移动机器人已经普遍出现在人类社会当中,且因为其灵活,形式多样等特点,已被应用于多个行业,极大程度的方便了人们的生活。而对于移动机器人来说,导航功能是其不可或缺的重要功能之一,且路径规划算法将直接影响移动机器人的整体导航效果及机器人移动效率,是机器人导航功能的重中之重。为此,本文针对目前已有的路径规划算法中的蚁群算法及informed-RRT*算法中存在的一些问题如:蚁群算法迭代收敛较慢、搜索精度不足以及初期搜索盲目,以及informed-RRT*算法易退化为RRT*算法、寻找的最优路径拐点较多等问题进行改进,来提高算法效率以迎合可移动机器人的工作需要。本文主要工作如下:1)针对蚁群算法解决路径规划问题时会产生的搜索精度不足以及收敛速度缓慢等问题,本文提出了一种自适应角度双向蚁群算法。该算法首先在蚁群算法的基础上将蚁群的起始位置做了改进,使其根据蚂蚁编号从地图中的一系列起点集合中选择适当节点出发。同时,改进了信息素更新规则,对当前迭代次数寻找到的最优路径进行信息素奖励,使其对下次迭代蚂蚁的寻路过程起到引导作用。最后,在蚂蚁的转移概率中引入了自适应角度参数,使得蚂蚁在根据转移概率选择下一行走节点时能够优先选择与目标节点角度差较小的节点。自适应角度参数能够根据迭代次数自适应的做出改变,使算法前期解的多样性增加,从而提高获取最优解的概率,加快算法后期收敛速度。经仿真实验验证,本文所提出算法的搜索能力和迭代收敛效果显著提高。2)针对基于采样的路径规划算法中informed-RRT*算法容易出现降级为RRT*算法及复杂环境容易导致节点树生长较为困难等问题,本文提出一种改进infromed-RRT*的路径规划算法。该算法首先在informed-RRT*的基础上增加了预规划初始路径来缩小采样范围并提高生成的有用节点的数量,再将原informed-RRT*中的节点树拆分为起点树和终点树,起点树的新生节点向着随机采样点延伸,终点树的新生节点根据随机数大小与一个设定阈值的关系来判断是向着起点树的新生节点延伸还是向着起点树的最近邻节点延伸,从而有效的缩短了算法的搜索速度和路径长度。最后采用路径后处理策略,删除了路径中的冗余节点,使路径更平滑且长度和转角数量都有所减少,更适合机器人行动。为了将该方法用于动态环境路径规划,本文提出将动态障碍物一段时间内的移动状态看作一个静态障碍物,同时基于上述思想提出两种方式来进行碰撞避免。并在仿真实验中验证了该方法在静态环境和动态环境下的有效性。本文提出的两种改进算法在多幅地图上与其他几种算法进行对比实验,实验结果显示本文算法所获得的最短路径均相对其他几种算法更短,且在包含搜索时间在内的多个评价指标上均有所优化。