随着我国铁路建设的快速发展以及运营车辆数量的增加,列车的安全运行日益成为关注重点。列车检修是保证列车安全稳定运行环节之一,工人的工作量和压力随着检修车辆数量的增加越来越大,传统的“人检人修”方式已不能满足检修要求,加快以“人检人修”向“机检人修”的改变迫在眉睫。随着机器人应用的迅速推广和人工智能技术的飞速发展,智能检修的列检机器人正在渐渐走入列车检修领域。列检机器人具有高灵活性和适应性,它的应用可以提高检修效率,助力铁路检修转型升级,推进铁路安全建设。伴随着列检任务的增加,单个机器人已无法完成,采用多机器人同时作业的方式,就需要对多机器人作业进行统一的规划和调度,提高机器人的作业效率和利用率。本文针对多列检机器人调度中的任务分配和路径规划两大核心问题分别进行了研究。首先,基于三个不同的优化目标:多列检机器人运行总路程最短、多列检机器人完成所有任务花费时间最短、总路程和总时间综合优化,在考虑电量约束的情况下,分别建立了相应的任务分配数学模型。由于传统遗传算法在列检场景下存在收敛慢、最优解不佳等问题,本文提出“半选择半交叉”的种群生成方式,设计自适应选择算子,加快种群收敛;交叉变异概率引入二次自适应思想,并提出二次变异策略,促进最优个体的产生;基于种群最优适应度连续多代不变的情况提出进化补偿策略,避免算法陷入局部最优。其次,依据实际列检三维场景模型,在栅格均匀划分法的基础上提出了稀疏划分法建立了路径规划栅格地图,之后针对传统A*算法在列检场景实际应用中存在的未考虑机器人体积、规划路径与机器人运动方向不符、无法避障等问题,提出虚拟判定策略解决传统A*算法进行路径规划时因未考虑机器人体积导致与局部障碍物碰撞的问题;引入变向惩罚函数来改进评估函数,解决A*规划路径与机器人运动方向不符的问题;采用路径二次规划方法并设计动态避障策略,解决机器人无法动态避障的问题。最后,通过利用相关实验数据对列检机器人任务分配和路径规划分别进行了算法验证。算法验证结果表明:本文改进的遗传算法相较于传统遗传算法和自适应遗传算法,其求解效率和收敛速度都有明显的提高,并且分配任务时可以根据机器人能力和状态的不同进行合理的分配;改进的A*算法考虑了机器人的体积因素,避免与障碍物发生碰撞,同时在遇见障碍物时能动态进行路径二次规划,避开障碍物,顺利到达目的地。