随着科学技术的进一步发展,以及社会对于机器人需求的不断变化,对于机器人技术的要求也相应提高,需要更多地投入到对机器人自主导航技术的研究中来。本课题针对环境探测时的自主导航需求,展开对全向模式移动机器人自主导航的技术进行研究。针对危险环境和多障碍场景,以实验室自研多运动模式移动机器人为基础,搭建它在全向模式下的运动学模型,拟设计它的自主导航系统。自主导航系统基于ROS且分为三层,分别是上层决策层,中间通信层和底层控制层,并将对三层所需的硬件分别进行选型和设计。针对自主导航的任务,提出传统的导航方式和基于深度强化学习的导航方式两种导航方案。对于传统的导航方式,针对全向模式移动机器人地图构建的需求,将要分析Hector的算法特点和Gmapping算法特点的优劣性并选取性能最优的算法。针对全向移动的运动特点,将对实现自主导航的全局路径规划算法和引入横向速度采样的动态窗格法的局部路径规划算法分别进行了仿真实验。针对传统导航存在着依赖于先验地图的问题,提出基于深度强化学习的导航方案。在理解深度学习和强化学习特点的基础上,进而引出对深度强化学习的研究,并针对Deep Q-Network的原理应用于移动机器人导航方面的进行探索,将对算法各个要素进行设计。为了验证该算法的有效性,设计路径规划的仿真训练场景,并进行仿真试验。基于以上的工作,通过搭建Gazebo下的仿真场景和移动机器人,进行传统导航方式的算法仿真试验,并设计深度强化学习训练工具,使用此工具进行深度强化学习训练,进行基于深度强化学习的导航方式的算法仿真试验。算法经过验证后,将两种自主导航的算法和软件框架迁移到实物机器人。实验表明,传统导航方案下,移动机器人能够在发挥出较好的灵巧运动能力的同时,也拥有优越的自主导航性能;基于深度强化学习的导航方案应用于全向模式下的多运动模式移动机器人,能够在无先验地图的的情况下,实现自主导航。