近些年来,随着人工智能技术的快速发展以及整个社会对于服务机器人使用需求的日益增加,对于室内服务机器人的自主导航功能提出了新的要求,其中定位与路径规划是室内服务机器人导航研究的难点。本文旨在研究可在室内环境中稳定运行的服务机器人定位和路径规划算法。本文首先提出一种基于超宽带(Ultra Wide Band,UWB)的多传感器信息融合移动机器人定位算法,为后续的环境认知和路径规划任务提供准确的位姿估计;然后针对传统单向快速搜索随机树(Rapidly Exploring Random Tree,RRT)路径规划算法规划效率低,易陷入局部极小点的问题,提出基于AHMRRT(Adaptive Heuristic Multiple Rapidly Exploring Random Tree)自适应启发式多快速搜索随机树算法;最后针对AHMRRT传统路径规划算法对环境不具有认知能力且规划出的路径一般不是最优且不具备渐进寻优能力的问题,提出具有渐进认知机制的迭代路径规划算法,提高了服务机器人在导航过程中的智能性。论文取得的主要研究成果如下:1:基于UWB的多传感器信息融合定位算法针对基于单一UWB的定位算法定位精度低、数据离散性大且无法为机器人提供可靠的偏航角信息的问题,本文提出基于扩展卡尔曼滤波的超宽带、编码器、陀螺仪多传感器信息融合定位算法。首先基于UWB模块搭建室内定位系统,对UWB模块进行离线线性拟合以消除系统误差提高测距精度;其次基于双向飞行时间算法和三边定位算法解算机器人观测位置,基于编码器和陀螺仪信息获得机器人积分预测位置;然后基于扩展卡尔曼滤波算法融合超宽带,编码器,陀螺仪传感器数据估计机器人位姿;最后设计物理实验对算法进行验证,实验结果证明本文提出算法有效提高了单一UWB传感器的定位精度并且可为机器人提供长期可靠的偏航角信息。2:基于AHMRRT的移动机器人路径规划算法针对传统单向RRT算法规划效率低且易陷入局部极小点的问题,本文提出了基于RRT的改进算法AHMRRT路径规划算法。通过引入自适应启发式目标偏置因子,AHMRRT算法可以根据环境中障碍物情况自适应改变新节点的生成策略;同时在BRRT(Bidirectional Rapidly Exploring Random Tree)的基础上提出了多随机树构建策略使AHMRRT算法可以同时生成四棵随机树进行快速搜索。算法设计的目的是减小冗余搜索,提高路径规划效率,并可有效逃离局部极小点。最后,设计了传统单向RRT,BRRT与改进算法AHMRRT在不同环境下的对比实验,仿真实验结果证明改进算法有效提高了搜索效率,更易克服路径规划过程中易出现的局部极小点问题。3:具有渐进认知机制的迭代路径规划算法AHMRRT路径规划算法虽然可以快速完成路径规划任务,但是该算法是基于随机采样对路径进行盲目搜索,对环境不具有认知能力且规划出的路径不具备渐进寻优能力。因此本章提出了具有渐进认知机制的迭代路径规划算法SOM＿IA*(Self-Organizing Map＿Iterative A*)。我们算法的创新方面是使用自组织特征映射图(Self-Organizing Map,SOM)有效构建和更新环境地图以赋予机器人基本的环境认知能力以及迭代A*算法地使用(这是一个充分利用本地信息的完整路径规划算法)。在实验环节设置了四组定点导航实验,仿真实验结果证明了SOM＿IA*算法可使机器人在导航任务执行过程中渐进地学习环境信息,随着导航次数的增加,规划路径将逐渐趋于最优。