自2019年以来,新冠肺炎疫情爆发并不断扩散,直至今日仍对我们的生活有着严重的影响,为了减少人员接触移动机器人被广泛应用于消毒、配餐、制造等各个领域。路径规划是为机器人寻找安全路径的一项技术,也是使机器人更加智能的重要手段,虽然移动机器人路径规划一直被大家关注并取得了重大进展,但在算法上仍有局限性并值得改进。现在移动机器人更多的是处于不确定的动态工作环境中,在全局环境信息未知的情况下使用在线路径规划方法,得到的最终路径有可能是非最优路径;当全局环境信息已经被完全掌握时使用离线路径规划方法,同时也存在实时反馈差、不能及时动态避障的问题。针对以上问题,作者研究在动态不确定的环境中移动机器人寻找最优路径,通过先全局、后局部的方法实现路径规划。（1）通过基本粒子群算法（PSO）实现离线路径规划,由于PSO算法存在全局搜索和局部开发难平衡导致提前收敛形成局部的最优问题,作者提出一种自适应改进方法在全局环境中离线路径规划。以二维静态环境作为研究对象用栅格法进行建图,建立以路径长度、障碍物碰撞风险和路径平滑度为目标的适应度函数。在路径长度上引入一个惩罚函数提高安全度,为减少不必要的转向引入路径平滑度,从而实现全局路径规划。通过Matlab仿真及实验表明,与基本粒子群算法对比改进算法更有效。（2）运用Q-learning算法在动态环境下实现在线路径规划,针对Q值维数灾难问题,设计新的Q表;对于Q-learning算法存在训练效率不高的问题,对奖励函数进行了改进,该函数能够有效反馈环境信息,能够进一步提高算法收敛速度,并为机器人的运动提供正确指引;并且对值函数进行改进,加快Q-learning算法的探索速度。通过使用Matlab平台进行仿真实验,从结果可以看出,改进Q-learning算法在提高路径规划效率方面改善明显。（3）在动态不确定的环境中,要使移动机器人实现路径规划、动态避障,最后获得最优路径,首先通过采用改进后的PSO算法在二维栅格地图模型上进行全局路径规划,而后当环境模型没有改变,机器人一直按照前期规划出的全局路径移动;当机器人传感器检测到运动的障碍物阻碍其移动时启动改进Q-learning算法,通过地图对比重新进行在线路径规划,从而得到一条能够躲避障碍物的路径,到达安全地域后机器人重新回到初始规划路径。不断重复上述行为,直至到达预定目标点完成任务。实验表明,该方法能够实现预定目标,既减少运行时间又能获得更好路径。