路径规划技术是移动机器人技术的研究热点。针对智能机器人在进行全局路径规划会有多个目标点的实际情况,就会有机器人路径的平衡优化问题,采用本文提出的基于反向学习的改进粒子群算法以及新的目标函数,使得机器人在相对最优路径情形下获取更加安全和平滑的路径;针对局部路径规划避障时会出现二次避障与容易陷入局部最优问题,本文采用改进Q学习基本算法,并结合动态物体的轨迹预测方法实现移动机器人的实时动态避障。1.本论文提出了一种改进粒子群算法,首先该算法采用逆向学习策略来初始化粒子种群,并采用相应公式在算法不断迭代同时根据迭代周期的实际情况动态调整两个重要的粒子群算法参数:惯性权重和学习因子。反向策略的加入有效的提高算法的搜索能力,因为初始化种群是经过筛选后的优秀粒子,那么也可以促进算法的收敛精度提高并且算法的稳定性也得到优化。本文采用基于反向学习改进粒子群算法(OLIPSO)解决移动机器人路径规划在多个目标点情形下函数的优化求解问题。在本节末通过仿真实验对比自适应粒子群算法(DAPSO)、多目标点粒子群算法(MOPSO)算法,可以得出改进算法的优化能力更好,机器人的轨迹也具有更好的安全性和平滑性,提高了机器人的多目标点路径规划效率。2.相对传统的局部路径规划采用DWA算法,本文引入强化学习思想,提出了一种基于Q学习算法的自主规划改进算法来提高移动机器人避障能力。通过设计一种新Q值表与奖惩机制,根据不同区域划分与动态物体行动预测来选择相应动作。在本文的第四章通过仿真实验来验证了改进Q算法的有效性。3.完成了一套从硬件到软件完全自主研发移动机器人实验样机开发工作,并开展了实验验证。在自主搭建的基于机器人操作系统实验操作平台上,完成地图构建、自主导航、路径规划等实验,分析验证本文算法在移动机器人实际环境之中路径规划的可行性。通过本文工作,移动机器人在路径规划任务中轨迹选择更加合理,效率更高。强化学习与行人预测结合的方式在仿真中也得到验证。