位姿唯一代表着机器人在物理空间中的位置和姿态，机器人在位姿空间中被抽象为一个点，从而使运动规划问题变成在位姿空间中寻找一条从起始位姿点到目标位姿点的连续路径，大大简化了规划问题的计算。年，J.P.Laumond将机械系统中的非完整性引入到机器人运动规划中解决自动泊车问题。自此，非完整运动规划成为一个新的研究热点一直延续到今天。
移动机器人路径规划可以当作运动规划的一个简单特例。所谓“路径”是指在位姿空间中机器人位姿的一个特定序列，而不考虑机器人位姿的时间因素;而“轨迹”与何时到达路径中的每个部分有关，强调了时间性。机器人运动规划就是对“轨迹”的规划，按照环境建模方式和搜索策略的异同，可将规划方法大致上分为：基于自由空间几何构造的规划，前向图搜索算法，近年兴起的以解决高维姿态空间和复杂环境中运动规划为目的的基于随机采样的运动规划以及其他智能化规划方法。
基于几何构造的规划方法有可视图、切线图、Voronoi图以及精确(近似)栅格分解等方法。路径规划是搜索的过程。不管何种规划算法，最终都将归结到在某个空间中搜索一条满足某准则的连续路径问题。利用几何构造的手段描述环境的自由空间，一般都会构成图(栅格被当作一类特殊的图)，最终完成轨迹的规划需要图搜索这个很重要的步骤。前向图搜索算法是从起始点出发向目标点搜索的算法，常用的包括贪心算法、Dijkstra算法、A＊算法、D＊算法(Dijkstra算法的变种)以及人工势场法等等。
上述算法的计算复杂度与机器人自由度成指数关系，不适合于解决高自由度机器人在复杂环境中的规划，而且都不适合于解决带有微分约束的规划。基于随机采样的规划始于年Barraquand和Latombe提出的RPP(randomizedpotentialplanner)规划算法，用于克服人工势场法存在的局部极小和在高维姿态空间中规划时存在的效率问题。年PRM(probabilisticroadmap)和年RRT(rapidly-exploringrandomtree)两种基于随机采样的运动规划方法的出现已经掀起一股对机器人运动规划研究的新热潮。这些算法适合于解决高自由度机器人在复杂环境下的运动规划问题。
路径规划是环境模型和搜索算法相结合的一种技术，规划过程既是搜索的过程，也是推理的过程。人工智能中的很多优化、推理技术也被运用到移动机器人运动规划中来，如遗传算法、模糊推理以及神经网络等在移动机器人运动规划中起到很大的作用。遗传算法求解路径规划问题是将路径个体表达为路径中的一系列中途点，并转换为二进制串。首先初始化路径群体，然后进行遗传操作，如选择、交叉、复制、变异。经过若干代的进化以后，停止进化，输出当前最优个体作为路径下一个节点。模糊规划器是利用反射式导航机制，将当前环境障碍信息作为模糊推理机的输入，推理机输出机器人期望的转向角和速度等。神经网络规划器的基本原理是将环境障碍等作为神经网络的输入层信息，经由神经网络并行处理，神经网络输出层输出期望的转向角和速度等，引导机器人避障行驶，直至到达目的地。这些智能化推理方法与基于几何构造的方法类似，随着机器人自由度的增加和环境复杂度增强，都存在效率问题。
一般，好的规划算法通常具有以下特性：合理性、完备性、最优性、实时性、环境变化适应性、满足约束等。然而，无论机器人路径规划属于哪种类别，采用何种规划算法，基本上都要遵循以下步骤：1)建立环境模型，即将机器人所处的现实世界进行抽象后建立相关的模型；2)搜索无碰路径，即在某个模型的空间中寻找合乎条件的路径的搜索算法。目前，运动规划问题难点主要有困难区域问题，动态环境问题，实时规划、随时规划问题，最优规划问题，以及比较特殊的覆盖路径规划问题。
移动机器人的运动规划算法是伴随着移动机器人的发展为满足机器人的需要而发展，当今无人地面、水下、空中机器人发展迅速，足球机器人比赛如火如荼，并且机器人正朝着微小型化和多机器人协作方向发展。随着星球探测和无人战争的需要，对机器人的研究也越来越注重于在崎岖地形和存在着运动障碍的复杂环境中自主导航。为了满足移动机器人发展的需要，运动规划正在并且将会向高维自由度机器人、多机器人协调、动态未知环境中的规划发展。基于随机采样的运动规划方法联合其他运动规划方法的智能化规划方法将是研究的重点和热点。
对通用规划算法的比较可见，对移动机器人运动规划的研究和应用，应着重注意以下几个方面:
1)自由度较少的机器人在简单环境，如室内、室外平地、平直道路等，或者长程起伏的越野环境中低速导航时，可不必考虑机器人的动力学特征，基于自由空间几何构造和图搜索相配套的算法效率更高，实用性较强，算法在合理性方面的缺陷可通过控制策略弥补。
2)自由度较少的机器人在复杂环境，比如崎岖的越野地形、复杂的水下环境中，高速导航时，比如军事应用、野外营救等，对导航的实时性要求很高，而且必须考虑机器人的运动动力学特征。
3)自由度较高的机器人，比如火星车、航天飞机等，在复杂环境中自主导航时，对算法的完备性要求相对不高，在规划失败时，可以允许重新规划。为了保证算法的执行效率，确定性算法并不适用，基于随机采样的规划算法解决此类问题的能力更强。但在保证算法效率的前提下，尽可能提高算法的完备性，以实现更加可靠的规划。
4)应该寻求智能规划器与基于几何构造和随机采样算法相结合的策略，以减少规划算法的参数选择和规划过程的人工干预，并且优化算法使其达到或接近某项指标(如时间、距离、能量消耗等)的最优。