扫地机器人分类有哪些呢？
清洁系统分类
第一种：单吸口式
单吸入式的清洁方式对地面的浮灰有用，但对桌子下面久积的灰及静电吸附的灰尘清洁效果不理想。（设计相对简单只有一个吸入口）
扫地机器人的介绍 扫地机器人分类
第二种：中刷对夹式
它对大的颗粒物及地毯清洁效果较好，但对地面微尘处理稍差，较适欧洲全地毯的家居环境。对亚州市场的 大理石头地板及木地板微尘清理较差。 （清扫方式主面通过一个胶刷，一个毛刷相对旋转夹起垃圾）
第三种：升降V 刷清扫系统
以台湾机型为代表，它采用升降V 刷浮动清洁，可以更好的将扫刷系统贴合地面环境，相对来说对面静电吸附灰尘清洁更加到位。（整个的V 刷系统可以自动升降，并在三角区域形成真空负压）
侦测系统分类
红外线传感
红外线传输距离远，但对使用环境有相当高的要求，当遇上浅色或是深色的家居物品它无法反射回来，会造成机器与家居物品发生碰撞时间一久，底部的家居物品会被它撞的斑斑点点。
超声波仿生技术
采用仿生超声波技术，类似鲸鱼，蝙蝠采用声波来侦测判断家居物品及空间方位，灵敏度高，技术成本高。在航空工业上都有系统的运用。
如今家居智能化不仅仅是一种潮流，某种程度上来说，这已经成为了大部分家庭的的主流选择！大到物联网，小到一个扫地机器人，人们的生活正在向着更加舒适的方向发展着！对于扫地机器人，人们青睐有加！但随着扫地机器人进入到更多的家庭，人们在选购过程中需要注意的问题大约有以下几个方面！
一、外观
一个家的格调不仅体现在装修上，各种家电的外观也是重要表现之一！作为一款好的扫地机器人不能只有好的性能，更要有好看的时尚的外观！当扫地机器人的外观与周围格格不入时，即使有再好的功能也会被扣掉形象分！
二、续航能力
扫地机器人和家电一样，采用的是充电后独立运作的模式！那么充电一次，扫地机器人能够工作的时长就成了挑选扫地机器人的一个指标！毕竟频繁充电不仅对扫地机器人的电池是一种伤害，也说明这款扫地机器人是比较耗电的型号！
三、智能路线规划
智能规划清扫已经不再是扫地机器人的发展方向！当对于扫地机器人清扫路线智能规划的新需求愈益凸显，是时候进行扫地机器人的推陈出新，在新一代扫地机器人产品的主打功能中加入智能路线规划了！无导航、无规律、随机进行清扫的扫地机器人应该被淘汰了！因此，消费者在选购扫地机器人时要注重是否具有此项智能规划功能！
四、清洁能力
无论扫地机器人如何变化，万变不离其宗，扫地机器人的清洁能力都是最重要选购点！因此一款好的扫地机器人一定要有好的扫地效果！
有了这些准则，相信大家都知道如何去选购一款合适的扫地机器人，但现代大多数人并不会花费太多时间去逐一对比扫地机器人是否符合这些优良属性！
扫地机器人的前世——真空吸尘器
真空吸尘器是由地毯清扫器发展而来的，第一台地毯清扫器出现在1860年代，而第一台现代真空吸尘器则出现在20世纪初。它是由英国人休伯特·布兹（Hubert Cecil Booth）在1901年发明的，其主要部件是真空泵、集尘袋、软管及各种形状不同的管嘴,它有一个电动抽风机，通电后高速运转，使吸尘器内部形成瞬间真空，内部的气压大大低于外界的气压，在这个气压差的作用下，尘埃和脏物随着气流进入吸尘器桶体内，再经过集尘袋的过滤，尘垢留在集尘袋，净化后的空气则经过电动机重新逸入室内，起到冷却电机、净化空气的作用。现代吸尘器在附件上变化多样，为清除地毯污物设计出了粗毛刷、细毛刷、转动毛刷，清理墙角用的是扁形管嘴、清理地析板用磨光刷等。虽然现代吸尘器在功能与清洁效率上与早期吸尘器相比有了巨大提升，但其原理基本保持没变，现在扫地机器人的清扫系统也基本沿用了这种结构。
扫地机器人路径规划需要解决3个问题：
1）使机器人能从初始位置运动到目标位置；
2）用一定的算法使机器人能绕开障碍物，并且经过某些必须经过的点完成相应的作业任务；
