在各项技术研究中,导航技术是实现移动机器人智能化和自主性的一项关键技术,也是目前的研究热点之一。而路径规划是导航技术中的基本问题,因此,研究移动机器人路径规划技术,提高移动机器人对未知环境适应性,对实现移动机器人智能性和自主性具有重要意义。本文在分析了移动机器人路径规划方法的基础上,对强化学习中的Q学习算法进行重点研究。针对基于强化学习的路径规划在奖赏函数设计、探索与利用的平衡、连续状态和动作空间的泛化等方面存在的问题,设计了相应的解决方案,提出了未知环境下移动机器人路径规划算法。针对奖赏函数影响收敛速度的问题和探索与利用的平衡问题,提出了基于行为分解奖赏函数的模拟退火-Q学习的移动机器人路径规划算法。为了降低奖赏函数对收敛速度的影响,设计了基于行为分解非均匀结构的奖赏函数;同时,为了解决探索与利用的平衡问题,采用模拟退火(Simulated Annealing,SA)方法进行动作选择。仿真实验表明,该算法提高了收敛速度,有效解决了探索与利用的平衡问题,使移动机器人找到了较优路径。为了提高SA-Q学习的收敛速度和基于动态规划的Q学习性能,提出了一种基于动态规划的SA-Q学习算法。通过动态规划对值函数进行逆序更新,加快收敛速度;采用模拟退火动作选择策略,提高算法性能。仿真结果表明,该算法具有更快的收敛速度和更高的性能,并且移动机器人能够找到一条无碰撞的路径。针对复杂未知环境中连续状态和动作空间的泛化问题,提出了基于模糊推理的SA-Q学习移动机器人路径规划算法。模糊推理系统对连续的状态和动作进行泛化,并确定系统输出动作,通过Q学习来修改模糊规则。仿真实验表明,该算法具有较强的泛化能力,可以有效解决移动机器人在复杂环境中的路径规划问题。