机器人的路径规划可以粗略地分为任务规划层和动作控制层,在任务规划过程中,一般采用基于规则的决策方法,如状态机,该方法简单易实现,但由于设定的规则数总是有限,因此该方法不适用于动态复杂的环境。在已知环境中,路径规划问题相对简单,因为机器人具有环境的全部先验知识并且周围障碍物的位置是不变的,但是当环境是动态时,机器人难以实时地获得环境中障碍物的变化。基于深度强化学习的端到端学习算法是一种解决该问题的有效方法,与传统方法不同的是,机器人不再听从事先给定的规则去执行任务,而是通过与环境的交互学习到如何完成目标,这种基于学习的方法具有更好的泛化能力,使得机器人能在动态复杂的环境中也能完成相应的目标。对于动作控制,常规的机器人动态控制方法往往受限于精确的数学模型描述,且缺乏足够的非线性表达能力,针对这个问题,本文在大脑情感神经网络的基础上提出了一种小波-Elman模糊大脑情感神经网络,本网络将传统大脑情感神经网络中的杏仁体通道和眶额叶皮层通道分别用Elman神经网络和小波神经网络表达,使得新的网络具有时序记忆能力且拥有更快的收敛能力;除此之外,本文还使用了鲁棒控制器作为神经网络控制器的辅助控制,用以保证动态系统的鲁棒跟踪。为验证所提算法的有效性,本文在机器人仿真软件平台ROS以及V-rep上实现了端到端学习的车道保持;在控制层面,本文设计了不同复杂程度的轮式机器人轨迹跟踪实验以及四轴飞行器自主降落实验,验证了所提出的神经网络控制器的泛化能力与鲁棒性。