3）在完成以上任务的前提下，尽量优化机器人运行轨迹。
移动机器人的路径规划根据其目的的不同可以分为两种，一种是传统的点到点的路径规划，另一种就是完全遍历路径规划。
点到点的路径规划是一种从起始点到终点的运动策略，它要求寻找一条从始点到终点的最优（如代价最小、路径最短、时间最短）并且合理的路径，使移动机器人能够在工作空间顺利地通行而不碰到任何障碍物。完全遍历路径规划是一种在二维工作空间中特殊的路径规划，指在满足某种性能指标最优或准优的前提下，寻找一条在设定区域内从始点到终点且经过所有可达到点的连续路径。
对于扫地机器人来说，其作业任务是清扫房间，它的路径规划属于完全遍历路径规划，需满足两个指标：遍历性和不重复性。所谓遍历性是指扫地机器人运动轨迹需要最大程度的遍布所有可大空间，它反映的是机器人的工作质量问题。所谓不重复性是指扫地机器人的行走路线应尽量避免重复，反映的是机器人的工作效率问题。
市面上大多数扫地机器人虽都采用随机碰撞寻路方式，然而清洁效率却差异很大，归根到底还是软件算法上的问题，这也是为什么同样大家买的都是随机碰撞寻路方式的扫地机器人，在覆盖率与效率上面却有天壤之别。
路径规划式
规划式导航需要建立起环境地图并进行定位。对路径规划的研究已经持续很多年了，也提出了很多种类的方法。不同的方法有各自的优缺点，适用范围各不相同，没有一种路径规划方法能适用于所有的环境信息。其中的人工势场法、栅格法、模板模型法、人工智能法等是路径规划中很典型的方法，并且受到越来越多的关注。下面将分别介绍上述这些典型的路径规划方法。
1。人工势场法
人工势场法是机器人导航中提出的一种虚拟力法，其基本方法是将机器人在周围环境中的运动设计成在一种势场中的运动，是对机器人运动环境的一种抽象描述，机器人在场中具有一定的抽象势能，势能源有两种：斥力极和引力极。
机器人在不希望进入的区域和障碍物属于斥力极：目标及机器人系统建议通过的区域为引力极。在极的周围产生相应的势，在任何一点的势为该点产生的势之和。该势的负梯度称为势力。势场的建立主要用于动态避障，此时的引力极是局部环境中的中间目标，斥力极则是局部环境中的障碍物。引力和斥力的合力作为机器人的加速力，来控制机器人的运动方向和计算机器人的位置。该方法结构简单，便于低层的实时控制，在实时避障和平滑的轨迹控制方面，得到了广泛的应用。但对存在的局部最优解的问题，容易产生死锁现象，因而可能使机器人在到达目标点之前就停留在局部最优点。
2。栅格法
设定移动机器人实际几何形状可用方形区域表示。规划过程中将机器人缩为一个点，而环境中的障碍物边界做相应的扩展及模糊化处理。采用网格表示工作空间，即把工作空间划分为一个个大小相同的方格，方格大小与机器人几何外形相同。
用栅格法表示环境：使用大小相同的栅格划分机器人的工作空间，并用栅格数组来表示环境，每个栅格是两种状态之一，或者在自由空间中，或者在障碍物空间中。这种方法的特点是简单，易于实现，从而为路径规划的实现带来了很多方便，具有表示不规则障碍物的能力；其缺点是表示效率不高，存在着时空开销与精度之间的矛盾，栅格的大小直接影响着环境信息存储量的大小和规划时间的长短。栅格划分大了，环境信息存储量就小了，规划时间短，分辨率下降，在密集环境下发现路径的能力减弱；栅格划分小了，环境分辨率高，在密集环境下发现路径的能力强，但环境的存储量大。所以栅格的大小直接影响着控制算法的性能。
3。模板模型法
