目前,移动机器人已开始应用于农业生产、安防巡检、仓储物流等领域,为人们的生产和生活带来了极大便利。而路径规划是移动机器人完成作业任务的基础与关键,路径规划成功与否决定了移动机器人完成作业的效率。A*算法是最常用的移动机器人路径规划算法之一,可能由于传感器或环境信息发生改变使机器人自身定位出现误差,从而带来路径规划偏差。且单机器人路径规划算法存在无法适应复杂多变的环境、优化目标较为单一的问题,导致机器人无法规划出最优路径或者无法用于实际环境,进而影响移动机器人完成高级任务的作业效率。针对上述问题,本文研究了单机器人和多机器人的路径规划算法,旨在提出效率高、鲁棒性强的路径规划算法,并在ROS中实现了分布式多机器人路径规划,为实现机器人完成其他作业任务提供正确的路径。本文主要研究工作包括:（1）针对A*算法可能由于机器人传感器或环境信息发生改变使机器人自身定位出现误差而带来路径规划偏差的问题,提出了一种基于可定位性估计的改进A*算法。在机器人每次进行路径选择时,都要对当前姿态精度进行评估,通过阈值筛选下一步可能进行的动作。并且,引入父节点与祖父节点,改变启发式权重,探究实际代价与启发式代价对最终路径的影响。之后将规划的路径采用自适应步长策略进行冗余节点的剔除,删除路径中多余的节点,减少路径代价。实验结果表明,本文提出的算法相比于A*算法及蚁群算法在定位精度、路径长度方面具有更好的性能。（2）针对复杂多变的环境和繁重的作业任务,单机器人无法适应并完成相关工作、优化目标单一的问题,提出了融合改进A*算法与滚动窗口法的多机器人路径规划算法。首先在A*算法的评价函数中引入环境信息,自动调节搜索空间,并引入自适应步长策略,根据每个机器人不同的起始点与目标点使用改进的A*算法进行初始路径规划。之后,利用滚动窗口法对初始路径进行局部区域划分,当机器人传感器探测到在局部区域内环境发生改变时（遇到动态障碍物和机器人可能发生相撞）,采用避障控制策略防止碰撞并进行局部路径规划,避开障碍物后按照初始路径行驶。三组实验结果表明,本文提出算法在路径总长度、总时间、总平滑度都优于CPP-OCA算法和MAPP-RL算法,并能适应复杂多变的环境,当环境发生改变时具有较好的鲁棒性。（3）将可定位性估计方法与多机器人路径规划方法融合在ROS中进行分布式多机器人路径规划。通过Gazebo模拟室内环境与室外操场环境,引入三个Turtlebot2机器人模型,在gmapping包建好的地图中利用amcl包进行定位、move＿base包进行分布式多机器人路径规划。融合算法考虑了全局路径与局部目标点,并在全局环境下添加未知障碍物进行仿真实验,每个机器人都能顺利避开障碍物并完成路径规划,使机器人更加灵活,并不依赖某个机器人,提高了机器人的效率,验证了融合算法的全局最优性与实时避障能力,更有利于实践生活的应用。本文研究内容是国家自然科学基金项目《卫星信号拒止环境下异构多机器人协同建图与自主定位研究》中的重要环节。所提出的路径规划算法为机器人完成作业任务提供正确可行的路径,研究成果不仅可以应用机器人领域,也可以应用在无人机等领域,对促进机器人、无人机和人工智能的推广与应用具有理论和实践意义。