传统的移动机器人路径规划方法中,往往都是在环境建模的基础上添加诸多的约束条件,再通过各种算法搜索机器人的运动路径,其搜索到的路径取决于环境建模的准确性和算法的有效性。本文从学习的角度研究机器人路径规划,即人首先控制移动机器人行走到目标点位置,机器人经过路径学习后能够自主地到达目标点位置。本文主要工作如下:首先,总结了机器人领域的研究现状并对未来的发展趋势进行了展望;然后,受“演示学习”这一思想的启发,在分析了国内外关于动态运动基元算法研究现状的基础上,将该算法应用于移动机器人路径规划研究中,从而提出了本文的研究内容。其次,对动态运动基元的基本原理进行阐述,具体介绍了该算法在单自由度运动学习以及多自由度运动学习上的应用;并介绍了该算法的泛化推广能力。然后,搭建了样本数据采集平台;当运动环境中有障碍物时,在已有学习基础上通过增加耦合因子实现移动机器人的自主避障。当机器人运动的目标位置改变时,通过匹配动态运动基元库中的样本轨迹来实现对新目标的泛化。最后,将本文提出的算法通过仿真和实验进行验证。将算法的准确性、对新目标的泛化性以及对存在障碍物环境的适应性作为判别算法性能好坏的标准。仿真和实验结果验证了算法的有效性。