另外一种常用的方法是模板模型。DeCaravalh提出了一种依靠二维清洁环境的地图并且是基于完全遍历路径规划的模板。为了完成完全遍历路径规划，DeCaravalh定义了五种模板，分别是：前进模型（Towards Model），沿边转向模型（Side Shift）、回逆跟踪（Backtracker），U转弯模型，U转弯交替模型。模板模型法是基于先验知识和先前的环境地图遍历机器人让得到的环境信息来匹配事先定义的模板。因此，整个路径就是一系列的模板组成的。在这个方法中，为了简化路径规划过程，环境事先扩大，这样这种小巧灵活的机器人就可以考虑成一个质点。基于模板的模型完全遍历路径规划，它要求事先定义环境模型和模板的记忆，因此对于变化着的环境就不好处理了，比如在遍历机器人的工作过程中突然出现一个障碍等。
4。人工智能法
近年来有许多学者利用模糊逻辑、人工神经网络、遗传算法等现代计算智能技术来解决机器人的路径规划问题，并取得了一些可喜的成果。
1）模糊控制算法
模糊控制方法应用与路径规划，是一种很有特色的方法，是在线规划中通常采用的一种规划方法，包括建模和全局规划。它用若干个传感器探测前方道路和障碍物的状况，依据驾驶员的驾车经验制定模糊控制规则，用于处理传感器信息，并输出速度、加速度、转角等控制量，指导小车的前进。该方法最大的优点是参与人的驾驶经验，计算量不大，能够实现实时规划，可以做到克服势场法易产生的局部极点问题，效果比较理想。
模糊控制的路径规划方法特别适用于局部避碰规划，具有设计简单、直观、速度快、效果好等特点。
2）神经网络路径规划
神经网络已经被应用到很多的工程领域，机器人领域当然也不例外。神经网络在路径规划中的应用也很多。Tse为清扫移动机器人从一个地方到另外一个地方的运输，提出了BP神经网络，这个模型通过自学习能进行自主导航的路径规划。避障的完全遍历路径规划能够通过离线学习达到，并且有运动行为，路线规划和全局路径规划三个步骤。在运动行为阶段机器人通过各种传感器采集3d环境信息，然后把这些信息输入到BP神经网络中，机器人可以清扫周边的区域直到周边没有未清扫区域。在路线规划阶段，清洁机器人要决定一条最短的路径通向工作空间中其他未清扫区域，在全局路径规划中，产生一个全局环境地图，然后机器人从起始点开始，清扫整个工作空间。
遗传算法是由JohnH oland在70年代早期发展起来的一种自然选择和群体遗传机理的搜索算法。它模拟了自然选择和自然遗传过程中发生的繁殖，交配和突变现象。它将每个可能的解看作是群体（所有可能解）中的一个个体，并将每个个体编码成字符串的形式，根据预定的目标函数对每个个体进行评价，给出一个适合值。开始时总是随机地产生一些个体（即候选解），根据这些个体的适合度利用遗传算法（选择、交叉、变异）对这些个体进行交叉组合，得到一个新的个体。这一群新的个体由于继承了上一代的一些优良性质，因而明显优于上一代，这样逐步朝着更优解的方向进化。遗传算法对于复杂的优化问题无需建模和进行复杂的运算，只要用遗传算法的三种算子就能找到优化解，因而在各种领域中得到了广泛的应用。在机器人相关领域研究中，遗传算法已被应用于机械手的轨迹生成、多机器人的路径规划、冗余机械手的障碍避碰。
另一方面，当遗传算法与模糊逻辑，人工神经网络等技术相结合，组合成一个智能学习和进化系统时，便显示了它的强大威力。有很多学者综合运用上述智能方法作了路径规划的尝试。如Toshio Fukuda等人提出了一个具有“结构化智能”的机器人导航系统。它以模糊控制器为核心。路径规划的一种分层决策机构，并且根据反馈得到的奖赏，惩罚信息进行学习和进化。其优点是系统自学习能力，这也是其研究的侧重点，然而他们把系统做的比较复杂，效率较低。
总结
移动机器人的路径规划技术已经取得了丰硕成果，但各种方法各有优缺点，也没有一种方法能适用于任何场合，如模版匹配方法过于依赖机器人过去的经验； 人工势场路径规划方法通常存在局部极小点和计算量过大的问题。不过随着科技不断发展，这些问题都会出现新的解决或者替代方法，同时机器人应用领域还将不断扩大，机器人工作环境会更复杂，移动机器人路径规划这一课题领域还将不断深入。
最近回复