自主移动机器人被广泛应用在安保巡逻、货物运送、自动驾驶以及家庭生活等领域,提高应用效果的最重要的一个因素就是能够精确的进行路径导航,因此如何设计一种智能高效的自主移动机器人路径导航算法一直是该领域比较热门的一个研究课题。然而,已有的自主移动机器人路径导航方法大多效率低,训练成本高且研究算法鲁棒性以及泛化能力差。随着道路环境的日趋复杂,人口和建筑物等的增多,这些问题更加突出。为了突破传统自主移动机器人路径导航方法的局限性,本文提出了一种基于端到端神经网络模型的自主移动机器人路径导航方法,并在Unity3D中搭建三维仿真环境对不同模型及不同环境下的自主移动机器人路径导航方法进行多组对比实验及分析。本文的主要工作及创新点如下:1.结合PilotNet模型和Network In Network(NIN)模型提出了一种新的端到端神经网络模型,命名为PninNet。相比于普通的卷积神经网络模型,PninNet模型通过减少矩阵的维度、卷积核参数,降低模型卷积操作的运算量。通过多个特征图的线性组合实现跨通道的信息整合从而提高模型的表达能力和特征学习性能。同时,在模型的每一层后边添加Dropout,有效避免后续神经网络训练阶段中的过拟合问题,进一步提高神经网络的鲁棒性和泛化能力。2.利用PninNet模型在本文搭建的三维仿真环境中进行仿真模拟,实现了基于端到端模型的自主移动机器人路径导航方法,并提出了一种基于射线检测的算法实现避障。经过多组对比实验(如与PilotNet模型对比等)与分析证明了本文的算法提高了机器人导航研究的效率且研究出的机器人在未知或熟悉的环境中导航都有更好的表现。3.本文方法利用Unity3D搭建三维仿真环境采集训练数据,一方面可以在多种道路环境中采集,且不需要实验基地的支撑,大大降低数据采集的时间和成本。另一方面可以实现真实环境中存在安全隐患难以进行的特殊数据集(碰撞,脱离路面等)的采集,从而保障数据的完整性,使训练后的机器人导航系统在复杂场景中更加稳定。同时,采集的数据集自动添加实验所需的特征标签,避免手工标记的需要,在很大程度上提高实验效率。最后,结合上述方案在三维仿真环境中建立机器人模型和环境道路等模型进行多组仿真实验,并对实验过程及实验结果进行研究和分析以改善算法和实验中存在的缺陷。最终证明本文的方法研究出的机器人导航系统对未知环境、目标和障碍物的识别有一定的泛化能力,且在仿真环境中实现在一定程度上节约研究成本,提高研究效率,对自主移动机器人导航研究具有一定的参考价值。