自动引导小车（Automatic guided vehicles,AGV）被广泛地应用于无人生产车间,以完成生产物料在给定派单下的自动搬运,是现代智能工厂的重要组成部分。对于物料运输任务的快速性、准确性要求,AGV需要具备能够高效地完成路径寻优,并跟踪最优轨迹的能力。本课题主要研究的是将最优控制的理论方法结合深度学习方法,应用到AGV轨迹规划中,做到实时最优控制。传统最优控制方法用于轨迹规划问题求解的研究已有多年,现有的研究成果已有很多,但是最优控制中的直接法、间接法和动态规划法都存在一些缺陷,例如基于复杂动态模型的最优控制问题求解往往非常困难,需要每次反复迭代求解,轨迹优化的时间消耗增加了数倍,而且起始状态变动时,传统最优控制方法需要重新进行迭代求解,造成了求解时间的不可预测,对于实际的AGV轨迹规划问题,实时性无法得到保障,同时间接法中,良好的初始值猜测也是必要的。综上所述,研究具有更高自主、可靠的轨迹规划方法以保证AGV控制的最优性和实时性是值得的。本课题旨在拓展AGV的轨迹规划方案,并探索深度神经网络在控制领域的应用途径,本文的创新点可以总结为以下三点:（1）将具有静态和动态障碍的AGV的运动规划问题表述为经典的Bolza最优控制问题。随后,采用一种结合了用于处理不等式约束的平滑变换技巧的伪谱法,将原始最优控制问题转化为具有一系列等式或不等式约束的非线性规划问题,对于转化后的问题根据KKT（Karush-Kuhn-Tucker）条件,离线获得与原问题最优性一致的高保真数值解,从而有效地生成最优轨迹用于深度神经网络的训练。（2）针对静态和移动障碍物环境下AGV的最优轨迹规划问题,提出了一种基于深度神经网络（Deep neural network,DNN）的实时最优控制范式,根据给定扰动的初始状态,收集求解最优控制数值解得到的最优状态控制对,训练收敛的深度神经网络用于在载的产生相应的最优反馈控制,将在线迭代求解最优控制问题的耗时转移到了离线上,可以保证实时性的要求,同时可以将初始点泛化推广到一定的范围内。（3）数值仿真结果验证了不同结构设计下深度神经网络的性能,并通过与直接法求解结果的比较,证明了我们设计的深度神经网络控制器具有较高的控制精度。通过前向差分的方式结合神经网络控制器,获得整个AGV运动控制过程,可以得出所获得的控制器能满足实时性要求在载生成最优控制指令,将AGV引导至所需位置,并且对初始条件与中间状态具有很高的鲁棒性,同时可以应用于不同的障碍物约束的场景。