随着科技的迅速发展,人力成本的增加,生产运输过程中的智能化水平不断提高。AGV(Automated Guided Vehicle,自动引导车辆)是集环境感知、规划决策和智能控制为一体的智能化运输车辆,导航控制是AGV车辆的核心技术,决定车辆的智能化程度。本文基于Turtlebot实验平台对AGV车辆自主导航控制方法进行研究,实现避障和巡线导航,并提出一种巡线与避障混合导航控制方法。首先,通过深度传感器Kinect获取深度图像并处理形成类激光数据作为SLAM算法的输入,基于自适应蒙特卡洛定位与RBPF粒子滤波器实现环境地图构建,为后续避障与路径规划的研究提供全局环境地图。其次,结合全局路径规划算法A*能够获取全局最优路径和局部路径规划算法DWA(Dynamic Window Approach,动态窗口算法)能够进行避障的优势,在构建的栅格地图中,基于A*与DWA算法实现混合动态路径规划,为后续实现巡线与避障的混合导航奠定基础。再次,在基于机器视觉实现巡线控制的基础上,针对在巡线导航过程中对轨迹线检测不稳定的问题,提出将彩色图像转换到HSV空间下进行阈值分割,然后与Canny边缘检测结果取逻辑与,再进行霍夫变换拟合导航轨迹线的检测方法,实验证明该方法明显提高了导航轨迹线检测的稳定度。然后,在实现避障功能与巡线导航的基础上,提出一种巡线与避障混合导航控制方法。针对巡线过程中不影响巡线行驶的干扰障碍却进行避障处理的情况,对导航区域进行划分,定义无障碍区域和可有障碍区域,并利用K-means算法对类激光数据进行聚类,获得更加精确的障碍物距离信息,以此判断是否需要进行避障处理;针对避障完成后视野内丢失导航线的情况,增加车辆自动获取导航轨迹的功能,完善巡线与避障混合导航控制算法。最后,基于Turtlebot实验平台,对SLAM地图构建、避障与路径规划、巡线导航、巡线与避障混合导航分别进行实验,验证导航算法的可靠性,实现AGV车辆在复杂任务工况下的自动导航。