随着社会的发展,人工智能技术也正逐步融入人们的生产生活中去。移动机器人技术已经在物流、军事和服务等方面取得了阶段性的成果。在机器人领域的发展过程中,路径规划技术作为其中一环,充当着极为重要的作用。路径规划问题是指机器人从起始点到终止点能够自主地找到一条无碰撞的最优路径。传统的路径规划算法包括A*算法、D*算法,它们使用了数学建模的方法进行路径规划。此类方法在环境改变的同时都要重新进行一次机械性计算,运算时间较长。而能够使移动机器人适应环境变化的自主学习的路径规划方法,已逐步被各学者所采用。其中强化学习算法首先被运用到机器人的路径规划问题中去。强化学习是一种自主学习的方法,智能体agent能够适应环境的变化而自主学习到一条最优路径,该种学习方法用时较少。然而常规的强化学习算法仅会对一些简单的环境加以处理。在现实中,智能体所面临的任务都比较复杂,尤其是在动作和状态空间是呈连续状态时,应用传统的强化学习算法无法解决。随着对深度强化学习原理研究的深入,社会各界也越来越关注强化学习和深度学习的研究。本文详细分析了基于值函数近似的强化学习算法和基于策略梯度的深度强化学习算法。针对基于值函数近似的深度Q网络算法和强化学习中的经验回放机制进行了深入探究。发现采用经验回放机制的强化学习算法中,存在优秀的经验样本采样概率较低的问题。因此本文借鉴了之前学者所提出来的优先经验回放的思想。提出了一种基于Immediate奖励值的优先经验回放方法。对智能体agent当前动作的奖励值在进入经验池前设置偏向度,将经验元组数据进行优先级和重要性评估。使智能体能够采样得到奖励值高于标准线的优秀经验样本进行训练。本方法能够较好地解决强化学习过程中,优秀经验样本采样率较低的问题,提升了智能体agent在路径规划过程中的效率。然后在二维栅格环境中验证算法的有效性,发现应用了本文所提出的基于Immediate奖励值的优先经验回放IRPER-DQN算法所规划出的路径长度小于采用改进前的深度Q网络DQN算法。通过对比训练过程中的回合平均奖励值可以看出,本文提出的算法相对于DQN算法,奖励值更高,且收敛性更佳,能够使智能体agent更稳定地获得更高的奖励值。提升了智能体agent的训练效率,能够使其更好地规划出一条距离较短且无碰撞的移动路径。