摘 要 本文着重讨论了机器人在移动过程中起关键作用的导航系统的构成，以及该系统的智能化特性，同时也介绍了一些人工智能技术的应用情况，对人工智能在导航上应用前景作了分析。
关键词 机器人；导航；人工智能；分析
中图分类号：TP301 文献标识码：A 文章编号：1671-7597（2015）01-0003-02
1 人工智能的相关知识
人工智能的明确定义，到目前为止还没有定论，简而言之，是通过一定的技术手段，模拟人类的脑功能，实现类似与人类的学习、推理、思考、判断等等复杂的思维活动。人工智能已经逐渐成为机器人研究中的重点研究方向。在机器人研究的诸多方面中，机器人的移动是一个重要方面，在这方面，人工智能所要做到的是使机器人能像人类一样，有意识地去移动。随着科技的发展，这些年人工智能技术也是一直在进步，出现了多元化的现象，在这样的基础上也随之产生了一些新的科学，例如专家系统的产生，机器人学习的实现，机器人的视觉系统等等，这些功能在人类脑功能中都有所体现。所以机器人移动的继续向前发展，是离不开对人工智能的深入研究和尝试。
2 机器识别与视觉
人类很容易就能对周遭的环境和形势作出识别和判断，但是这些对于机器人而言，就是难度相当大的一项工作。模式识别和机器视觉就是为了解决这方面问题产生的科学技术，它利用图像或者利用反映实际情形的模型，来实现对周围环境的识别。现在的对图像和模型进行分析的研究基本上都是建立在Marr视觉计算理论的基础上，因为现在的技术的限制还不能使计算机的视觉识别能力达到人类视觉的水平，所以硬件水平上尚且做不到对视线中目标物体进行快而准的反应。但是从理论上分析，以及算法角度，我们完全相信是让机器人的视觉接近到人类的水平，换句话说是可以让机器人的视觉从相对简单的二维图像，过渡到相对复杂的三维图像。只有经历这样循序渐进的过渡过程，才能得到与实际物品相对应的正确辨识。
3 认知、推理和规划
人类的认知过程，是通过思维的创造性将感性认知通过归纳、总结和推理等思维智力过程，将其转化成理性知识的脑力行为。这其中就涉及到了诸多的知识行为过程，例如知识的积累、表达。上述这些其实就是人类智能的表现，这样的思维过程如何模拟就是人工智能所研究的。移动机器人在路径的导航系统的帮助下，实现对周围环境采集到的声音、图像等信息的分析和存储，并生成行为指令。
移动机器人要想有很好的移动导航的表现，如果仅仅只依靠利用采集的周围环境实时信息，是不够的，还要依靠已经存储的全方位的环境知识库，比如电子地图，该地图可以利用查询的方式或者遍历的方式获得。这样，综合利用周围实时采集的环境信息和地图全方位环境知识，就能构成机器人移动的规则，实现很好的导航。导航的知识存储库可以这样建立：该知识库的需要有多种多样的方式来进行知识的表达和信息的累积，当然还需要有类似于人脑的联想能力。现在的导航知识系统能表示的有空间位置、状态信息等，但是这些都还尚未达到自然语言相对应的高度。导航系统的知识库决定了机器人路径选择的速度和准度。
4 智能控制
人工智能技术的出现，改变了机器人控制方面之前的研究方向，正是移动机器人需要的面临的环境的不确定性，对机器人的研究与开发也正向着智能化的诸多方向深入发展。
1）神经网络。
神经网络是一个相当复杂相当精妙的智能系统，它的运行方式是高度并行的，处理信息的速度非常快，而且该系统并不能用某种精确的数学模型去描述，本身具有的学习能力在信息处理上能做到优化和容错。基于这些优势，现在也越来越多的人将神经网络的理论运用到机器人的路径导航和车辆的智能导航中。经过这些的发展，神经网络的类型已经有了很多种类型，每种类型都有着其对应的应用方向。比如，在感知设备中的神经网络就可以用来对感知设备采集到的图像进行智能化处理，处理起来速度快。不仅如此，神经网络的非线性处理特性还可以实现对环境标识的辨别，同时也能实现地理坐标的实时变换。目前很多的神经网络理论用在机器人上，是为了实现机器人的躲避障碍和路径选择功能。这些是由于在躲避障碍和路径选择方面，没有固定的可用的规律，也不容易对此进行准确分类，但是可以通过神经网络的学习实例的功能来解决这问题。基于环境拓扑结构组织图的网络中，在给定了目的地后，就可以利用网络能量函数的函数收敛特性来设计出最佳路线。