机器人技术作为未来的高新核心科技之一,其研究和发展水平已然成为衡量一个国家综合实力和科技创新的重要指标,所以机器人产业的发展受到越来越多国家的重视,使得机器人这项高技术的研究与应用得到了空前的支持。移动机器人作为第三代机器人,智能机器人的一类,那么路径规划必定是机器人技术中的一项重点研究内容,所以论文开展了移动机器人路径规划的相关研究。论文首先通过查阅文献资料充分了解目前国内外关于路径规划的研究现状,然后简单介绍了几种典型的局部路径规划方法,并总结出其优劣性。随后,为了使机器人路径规划在面对未知环境时能够具有自适应能力和自主学习能力,引入强化学习中的Q-学习作为路径规划方法。针对Q-学习算法结合传统行动策略ε-greedy时存在的探索与利用平衡问题,对行动策略进行了改进,使探索系数ε能根据自身学习状况进行自适应调整,并同时使“坏”动作在学习过程中被选择的概率减少。这样,Q-学习算法与改进后的行动策略结合形成了一种基于学习状况的Q-学习。然后在不同规格环境下,将基于学习状况Q-学习与基于其它行动策略的Q-学习进行了移动机器人的路径规划仿真实验对比,验证了基于学习状况的Q-学习能使移动机器人在路径规划时具有更快更好的性能。针对实际应用中移动机器人工作环境发生变化的情形,提出了滚动窗口法与基于学习状况的Q-学习融合的多路径规划方法。在多层路径规划方法中,利用基于学习状况的Q-学习进行全局路径规划,利用滚动窗口法进行避障的局部路径规划。为了提高局部路径的规划质量,在仅考虑与目标点距离信息的传统映射方式基础之上,加入已规划全局路径轨迹的启发信息,使得机器人在窗口进行局部路径规划时亦能考虑并利用已规划路径轨迹,提高路径规划质量。最后多种情形的仿真实验结果表明多层路径规划方法是有效的。