路径规划是机器人研究中较为基础和关键的方向,近年来深度强化学习在机器人控制方面取得了巨大的成功,该方法不需要控制对象模型,具有很强的环境适应性和自学习能力,得到了广泛的关注。随着任务的复杂化和多样化,单机器人已经不能满足这类场景的需求,多机器人系统通过各单位协同能够处理更复杂的任务,而多机器人编队作为其重要的研究方向也成为一个研究热点。为了在复杂场景下更好地完成任务,本文将全局路径规划算法和局部路径规划算法进行结合,研究基于深度强化学习的路径规划算法,在此基础上进一步研究多机器人编队控制算法,并在基于ROS平台的轮式机器人上进行实验验证。首先,针对传统跳点搜索（JPS）算法没有考虑机器人半径和实际控制效果的问题,提出了基于改进JPS算法的全局路径规划算法。根据机器人半径对原始地图的障碍物栅格进行扩张,避免规划出的路径紧贴障碍;在评价函数中使用路径长度和转弯角度作为代价值,并使用时间统一计算,以找出一条转折点较少的路径;在找出路径之后通过平滑算法进一步优化,得到更有利于机器人控制的路径。其次,研究了基于深度强化学习的局部路径规划算法,提出了改进深度确定性策略梯度（DDPG）算法。为了提高收敛速度,设计了优先级经验池回放机制,选择高优先级的样本数据进行训练;设计与人工势场法结合的奖励函数,解决训练前期探索空间大、容易陷入局部最优的问题。然后,针对多机器人系统建模复杂、求解困难的问题,提出了基于多智能体深度确定性策略梯度（MADDPG）算法的多机器人编队控制算法。通过领航跟随者法构建编队队形;设计了级联控制规则解决原始算法在机器人数量变化时导致重新训练的问题;重新设计了状态空间和奖励函数,将队形约束加入全局奖励函数中进行训练。最后,在Gabebo仿真软件中搭建仿真环境,通过结合改进JPS算法和改进DDPG算法在基于ROS平台的轮式机器人上进行路径规划实验,使用改进MADDPG算法进行多机器人编队实验,验证了算法的有效性。