移动机器人已经开始逐渐出现在人们日常生产生活中的各个领域,且发挥着重要的职能作用。课题以三轮全向移动机器人作为研究对象,将移动机器人的路径规划与自主避障作为主要研究方向,主要研究问题为针对单一的强化学习算法应用于处于复杂环境的移动机器人路径规划与自主避障时,容易引起维数爆炸,算法难于收敛等问题,使用深度强化学习在复杂场景下完成移动机器人路径规划与自主避障任务。首先,建立了三轮全向移动机器人运动学模型与动力学模型,同时给出了其自身搭载的惯性测量元件(IMU)与激光雷达传感器模型。编写URDF文件与环境交互插件文件,实现了对仿真环境进行感知并建立良好信息传递连接的三轮全向移动机器人仿真模型,利用Gazebo仿真软件进行仿真实验,验证了模型的环境交互能力。其次,针对当前强化学习在处理高维输入状态数据方面的缺点,引入深度学习处理高维输入。结合三轮全向移动机器人运动学特点,从状态空间、动作空间、奖励函数等5个方面设计两种基于深度强化学习的三轮全向移动机器人路径规划与自主避障算法,并进行仿真迭代实验,验证了深度确定性策略梯度算法(Deep Deterministic Policy Gradient,DDPG)对于具有连续动作空间的问题有更好的处理效果。再次,针对DDPG算法更适用于连续动作问题的处理,但需要训练四个神经网络引起,算法收敛速度较慢,以及复杂的超参数调试经常使Critic神经网络产生过估计,可能导致算法不收敛的问题,提出基于改进DDPG的避障算法,使用优先经验回放代替经验回放机制,加入了OU随机噪声并设计了避障控制器,并逐条分析了每条改进措施所能带来的算法性能提高。通过进行对比仿真实验,表明了本文所提出的改进DDPG算法,从算法的收敛速度、稳定性、可靠性方面均得到了明显的提升,验证了所提改进措施的有效性。最后,利用ROS机器人操作系统与Gazebo仿真软件,建立了与仿真迭代实验环境完全不同的仿真环境,包括完全由静态障碍物组成以及添加动态障碍物两种仿真环境,使用训练完成的改进DDPG算法进行了测试实验,对其泛化能力进行了测试。