随着科学技术的不断发展与革新,以人工智能为核心的智能移动机器人正在悄无声息的融入与改变着人类生活作业。而人口老龄化现象日益严重和智能家居的火爆需求使得家用型移动机器人的研究投入逐渐加大,对于路径规划技术的要求也逐渐提高,俨然决定了路径规划技术在机器人研究领域的迫切性和必要性。本课题面向室内移动机器人的路径规划问题,在前人研究工作的基础上做进一步的完善,通过对不同特性的路径规划算法优缺点进行比较,得出单一算法无法同时完成静态环境和动态环境下的路径规划问题,最后确定采用RRT算法和Q-Learning算法相结合进行路径规划,并分别提出全局路径规划和局部路径规划的改进方法。本文主要完成的研究工作如下:在全局路径规划方面,由于传统RRT算法存在最优性差、随机性大及收敛速度较慢等问题,从而影响其全局路径规划结果。本文综合人工势场法与RRT算法两者的优点,提出一种基于人工势场法的RRT路径规划算法,将人工势场法中基于目标点的引力思想引入到RRT算法,并在其基础上继续引入可调整步长以及双向搜索生长思想,在提高避障能力的基础上又提升搜索效率与规划效率。最后在仿真实验和物理实验中实现了移动机器人基于改进RRT算法的全局路径规划。在局部路径规划方面,由于强化学习中基于马尔科夫决策过程的标准Q-Learning算法缺乏对环境的先验知识,导致其学习过程中存在训练速度慢、迭代效率低的问题。对此,本文提出了基于人工势能场的Q-Learning路径规划算法,该算法利用人工势能值作为环境先验信息初始化Q值,以解决在学习早期阶段的盲目搜索问题。同时通过在学习初期的初始化可避开对障碍物的多次“trial-and-error”试探,最终以较少的训练次数获取更好的路径规划效果,由此表明了改进算法在学习过程中有更快的收敛速度和更好的寻优能力。最后在仿真实验和物理实验中实现了移动机器人基于改进Q-Learning算法的局部路径规划。最后,为了将这两种路径规划算法结合起来,并将路径规划理论应用到实际中,搭建了室内移动机器人路径规划系统实验平台,对改进算法规划出来的最优路径进行了仿真实验验证与物理实验验证,同时将理想状态下的仿真结果与实际环境下室内移动机器人实验平台验证结果进行对比,验证了相关理论算法的可行性,且实验结果也进一步验证了室内移动机器人在静态环境和动态环境中能够安全且有效的完成路径规划。