随着人工智能的发展,研究人员不断尝试提高机器人的智能化水平。路径规划问题涉及环境感知、数据处理等多方面跨学科技术,是移动机器人导航技术研究的重要环节之一。目前虽然提出了多种算法来解决路径规划问题,但仍有很多问题需要解决。因此,需要更深入对路径规划算法进行研究。针对传统蚁群算法易出现搜索停滞、规划耗时较长的问题,提出一种改进蚁群算法。通过对算法的启发信息进行改进,加入转向代价,减少不必要的转折。提出一种自适应的参数选择策略,动态改变参数值,增强搜索的全面性。在信息素浓度上,采用全局信息素更新和信息素挥发因子智能调整策略,来加快算法收敛。最后进行matlab仿真及实验验证,结果显示改进算法优于常规蚁群算法,验证了改进算法的可行性和有效性。其次,针对动态避障问题,将改进的蚁群算法引入到动态路径规划当中。首先应用改进A*算法在环境地图中规划出一条全局最优路径。当移动机器人在前进过程中搜索到动态障碍物时,利用改进蚁群算法确立局部目标点,避障后继续沿着全局最优路径移动。通过仿真证明,移动机器人可以有效的避开临时添加静态和动态障碍物,到达目标点。最后,针对机器人在三维环境下的路径规划问题,将三维立体空间划分为一个个平面,再将每个平面栅格化,采用信息素存储在路径节点的方式替代原先存储在路径的方式,降低信息素存储空间,并以分层前进的搜索方式展开搜索。改进路径启发信息,构建新的启发函数。每次迭代完成后,更新信息素,仿真结果表明改进算法的有效性。