AGV移动机器人在现代工业物流领域实现高速化、信息化与智能化的过程中发挥着重要作用,路径跟踪控制作为AGV系统的核心技术,近年来也得到了广泛的关注。滑模控制算法是一种有效针对非线性系统且具有较强鲁棒性的控制方法,但该算法最大的不足在于易引起控制系统的抖振现象。本文借助RBF神经网络与PSO等智能算法,研究滑模控制器的抖振抑制与AGV路径跟踪效果的最优化,突破滑模控制算法在AGV运动控制领域的应用限制,形成可复制的改进与优化方案,对其他非线性系统也具有较大的实践指导意义。首先,设计了AGV路径跟踪系统的总体框架,为Turtlebot机器人、树莓派车载控制器与磁导航传感系统配置运行环境并建立通信机制。建立了通用的AGV运动学模型与位姿误差模型,并对反演设计方法与滑模切换函数的等速趋近律进行应用研究,在此基础上设计了关于AGV速度与角速度的滑模控制律。通过SIMULINK仿真实验证明滑模控制算法所取得的AGV路径跟踪效果优于传统PID算法。随后,提出一种基于RBF神经网络算法的滑模控制器改进方法,以AGV运行速度的抖振量作为网络学习信号,实现滑模切换项增益的在线智能调整以抑制系统抖振。经此改进后,进一步研究以时间乘绝对误差积分准则作为评价函数的PSO算法,对控制器内部固定参数与动态参数的初值实现最优化搜索。根据滑模控制算法的改进方案进行软件设计,形成可视化的操作界面以便获取控制器参数最优值。仿真实验结果显示RBF神经网络算法能够对滑模控制器抖振实现有效抑制,PSO算法也改善了AGV位姿误差的收敛效果。最后,在直道、大小弯道与组合路径中,先后进行稳态响应实验与扰动实验验证本文设计的AGV路径跟踪系统的性能。实验结果证明了滑模控制算法相比于PID算法具有速度更快、精度更高、稳定性更好的路径跟踪效果,经过改进设计的滑模控制器能够充分抑制系统抖振并加速系统收敛,本文设计的AGV路径跟踪系统具有跟踪不同路径的稳定性、可靠性和鲁棒性。