经济社会的飞速发展带动了汽车工业的腾飞,我国汽车保有量持续攀升,停车位供给严重不足,城市“停车难”问题激增。得益于移动机器人（Automated Guided Vehicle,AGV）技术的日益成熟,基于AGV的智能车库（Robot-based Intelligent Garage,RIG）凭借高容量和高效率的优势,在缓解城市“停车难”问题中发挥着重要作用。RIG作为智能交通系统的重要组成部分,其核心组件是停车AGV,而路径规划和停车位分配技术作为保障停车AGV运行的关键技术更是得到广泛关注。由于汽车保有量保持稳定增速,城市“停车难”问题将会进一步加剧,未来将有大量高容量智能车库涌入消费市场,RIG作为智能车库的最新研究方向,其应用场景将会得到进一步的拓展。随着AGV数量的增加,停车AGV的运行安全性和运行效率随之下降,严重影响智能车库的整体存取效率,加剧车库内部拥堵现象,甚至会导致RIG外部的交通拥堵。本文依托国家自然科学基金“基于Multi-agent和驾驶行为的汽车追尾预警模型研究”（51108209）和扬州市宝应县重点研发计划项目“多模态高密度智能车库系统设计与关键技术攻关”（BY201908）,在现有RIG的研究基础上,通过规划和控制的方式,进一步探究面向智能车库的AGV路径规划及停车位分配技术,以期纾解停车难题,提升停车效率和用户停车体验。主要研究工作如下:（1）提出了面向智能车库的单AGV路径规划算法。在平行式车库车位布局的基础上,通过构建基于栅格法的环境地图模型,提出了考虑转弯次数的A*路径规划算法。通过分析基于Mecanum轮的停车AGV运动学约束,设计了基于模型预测控制（Model Predictive Control,MPC）的路径跟踪控制方法以实现停车AGV跟踪预先规划路径。通过减少停车AGV运行路径的转弯次数,并借助MPC控制方法验证了改进A*路径规划算法的可行性。（2）提出了面向智能车库的多AGV路径规划算法。根据智能车库的停车环境特点,将多AGV路径规划问题建模为多智能体路径搜索（Multi-Agent Path Finding,MAPF）问题,针对具有任务优先级的智能车库环境,通过任务分配、路径规划、冲突检测和冲突消解的方式,构建了基于改进冲突搜索（improved Conflict-Based Search with priority,iCBS-pri）的多AGV路径规划模型,为多AGV系统路径规划提供了理论支持。（3）提出了面向智能车库的停车位分配算法。为提升智能车库的整体存取效率,以停车AGV平均任务服务时间和停车等待时间设计奖励函数,构建基于马尔科夫决策过程（Markov Decision Process,MDP）的停车位分配模型。为应对停车位分配模型高维度的特点,设计基于深度强化学习（Deep Reinforcement Learning,DRL）的停车位分配模型求解算法,并通过仿真实验验证了基于DRL的停车位分配方法对提升智能车库整体存取效率有着卓越的效果。综上,本文以智能车库的停车AGV为研究对象,以路径规划和停车位分配技术探索为研究内容,以RIG中单AGV、多AGV冲突避免和停车位高效存取为研究主线,探究停车AGV与智能车库的存取安全与效率之间的关系。论文成果在丰富AGV基础理论的同时,也为RIG推广应用提供了理论支撑。