随着智能制造、电商以及智能仓储行业的迅猛发展,AGV作为物料、产品搬移运输的关键设备,得到越来越广泛的应用。随着其应用规模的日益扩大,未经负载均衡的路网易于产生局部拥塞,导致路径冲突甚至死锁,严重影响路网的运行效率。本文主要研究了多AGV应用场景下的路网负载均衡、冲突消解及路径规划技术。主要工作包括:针对栅格化路网场景下的AGV路径规划问题,采用基于Q-Learning的AGV路径规划算法,实现了单AGV的路径规划及避障。针对多AGV的路径冲突问题,提出了一种改进奖惩机制,实现了栅格区域中多AGV的动态路径规划及冲突消解。通过仿真验证了算法的有效性。为充分保证大规模AGV分拣系统路网运行效率并防止拥堵,研究了大规模AGV应用场景下路网的负载均衡问题,提出了结合负载均衡与强化学习的路径规划算法。此方法基于Q-Learning算法,将局部拥塞程度考虑到Q-Learning算法的奖惩值中。使用双向随机出入口路网模型进行仿真,结果表明结合负载均衡与强化学习的AGV路径规划算法可以有效均衡路网区域负载。针对基于Q-Learning的多AGV路径规划算法在解决较复杂的多AGV路径规划情况下收敛较慢的问题,提出了基于DQN算法的多AGV路径规划算法,通过神经网络拟合Q-Learning算法中Q值的方式,提升了复杂情形下多AGV路径规划的效率。对多AGV规划调度系统的软件结构进行了探讨,并对关键的实现技术包括数据库交互及并发性能、MQTT协议通信能力进行了测试。