路径规划技术是机器人研究领域中的一项重要问题。它的任务是在有障碍物的环境中,按照一定的评价标准(路径最短、时间最快或能量消耗最少等),寻找一条从起始状态(包括位置及姿态)到达目标状态(包括位置及姿态)的无碰最优(较优)路径。传统的路径规划方法主要有:可视图法、自由空间法、栅格法。最近发展应用较快的智能规划方法主要运用神经网络、模糊逻辑、遗传算法、蚁群算法等理论。结合多种理论各自特点进行路径规划是今后研究的一个主要方向。本论文在分析目前各种路径规划方法优缺点基础上,应用传统方法及智能方法解决足球机器人路径规划问题。为提高机器人足球比赛中射门成功率,提出一种基于动态椭圆曲线的射门路径规划算法。通过计算足球机器人当前位姿及期望射门角度,控制机器人按照椭圆曲线路径运动至射门目标点,实现快速有效击球射门。仿真实验及实物机器人实验验证了算法的有效性,动态椭圆曲线射门规划算法运动路径短,且能够以合理射门角度完成射门。遗传算法(Genetic Algorithm,GA)模拟生物进化过程中,优胜劣汰规则与群体内部染色体信息交换机制以处理优化问题。模拟生物界自然选择和自然遗传机制的随机化,基于“适者生存”的思想将问题的求解表示成“染色体”的进化过程,通过“染色体”群的不断进化,包括选择、交叉、变异等,最终收敛到问题的最优解或满意解。针对路径规划问题,应用遗传算法求解足球机器人路径规划,对算法的各个环节进行分析,包括环境的建立,染色体的表示和编码、适应度函数的设计,遗传操作算子的设计,并对遗传算法路径规划进行了实验仿真。量子遗传算法(Quantum Genetic Algorithm ,QGA)基于量子计算(Quantum Computation,QC)原理实现概率优化,量子计算借鉴几率幅概念,采用量子态来表示信息。结合遗传算法和量子计算特点,提出基于量子遗传算法的足球机器人路径规划方法。通过对路径点进行量子比特编码,使一条遗传路径染色体可以表达多个态的叠加,并对路径适应度函数优化求解实现移动机器人的路径规划。采用量子旋转门策略对个体进行更新,提高全局搜索效率。利用量子态的叠加特性,可以减少遗传种群数量,避免传统遗传算法的“早熟”收敛现象。路径规划仿真试验验证方法的有效性。仿真结果表明,该算法能够成功地在复杂程度不同的环境里规划出一条近似最优的路径,证明了算法有效性。