我們先來看看SLAM與路徑規劃的關係。

　　實際上，SLAM演算法本身只是完成了機器人的定位和地圖構建兩件事情，與我們說的導航定位並不是完全等價的。這裡的導航，其實是SLAM演算法做不了的。它在業內叫做運動規劃(Motion Planning)。

　　運動規劃是一個很大的概念，從機械臂的運動、到飛行器的飛行，再到這裡我們說的掃地機的清掃路徑規劃，都是運動規劃的範疇。

　　我們先談談針對掃地機這類輪式機器人的運動規劃。這裡所需的基礎能力就是路徑規劃，也就是一般在完成SLAM後，要進行一個叫做目標點導航的能力。通俗的說，就是規劃一條從A點到B點的路徑出來，然後讓機器人移動過去。

　　要實現這個過程，運動規劃要實現至少兩個層次的模組，一個叫做全域性規劃，這個和我們車載導航儀有一點像，它需要在地圖上預先規劃一條線路，也要有當前機器人的位置。這是由我們的SLAM系統提供出來的。行業內一般會用叫做A*的演算法來實現這個過程，它是一種啟發式的搜尋演算法，非常優秀。它最多的應用，是在遊戲中，比如像星際爭霸、魔獸爭霸之類的即時戰略遊戲，都是使用這個演算法來計算單位的運動軌跡的。

　　當然，僅僅規劃了路徑還是不夠的，現實中會有很多突發情況，比如正巧有個小孩子擋道了，就需要調整原先的路徑。當然，有時候這種調整並不需要重新計算一遍全域性路徑，機器人可能稍微繞一個彎就可以。此時，我們就需要另一個層次的規劃模組，叫做區域性規劃。它可能並不知道機器人最終要去哪，但是對於機器人怎麼繞開眼前的障礙物特別在行。

　　這兩個層次的規劃模組協同工作，機器人就可以很好的實現從A點到B點的行動了，不過實際工作環境下，上述配置還不夠。比如A＊演算法規劃的路徑是根據已知地圖，預先規劃好的，一旦機器人前往目的地的過程中遇到了新的障礙物，就只好完全停下來，等待障礙物離開或者重新規劃路徑了。如果掃地機器人買回家，必須先把屋子都走一遍以後才肯掃地，那使用者體驗就會很差。

　　為此，也會有針對這類演算法的改進，比如SLAMWARE內我們採用改良的D*演算法進行路徑規劃，這也是美國火星探測器採用的核心尋路演算法。這是一種動態啟發式路徑搜尋演算法，它讓機器人在陌生環境中行動自如，在瞬息萬變的環境中游刃有餘。

　　D*演算法的最大優點是不需要預先探明地圖，機器人可以和人一樣，即使在未知環境中，也可以展開行動，隨著機器人不斷探索，路徑也會時刻調整。

　　以上是目前大部分移動機器人都需要的路徑規劃演算法，而掃地機器人作為最早出現在消費市場的服務機器人之一，它需要的路徑規劃演算法更為複雜。

　　一般來說，掃地機需要這麼幾個規劃能力：貼邊打掃、折返的工字形清掃以及沒電時候自主充電。單單依靠前面介紹的D*這類演算法，無法滿足這些基礎需要。

　　掃地機器人還需要有額外的規劃演算法，比如針對折返的工字形清掃，有很多問題要處理。掃地機如何最有效進行清掃而不重複清掃？如何讓掃地機和人一樣，理解房間、門、走廊這種概念？

　　針對這些問題，學術界長久以來有一個專門的研究課題，叫做空間覆蓋（space coverage），同時也提出了非常多的演算法和理論。其中，比較有名的是Morse Decompositions，掃地機通過它實現對空間進行劃分，隨後進行清掃。

　　20世紀70年代，卡內基梅隴大學（CMU）完全依靠超聲波做到了現在我們掃地機的行為，當然造價也十分昂貴。

　　前面介紹的從A點到B點移動路徑規劃也是實現這類更高階路徑規劃的基礎。實際上，要從SLAM實現到掃地機器人所需要的這些功能，還是有非常多的工作要做的。

　　針對掃地機器人，我們將其特有的路徑規劃功能預先內建在SLAMWARE中，方便廠家進行整合，不需要進行二次開發。