现在，很多有关避障问题的研究大致都可以分为两类。一类是基于模型的规划法，一般是已知环境的避障。另一类则是基于传感器的反应式避障法[7]。前者是以环境模型为基础进行全局无碰撞路径规划，这一方法虽然可以准确、方便的达到目标，但是其要求外界环境是静态不变的，不适应与变化的环境。而后者则不需事先对路径进行规划，二是利用传感器探测外界环境的实时数据来实现避障功能。特点是适用性强、实时、高效，不过由于传感器探测范围以及算法的限制，有时会陷入局部的死角区域。所以，两类方法各有优缺点。51261

随着人工智能、多传感器以及信息处理等技术的发展，而且由于环境的复杂性和不确定性，人们对机器人的要求越来越高，单一传感器所能感知的信息也非常的有限，所以目前多采用多传感器融合与路径规划算法结合的方式来实现移动机器人的避障功能。这样可以将各种传感器进行优势互补，将多个传感器集成于一个系统中，综合处理信息达到更全面的外界信息，从而达到更好的避障效果[8]。

对于已知环境下的避障策略方法，现在主要有边沿检测法、人工势场法、遗传算法论文网、矢量直方图法、模糊推理法、栅格法等[9]。边沿检测法主要是通过探测障碍物的两个垂直的边缘位置，然后直接绕开该障碍物，是一种简单直接的方法。缺点是效率较低，运动不连贯，因为机器人必须在障碍物前停下一段时间来收集障碍物信息。人工势场法主要对机器人的运行环境做抽象描述。障碍物对机器人有斥力，目标对机器人有引力，然后这两个力的合力决定了机器人的速度和方向。

而未知环境下的避障策略，多采用局部动态避障的方法[4]。方法主要有可视图法、A*算法、D*算法、模糊推理法、栅格法、神经网格等。模糊推理法是先确定好模糊规则和查找表，然后实时的测量传感器探测到的信息，进而通过查找实现确立的表做出行走的路径。达到实时性这一要求。但缺点是对环境的适应能力不够，不同的环境需要建立不同的模糊逻辑网络。神经网络法是对人脑的模拟，基本原理是将环境障碍等作为神经网络的输入上层信息，并加以处理，神经网络输出层输出期望的转向角和速度引导机器人避障行驶。