移动机器人技术在计算机、传感器、智能化、信息分析、自动控制原理等学科中均有涉及，智能机器人具备控制、感知和规划功能，路径规划技术是移动机器人的核心，是移动机器人研究中不可或缺的重要一环。在仓储物流环境下，移动机器人根据预设任务，利用已知的环境信息来规划自己的路径，自主决策控制机器人的行驶，从而安全到达指定地点。本文主要研究移动机器人的路径规划算法，主要从以下三个方面展开:
　　(1)针对传统D*算法规划出的路径中存在不必要转折点的问题，提出一种凸化障碍物并提取关键节点并进行搜索的D*算法。该算法利用已知障碍信息来确定关键点，减少了搜索扩展节点，结合引导函数，从而逐步搜索出可行路径。引入惩罚函数对路径进行惩罚，进而得到转折点数较少的路径。
　　(2)针对未知较大的复杂环境，D*Lite算法存在局部规划中的不能有效判断环境的问题，本文提出了一种融合路径规划算法。全局采用低分辨率栅格地图，局部采用强化学习训练的神经网络进行规划，使用增强学习对移动机器人进行训练，从而拟人的判断行为来进行路径规划。最后通过仿真实验对比算法的优劣性，证明在未知较大的复杂环境，改进后的算法更具有有效性。
　　(3)针对神经网络的学习速率是固定的，导致训练的整个过程并不一直适用的问题，提出一种自调整学习速率法，实时有效的调整学习速率。
　　本文针对D*算法和D*Lite算法以及神经网络学习速率存在的不足，提出相应的改进措施，仿真实验验证，改进后的算法优于传统路径规划算法。