运动规划(Motion Planning)是移动机器人(Motion Robot)应用中一个重要的研究方向，而运动避碰问题又是移动机器人运动规划中的一个基本问题。全球的许多研究人员在这方面进行了大量的研究和实践，希望能取得突破性的进展。但由于实际应用中实际环境的复杂性，机器人运动的多样性和多机器人协作运动的复杂性等方面的问题，相关的研究和算法都存在各自的局限性，目前距离全自主，高智能的要求还有很大的距离。　　课题的具体目标是在现有运动规划的基础上，研究移动机器人运动规划的相关理论和算法;探讨二维平面移动机器人运动模型，在各种运动模型下研究和探讨多机器人在避开运动障碍物安全到达目标的有效方法和各种算法;希望为全自主，高智能的移动机器人寻找更为有效的运动规划方法和相关算法，将部分新算法应用于移动机器人有典型意义的足球机器人的运动规则中，实现更为准确、快速和简洁的移动机器人运动性能。　　对运动避碰问题有关的算法进行详细的分析发现，广泛应用人工势场(Artificial Potential Field，APF)方法存在局限性，在综合考虑动态环境下的目标不可达，局部极小和最小安全距离因素的情况，建立一种动态人工势场(Dynamic Artificial Potential Field，DAPF)模型方法，进一步建立多目标遗传算法对动态势场法进行寻优的方法。　　在研究机器人运动规划的遗传算法参数优化的适应函数以及根据遗传算法个体适应度不同情况下，建立考虑机器人运动路径长度、移动步数、动态相对距离的避障评价函数，提出当个体适应度较低时，应该尽可能破坏染色体遗传模式，产生新的个体结构，扩大搜索空间的变异概率pm的自适应调整的改进算法并对算法复杂性进行分析。　　研究和建立了一种考虑机器人速度和角度，障碍物速度和角度，机器人相对障碍物的速度和角度的新二阶避碰运动模型(Second Order Motion Model，SOMM)，建立一种改进的PSO算法寻找多目标避碰算法的最优解方法。　　设计一种实用的约束多目标优化进化算法(Evolutionary Computation，EC)，使用非参数惩罚函数处理约束条件，用Pareto强度值表示个体间Pareto偏序强弱程度，拥挤密度法保持群体的多样性;并将这些因素合并到适应值的定义中，使用(μ+1)进化策略实现算法，并验证了算法的可行性与稳健性。　　定义了机器人进攻模型AR和协同模型CR以及相关性质和算法，设计了两个共同进化(Co-evolution，CE)的种群:在此基础上提出一种新的基于共同进化的多机器人协作的运动避碰方法(Multiple Robots Avoidance Based on Co-evolution Computation,MRACEC)。　　上述机器人运动规划的理论和算法研究在一个按照国际RoboCup标准开发的RoboBBT中型全自主移动机器人平台中已得到了应用。移动机器人在复杂的环境下的运动规划仍然有许多问题需要进一步的研究，目前要达到全自主、高智能的要求还有很大的距离。随着多智能机器人学的研究发展，更为先进合理的运动规则算法;基于视觉的机器人快速自定位方法和运动规划;协作机器人强化学习等是下一步研究的重点。