路径规划和轨迹跟踪控制是移动机器领域中两个非常重要的问题,也是移动机器人完成其它复杂任务的前提条件。随着人工智能的发展和科学技术的进步,如何快速、有效地在已知或未知环境中找到一条最优路径并能对轨迹进行精准的跟踪成为了研究移动机器人不可或缺的一部分。本文主要研究在未知环境中的路径规划,路径平滑以及轨迹跟踪问题,提出了一种基于虚拟子目标的RSP_Q学习路径规划方法,将生成的轨迹采用了B样条方法进行平滑处理,然后根据反演法设计了本文的轨迹跟踪控制律。首先,针对在未知动态环境中,自主移动机器人导航困难的问题,引入了强化学习。基于模型的RL方法在学习速度方面是有利的,它们主要在静止的环境中表现良好,但是如果环境发生变化,学习模型可能会阻碍新环境中的学习过程。无模型RL方法在不需要环境模型的情况下在不断变化的环境中工作良好,但是这些无模型方法在使用收集的数据方面效率极低,因此通常需要大量来自试错的数据才能获得良好的性能。本文结合了基于模型方法和无模型方法各自的优点,将基于模型的学习速度快和无模型对环境适应能力强有机的结合起来,提出了一种基于虚拟子目标的RSP_Q学习算法,并在仿真实验中与其它强化学习方法进行比较,证明了算法的优越性。其次,基于虚拟子目标的RSP_Q学习算法规划出来的路径是由一系列的线段相连接而成,在两条线段连接处曲率的不连续变化,导致移动机器人在经过这些地方时,需要停顿来调整位姿,从而影响了移动机器人运行的流畅性。本文针对这一弊端,采用了B样条方法来平滑移动机器人规划的轨迹,使得移动机器人能够顺畅的完成轨迹跟踪,并在MATLAB中进行了仿真实验,验证了轨迹平滑的实用性。再次,通过对全向移动机器人的运动学分析,采用反演法设计了本系统的轨迹跟踪控制律来对参考轨迹进行跟踪,并在仿真实验中分别对直线轨迹、圆弧轨迹和正方形轨迹进行了跟踪实验,分析了跟踪过程中各个参数指标的误差变化率,验证了控制律的可行性。最后,利用所搭建的移动平台对本文的方法进行了实际的验证性实验,证明了该算法的可行性和鲁棒性。