为了解决生物激励神经网络算法在全覆盖路径规划中陷入死区的问题,提出了脱困点搜索和脱困路径规划组合的脱困机制。建立了工作区域的栅格模型,分析了生物激励神经网络算法原理和缺陷。通过设计元胞演化规则,给出了基于元胞自动机的最佳脱困点搜索方法。对于脱困路径规划问题,传统RRT算法的采样和扩展具有随机性和盲目性,提出了神经元活性引导RRT算法,使RRT算法的随机树扩展具有较强的方向性。经仿真验证,与传统RRT算法相比,神经元活性引导RRT算法的耗时减少了一个数量级,扩展节点数减少了2倍,脱困路径减少了12.96%,是一种非常高效的脱困方法。另外,具有脱困机制的生物激励神经网络算法能够完成工作区域全覆盖,有效解决了死区问题。

为了提高移动机器人在全区域覆盖路径规划中的性能，提出了基于神经元激励神经网络的路径规划算法。介绍了栅格法环境建模原理，使用此方法得到了机器人工作环境的矩阵模型；分析了生物激励神经网络算法，在神经元活性值定义、机器人跳出“死区”两个方面对算法提出了改进，提出了神经元激励神经网络算法。使用此算法对设定的工作环境进行遍历并与生物激励算法进行比较可以看出，在遍历重叠率、路径长度、转弯次数等方面，神经元激励算法都优于生物激励算法，充分说明了改进算法在机器人遍历规划中的优越性。