自主导航是移动机器人实现智能化的重要前提,而路径规划技术是移动机器人自主导航的关键技术之一。随着移动机器人应用场景的日益复杂化且环境中障碍物趋向于高维化,因此研究一种能够在动态复杂环境下实现实时避障且规划出一条优质路径的算法是很有必要的。本文主要针对存在高维和动态障碍物的室内复杂环境中移动机器人的路径规划与避障技术展开研究。构建基于ROS系统的嵌入式移动机器人平台,采用双目相机与三维激光雷达结合的动态避障方案,并提出一种改进的A*全局路径规划算法与改进的强化学习局部路径规划算法相结合的路径规划框架。此外,本文分别在仿真环境和实际样机环境中验证了提出方法的有效性与先进性。本论文的主要研究内容与研究成果如下:首先,在避障方案中,分析了现有环境感知传感器在移动机器人避障中的优势与不足,设计了双目相机与三维激光雷达结合的避障方案,实现了室内环境中高维障碍物的感知。其次,分析了常用的几种全局路径规划算法的优缺点。针对传统A*算法在大尺寸环境地图中规划路径实时性差和规划出路径转折点较多、转角大不利于控制的缺陷,提出了一种在启发式成本中引入父栅格的成本、在代价函数中引入权重,并且对原始路径进行平滑处理剔除冗余路径点与转折点的改进A*算法,在仿真环境中设计与不同算法的对比实验验证了本文提出改进A*全局路径规划算法的先进性。然后,在局部路径规划算法中,研究了强化学习方法在路径规划技术中的使用。针对传统Q-learning算法在路径规划时存在的收敛速度慢和规划出路径平滑度差的问题,提出了一种在Q值初始化的过程中引入人工势场法中引力势场,增加行为步长和调整行为方向的改进Q-learning算法。通过设计仿真实验对比并分析了不同改进对Q-learning算法性能的影响,验证了改进算法在局部路径规划中的优越性。最后,搭建了基于ROS的样机实验平台,完成了本文提出的路径规划算法在navigation导航功能包中的移植。分别在静态环境、高维障碍物环境、动态环境和多通道环境中进行样机实验,验证了本文提出路径规划算法的最优性和避障策略在高维动态环境中的有效性和实时性。