一直以来,人们对于极端环境探索的需求,推动发展了机器人的进步,而这些环境往往都是未知且充满危险的,这就需要移动机器人能够感知和识别周围环境,实现自主学习与路径规划。机器人进行路径规划,是指机器人从起点出发,找到一条无碰撞的,可到达终点的路径。针对未知环境,本文采用视觉SLAM技术,运用基于Kinect2提取数据的RGB-D SLAM来实现环境地图的构造。针对路径规划问题,由于大多数早期的传统路径规划算法都是基于环境模型已知的情况,并且容易受环境因素影响,导致实际运行结果有较大偏差,所以本论文撇弃传统路径规划的方法,采用基于强化学习的路径规划算法。本论文针对未知环境下,基于RGB-D SLAM对小车路径规划算法进行研究,构建出一套基于强化学习的路径规划算法。本论文主要围绕以下三部分进行展开:1、RGB-D SLAM系统的设计与实现。从图像特征提取与匹配,机器人运动估计、优化与建图进行研究,构建出一套常规的RGB-D SLAM系统,并通过它实现环境三维点云地图的构造。2、Octomap建模和地图转换。这部分内容详细介绍了八叉树地图,并以SLAM系统输出的三维点云信息为输入,实现Octomap建模和三维投影变换,将大规模、大空间的点云地图转换为可用于路径规划研究的二维栅格地图。3、基于强化学习的路径规划研究。这部分内容是全文的重点,对SARSA算法,Q-Learning算法和深度Q-Learning算法进行测试对比,通过构建深度Q-Learning算法,在仿真实验环境下进行测试运行,确认其可行性。最后在实物机器人中进行算法运行,验证了算法的有效性。综上所述,本论文是以RGB-D SLAM实现三维点云重构作为环境输入,基于深度Q-Learning算法实现移动机器人的自主定位和路径规划。