目前移动机器人的避障根据环境信息的掌握程度可以分为障碍物信息已知、障碍物信息部分未知或完全未知两种。实际生活中，绝大多数的情况下，机器人所处的环境都是动态的、可变的、未知的，传统的导航避障方法如可视图法、栅格法、自由空间法等算法就不能很好的解决避障问题了。

但是方法总比困难多，经过人们的不断钻研努力，总结出了新的解决方案。比较热门的有：遗传算法、神经网络算法、模糊算法等。

1、    基于遗传算法的机器人避障算法：

遗传算法是计算数学中用于解决*佳化的搜索算法，是进化算法的一种。主要优点是：采用群体方式对目标函数空间进行多线索的并行搜索，不会陷入局部极小点；只需要可行解目标函数的值，而不需要其他信息，对目标函数的连续性、可微性没有要求，使用方便；解的选择和产生用概率方式，因此具有较强的适应能力和鲁棒性。

2、    基于神经网络算法的机器人避障方法：

神经网络是一种模仿生物神经网络的结构和功能的数学模型或计算模型，是一种自适应系统。传统的神经网络路径规划方法往往是建立一个关于机器人从初始位置到目标位置行走路径的神经网络模型，模型输入是传感器信息和机器人前一位置或者前一位置的运动方向，通过对模型训练输出机器人下一位置或者下一位置的运动方向。可以建立基于动态神经网络的机器人避障算法，动态神经网络可以根据机器人环境状态的复杂程度自动地调整其结构，实时地实现机器人的状态与其避障动作之间的映射关系，能有效地减轻机器人的运算压力。

3、基于模糊控制的机器人避障算法

模糊控制是一类应用模糊集合理论的控制方法通过人的经验和决策进行相应的模糊逻辑推理，并且用具有模糊性的语言来描述整个时变的控制过程。

通过人的经验和决策进行相应的模糊逻辑推理，并且用具有模糊性的语言来描述整个时变的控制过程。

随着计算机技术、传感器技术、人工智能的发展，移动机器的避障及自主导航技术已经取得了丰硕的研究成果，通过传统算法与智能算法及智能算法之间的相互融合，克服单个算法的缺陷，增强整体的适用性，将是日后研究的重点。

我们有理由相信，机器人避障技术的发展，即将迎来新的突破。