基于环境地图的机器人全局路径规划是在环境已知的条件下,通过一定的算法规划出符合机器人运动条件的较优路径的过程。相比基于传感器的局部路径规划,基于环境地图的全局路径规划可以有效的减少路径规划时间,减小机器人的转弯半径及路径长度,从而降低机器人能耗。论文融合人工势场法和蚁群算法,提出了一种具有自主学习能力的智能路径规划算法。论文主要工作内容包括四个部分。(1)对环境地图的栅格建模。首先建立基于机器人尺寸和环境地图大小的栅格粒度计算方法；然后根据障碍物间的位置信息,对栅格模型进行膨胀运算,数学分析及仿真实验表明栅格模型可有效减小路径规划的运算量；最后,对所建立的栅格进行标定及存储。(2)建立改进的人工势场。首先从引力场、合力方向、强制跳出死循环等三个方面对人工势场算法进行改进：第一以当前位置到目标点距离的倒数作为引力场的大小；第二,将合力方向由360。离散为8个方向,以简化运算量,第三路径规划陷入死循环时,添加垂直于合力方向的附加力,强制跳出死循环。然后基于改进的人工势场算法,求取每个栅格的合力大小和方向,并存储。最后通过对比实验,验证改进人工势场算法路径规划的正确性。(3)基于改进蚁群算法的路径规划。将整个规划过程分为两个阶段,第一个阶段,在路径规划初期以改进人工势场算法获得的合力场方向作为启发因子,使得蚂蚁在人工势场的作用下,有倾向性的移动；第二个阶段,当蚁群算法收敛于较优路径时,消除启发因子的作用,使得蚁群转移完全依据信息素的更新,克服了蚂蚁的惰性,强制蚁群探索新的更优路径。通过数学推导和实验验证,确定最优效果下的算法参数,并制定四项评价指标即最佳性能指标、时间性能指标、鲁棒性能指标和综合评价指标,以评价路径的质量高低；最后通过实验,验证算法的有效性。(4)移动机器人运行实验与分析。搭建了基于旅行家二号轮式移动机器人的实验平台,开发了相应的算法程序。首先对实验平台运动建模,获得实验平台的控制方程；然后在多组环境下,依据所提出的方法及算法,进行机器人路径规划和追踪,并以计算耗时、机器人路径节点数及转弯半径等指标对路径规划的效果进行综合评价,最后得出改进蚁群算法具有很好的路径规划效果和适应性。