针对移动机器人的最优路径问题进行探究,是当前机器人探究领域中极具挑战性的一环,对导航系统未来的发展方向具有一定的推动作用。可移动环境下的多机器人路径规划需要在一个同时兼备动静两种障碍物的工作空间内,寻找到一条自起点到终点的最优路径,同时保证移动机器人与障碍物之间、机器人之间不发生触碰。目前多数研究工作着眼于环境信息已知并且不存在动态障碍物环境下的全局路径规划问题,动态环境下多移动机器人路径规划问题仍是一个待解决的难题。本文在背景未知的路径规划中,利用无迹卡尔曼神经网络算法建立起动态环境模型,然后通过AP聚类算法实现此区域的自动划分,最后联合局部预测避碰和改进的动态规划算法来解决背景未知的机器人路径规划问题。本文的主要工作包括:首先总结了多移动机器人系统在执行任务时的优势。对多移动机器人系统内的成员机器人进行仿真建模,包括机器人的物理模型、运动模型、传感器模型、通信模型。给出了坐标位置变换公式,用以确定机器人在移动过程中的待测节点信息。为改善三维空间定位精度低的情况,提出了一种三维空间交点质心算法,该算法拥有较高的空间定位精度,可以更好地确定移动机器人的位置坐标。在应用背景已知的情况下,根据给定的场景建立起移动机器人的动态规划数学模型。在路径规划成功率和路径规划平均耗时上,与Dijkstra算法和Floyd算法进行了对比,发现结合了道路权重系数的动态规划算法具有算法效率高,能有效抑制算法陷入局部最优,以及降低移动机器人在行径路途中的不稳定状况等优越性。该算法可以实现机器人从起始点到目标点的最优路径快速搜索,使主机器人可以根据从机器人走过的坐标位置以最优方式安全地到达目标点。在应用背景未知的情况下,给出了基于无迹卡尔曼神经网络(UKFNN)的动态演化建模方法及相应的评价指标。通过实例求解,验证了动态UKFNN模型和评价指标的有效性。并与静态反向传播神经网络(BPNN)场景特征模型的结果作对比,发现动态UKFNN建模精度比静态BPNN精度高22.16%。针对重庆都市花园站台到人和站台这段连续路段的数据信息,提出了不同的分段策略,并利用AP聚类算法实现了区域的自动划分;然后根据该连续路段采集到的信息区域归属,进行了机器人路径规划,找到了该连续路段的无碰撞最优路径。在该方法中机器人虽然缺乏对场景的认知记忆,但能够根据行径过程中得到的坐标位置信息,在不同的路段区域中充分利用优化和反馈原理,结合道路权重系数的动态规划算法,使得局部规划的计算量大大减少,而且保证了应用背景未知情况下的算法结果收敛于最优解。本课题研究成果能够适应场景变化做出决策,尤其是在运行过程中含有多个不确定的移动障碍物时,更容易求得最优路径。可广泛应用于对智能程度要求较高的远程控制机器人、目标探测机器人、服务感知机器人以及车载导航等领域。