前向网络学习因为算法中没有迭代，所以在实现机器人躲避障碍时比较快速。Kohonen网络所具有的自动组织性质可以用于将传感器采集到的信息的整合上，这样自组织得到的结果会反映出采集的样本的分布情形，自由空间的表达方式上可以利用神经元的权向量，还能对地图中从不同位置出发选择不同路径到目的的情况进行学习，实现机器人的智能导航。在这种监督机制下，学习网络也有一些缺点，比如，在外界环境发生变化时，学习网络就需要重新学习新的环境信息，那么在环境多变复杂的情况，这种方式是不合适的。针对这个弊端，就需要我们研究出更加智能化的，自适应能力更强的神经网络。
2）模糊控制。
在机器人路径自主导航中，往往会有很多不确定的因素出现在环境的描述当中，这些因素不能简单归结到某一类中，也不能利用套到某种规则中，因此在机器人的路径自主导航中出现了很多模糊推理的应用。现在的模糊推理机制是以模糊逻辑为基础理论，利用的知识是模糊隐含理论和复合推理规则，其本质是改变利用专家系统的控制策略，改为自动智能控制。在模糊逻辑的应用中，图像边缘的像素可以有效地被提取出来，从而物体的轮廓就可以有效地被采集到。该项技术中采用的多维分布式电脑并行处理方式，是为了获得更高的处理速度，模糊推理在机器人的路径导航中，主要用于对基本的行为和动作进行处理。躲避障碍、调整速度、追踪目标等，这些基本操作分别由不同的机器结构来激活，机器人的每一个行为是各部分结构对所有基本行为进行综合处理的最终体现。传感器采集到的信息在模糊逻辑指导下，对信息进行整合后决定是否激活这些基本行为，然后通过模糊推理的算法进行行为优先级的确定，最后形成最终机器的操作。因为模糊规则的增多会给模糊推理算法的计算量带来级数量的增多，所以在面向复杂的系统时，不宜采用单一的规则，适合将诸多模糊规则综合到一起，对要处理的信息进行分类，协调基本行为，提高动作速度和精度。
3）进化控制算法。
进化控制算法是一种新型的更加智能化的算法，该算法是将传统的进化计算理论和反馈控制理论综合在一起产生的。进化控制算法在机器人移动过程中的学习和适应等问题的解决上有着独到的优势。该算法在解决复杂问题时比传统的算法更加有效，当机器人所处的环境比较复杂时，能够为机器人生成有竞争力的更加优化的机构和控制方案，这样机器人就可以随着环境的变化产生更加优化的行为，表现出较之前更加突出的适应能力。
上文所介绍的几种控制方法，可以相互结合，产生新的、对特定情形更适应的算法。比如神经网络在和模糊数学结合过后，就能产生新的规划器，该规划器可以进行模糊推理；神经网络和遗传算法结合起来，可以使机器人进行学习行为的避碰。机器人在非结构化的复杂环境下，能够在进化学习中高效避免碰撞。除了这些，作为智能控制的一项很有意义的研究成果，专家系统是一种集合了许多专业化的知识和经验知识的智能化系统，能够在处理一些专业性的问题时，做到像专家一样进行分析处理，高校控制机器人的行为，能够随着状态变化的动态不断的更新知识库和算法，使预期的目标得以实现。
5 结束语
移动机器人的导航控制行为，是以建立这样的系统为目标的，该系统能够对外部环境进行精准的采集，能够进行学习和记忆存储，能够生成智能化的处理办法，可以对自身的各部分系统进行高效地协调和控制，在实际行动中表现出灵活性和实时性。导航系统发展到今天，随着人工智能技术的不断提高，已经可以对进行行为上的解构和重构，控制方法上也表现出优于以往的适应能力。但是人工智能的理论整体上还不是完全成熟，不少的研究知识停留在功能性的模拟上，而在实际运用中的控制效果却没有达到预期，环境信息的感知，环境结构的学习，行为指令的控制等等，还没有完全的融合，但是我们坚信随着研究的深入，这些问题都会随之解决。
参考文献
[1]蔡自兴，徐光佑.人工智能及其应用[M].北京：清华大学出版社，2006.
[2]吴今培，等.车载导航仪中路径规划算法及实现[J].计算机自动测量与控制，2001（9）.
[3]游峰.智能车辆自动换道与自动超车控制方法的研究[D].长春：吉林大学，2005.
[4]沈中杰，王武宏，侯福国，等.智能交通信息网络环境下数字驾驶系统的体系结构与关键技术[J].交通运输工程学报，2002，2（1）：96-100.