移动机器人路径规划作为自主式移动机器人技术的一个重要组成部分，是研究移动机器人技术较为活跃的课题之一，吸引了国内外大批的研究学者。随着各种新方法和新技术的不断出现，对路径规划的研究有了更广阔的天地。我国在智能移动机器人研究方面虽然已经取得了一定的成果，如地面自主导航车、水下自主机器人和飞行机器人等。但由于起步较晚，在研究和应用方面都落后于一些西方国家，而且还没有达到完全实用。因此，进行这项研究，具有一定的理论和工程应用意义。本文以美国ActivMedia Robotics公司生产的PioneerⅢ型机器人为研究对象，从多个方面对移动机器人的局部路径规划进行了深入的系统研究。 首先从移动机器人的历史和现状出发，对比了国内外的不同发展状况，对移动机器人领域的研究方向进行了综述。着重介绍了移动机器人局部路径规划中常用的方法，对其中的势场法、栅格法、遗传算法等进行了逐一的分析阐述。 本文主要研究的是使用移动机器人本体的28个声纳传感器来进行机器人的避障与路径规划。本文采用了两种方法一改进的遗传算法和神经网络与Q-学习相结合的方法进行移动机器人的路径规划。 1、改进的遗传算法首先，采集环境信息，进行环境建模。无论机器人路径规划属于哪种类别，采用何种规划算法，基本上都要遵循以下步骤: 1)建立环境模型，即将现实世界的问题进行抽象后建立相关的模型； 2)路径搜索方法，即寻找合乎条件的路径的算法。 通过比较各种环境建模的方法，选用栅格法建立移动机器人的二维工作空间环境型，动态障碍物可视为移动的障碍物栅格，并详细介绍了栅格法中栅格大小、栅格标识及栅格取值的设定。 然后，通过各种局部路径规划方法的比较，在分析了目前各种路径规划方法优缺点的基础上，选择遗传算法来解决静态和动态环境下移动机器人的路径规划问题。本文针对路径规划问题的特点，对算法的各个环节进行了细致的分析，包括地图环境的建立、染色体的表示和编码、适应度函数的设计、遗传操作算子的设计、算法参数的分析和选取。提出了将数字势场和遗传算法相结合的综合解决方法。 最后用C++编写仿真程序，在未知环境下进行仿真。详细说明了程序设计的各个环节，仿真结果表明，该算法能够成功地在各种复杂程度不同的环境里规划出一条近似最优的路径，证明了算法的有效性。并在先锋移动机器人Ш——Pioneer3-AT上进行实验，经过多次实验，机器人均能够安全的躲避障碍物，找到最优前进方向，安全的到达目标点，验证了算法的有效性。 2、综合神经网络的Q-学习算法由于强化学习中由环境提供的强化信号是对产生动作的好坏作一种评价(通常为标量信号)，而不是告诉强化学习系统RLS(reinforcement learning system)如何去产生正确的动作，因此比较适合用于自主移动机器人的路径规划问题。 Q-学习可用各种神经网络来实现，每一个网络的输出对应于一个动作的Q值，综合分析各种网络以后，采用结合竞争神经网络和自组织映射网络的思想实现Q-学习算法。网络由3层组成，即输入层、中间层、输出层(竞争组织层)，其特点主要体现在竞争组织层上，利用误差反向传播算法来进行网络的权值调整。 在章节最后给出了详细的仿真结果。仿真结果表明，本文提出了具有竞争思想和自组织机制的Q-学习神经网络学习算法，与标准的Q-学习方法相比，学习速度大大提高。采用该算法的机器人通过学习后具有较强的避碰能力，从而提高了机器人对环境的适应能力。该算法同样可以应用到其它的智能控制系统中。