运动规划是机器人学中极为重要的研究方向,其在人机交互、自动导航及工业自动化生产等领域内具有极为广泛的应用。在过去的二十年中,静态环境下的运动规划问题已经得到了很好的解决,但是动态环境下的运动规划问题对研究者来说仍是一个极大的挑战。本文着重研究动态环境下具有低复杂度的实时运动规划算法。　　 针对复杂环境中存在完整路径的概率较低的问题,本文在概率采样方法的基础上提出了一种面向复杂动态环境的实时运动规划算法;同时本文提出了一种基于在线激活的Roadmap增强方法用于解决动态困难区域问题,其主要思路是:通过收集极大有效路径片段集合并从中筛选出最优路径片段来指导运动规划。此外在搜索路径片段的过程中同步进行Roadmap在线增强。　　 为验证本文提出的方法,我们设计了一个Linux下的Kawasaki FS03N型机械臂的仿真模拟平台,并利用该平台验证了上述方法。大量的实验结果表明:本文提出的方法可用于解决复杂动态环境下的实时运动规划问题。