随着机器人在生活中得到越来越广泛的应用,如何提高智能移动机器人的自主能力成为机器人领域的热门研究方向。路径规划作为智能移动机器人控制系统中一个关键任务,对提高智能移动机器人的自主能力具有重要意义。本文围绕智能移动机器人路径规划问题,对复杂环境下的移动机器人全局路径规划与避障技术展开研究,具体研究内容如下:首先,围绕移动机器人的全局路径规划问题进行研究。考虑到经典快速扩展随机树(Rapidly Random-exploring Trees,RRT)算法存在稳定性差、收敛慢等缺点,本文提出了一种改进的混合双向目标引力RRT(Hybrid Bidirectional RRT with Heuristic Target Graviton,Bi-ITG-RRT)算法。该算法将目标点搜索策略与随机搜索策略相结合,通过仿真实验证明了改进算法在提高路径搜索能力的同时降低了算法的搜索时间。随后,将一种新型的群体智能优化算法——烟花算法(Fireworks Algorithm,FWA)应用于移动机器人全局最优路径规划。为了进一步提高FWA全局收敛的鲁棒性,本文提出了一种具有量子行为的烟花算法(Quantum-behavior Fireworks Algorithm,QFWA),通过对几种标准测试函数的求解验证了QFWA在全局搜索能力及收敛速度上的提升。将QFWA应用于求解移动机器人全局最优路径问题,并利用均值滤波-人工势场平滑算法对生成的路径进行处理。不同仿真场景下的实验结果表明基于QFWA和均值滤波-人工势场平滑算法的移动机器人路径规划方法比基本FWA具有更好的优化性能。接着,研究了多个移动机器人之间的协同全局路径规划问题。对多机器人协同路径规划问题进行了描述,并建立了多机器人协同路径规划的性能指标,进而将FWA应用于多机器人协同路径规划问题的求解。本文提出了一种差分进化FWA(Differential Evolution Fireworks Algorithm,DEFWA),在基本FWA的基础上增加差分进化爆炸火花,从而增加了算法的多样性,使爆炸火花具有更好的搜索能力,通过标准测试函数验证了DEFWA的优化能力及鲁棒性得到了提升。运用DEFWA进行多机器人协同路径进行最优化求解,仿真结果表明该方法能够有效的提高多机器人路径规划的性能。然后,针对存在多个移动机器人在运动过程中对移动障碍、移动目标的实时动态避障问题,提出了基于博弈论的移动机器人自主避障方法。首先建立了机器人动态避障策略库,然后根据机器人当前状态与参与博弈的其他局中人状态之间的关系计算博弈收益,通过反复博弈过程使得博弈者的收益达到Nash均衡,进而根据博弈收益选择应采用的避障策略。仿真结果验证了本文采用的策略更新方法能够使得博弈参与者快速收敛到最优策略,从而实现对障碍物的规避。最后,为验证本文所提出的路径规划与避障算法的有效性,搭建了基于MATLAB/ROS的移动机器人全局路径规划与避障系统,通过在复杂室内环境下的移动机器人全局路径规划实验与运动避障实验,验证了本文所提算法的有效性和可用性。