随着人工智能领域的崛起,机器人研究的不断深入,智能机器人逐渐开始融入人们的日常生活。同时,消费者对智能机器人高效率、高质量、低能耗的要求也日益凸显。为此,本文从多机器人协作探索算法与路径规划算法入手展开研究,不仅提高了多机器人协作的质量,也为智能机器人路径规划提供了新的思路。首先,为了进一步提高多机器人探索的效率,提出了一种基于快速随机搜索树-广度优先搜索(RRT-BFS)的边界探索算法。针对现有RRT边界探索算法存在探索目标点随机性的问题,结合BFS算法进行快速地细化搜索,将获取随机边界点转化为获取连续边界的质心,从而对RRT边界探索算法进行改进。同时,该算法摒弃了传统RRT边界探索算法需要进行均值漂移聚类的步骤,节省了计算资源。为了验证算法的有效性,基于机器人操作系统(ROS)搭建了RViz与Gazebo联合仿真环境,并使用传统RRT与RRT-BFS边界探索算法在仿真环境中进行对比测试。结果表明,在两种不同的仿真场景中,基于RRT-BFS的边界探索算法均比传统RRT边界探索算法更高效、更节能。其次,针对传统Q-Learning算法路径规划时产生“维数灾难”的问题,重新设计了Q-Learning算法的状态空间与动作空间,而且通过设计多障碍地图与大尺寸地图进一步验证了所改进算法的有效性;针对所改进的新方案,又从动作空间、状态空间以及Q表初值三个方面进行了深入地分析与优化。在此基础上,使用Python的Tkinter库设计了仿真实验平台,对改进的Q-Learning算法进行理论验证。结果表明,改进后的算法在多障碍地图与大尺寸地图中亦能很好地完成路径规划任务,且优化后算法的学习效率提高了73%。最后,针对所提出的RRT-BFS多机探索算法与改进的Q-Learning路径规划算法进行实际环境测试。为了对比实验结果,在Gazebo中搭建了与实际环境一致的物理仿真环境。多机探索实验结果表明,实际场景中虽然由于通信条件等硬件设施导致任务分配不均匀,但是并未影响两机器人协作完成任务;基于改进Q-Learning算法的路径规划实验中,受传感器精度与地面摩擦等因素影响,物理仿真环境与实际环境中的实验结果存在一定误差,但是机器人仍能按照规划的路径成功到达目的地,证明了算法在实际应用中的有效性。