移动机器人在工作空间中进行自主作业时,不可避免的会遇到未知障碍物,快速有效的避开障碍是其顺利完成任务的重要前提。通常机器人利用自身携带的传感器探测环境信息进行路径规划,这些信息包括已知环境信息和未知环境信息。在未知环境中包括静态和动态两种类型的障碍物,针对不同类型的障碍物要使用不同的方法进行避碰。机器人避碰时的自主学习能力可以充分体现其智能化水平。目前,深度学习算法已经应用到生活中的许多方面,特别是无人车领域,许多公司研发的无人汽车已经能够在公路上正常行驶。因此本文设计了一种应用于移动机器人自主避碰的深度学习算法,该算法以环境信息作为输入,教师系统的结果作为标签,通过深度学习网络模型的输出与标签之间的不断对比,利用梯度下降法来进行训练,改善网络参数,增强对环境的适应能力。本文的研究内容主要有以下三个方面:首先,分析了移动机器人避碰问题的国内外发展现状,根据机器人和环境的特点建立了相应模型和坐标系。其次,基于环境中的已有信息和传感器探测到的未知静态障碍物信息设计了蚁群算法来躲避静态障碍物,并且在此基础上添加了改进人工势场法作为紧急避碰算法来增加避碰的安全性。除此之外还设计了针对未知环境中动态障碍物的避碰策略,使机器人可以顺利躲避动态障碍。然后针对上述方法进行了仿真验证,并且利用“旅行家4号”移动机器人进行了实物验证。最后,对深度学习的原理进行概述分析,为移动机器人的自主避碰问题设计了GRU-RNN网络模型来实现动态规划。除此之外还对GRU-RNN网络进行公式推导,分析样本数据的处理方法,并且对训练后的网络进行仿真验证。