路径规划是移动机器人在不同场景下导航的关键技术之一，现在已经广泛应用在无人驾驶，物流机器人，家庭服务机器人等领域。传统路径规划算法分为全局规划算法和局部规划算法，前者负责在全局地图中搜寻可行路径，后者根据前者规划的路径与局部地图信息进行实时避障，因此规划效果会受限于地图信息、算法效率和计算力。深度强化学习能使智能体在环境中通过交互试错的方式学习，无需额外数据集和先验知识，多用于连续决策的任务场景，因此将深度强化学习应用到移动机器人是如今一个新兴的研究方向。
　　深度强化学习普遍存在训练周期太长的问题，特别是在机器人控制的场景中还需要带有物理引擎的3D仿真平台，这对计算力要求更高；对于个人计算机，漫长的训练使算法测试、调参等工作变得异常困难。大部分深度强化学习算法都在2D游戏上测试效果，而在路径规划场景上的应用相对较少，且鲜有与传统路径规划算法的对比研究，本文针对这两个问题进行深入研究。
　　首先，根据OpenAI的接口规范和路径规划的任务要求，将深度强化学习TD3算法移植到移动机器人的路径规划应用中。然后，设计一种2D-to-3D的训练模式，将坐标系选取、回报函数设计、调参、深度强化学习算法对比等耗时的工作部署到轻便的2D环境Gym中，再把实验得出的设计方案移植到3D环境Gazebo中训练移动机器人。最后，设计三组路径规划算法，分别是传统路径规划的A*+DWA算法、A*+TEB算法以及深度强化学习TD3算法，将它们置于两个不同的3D环境中执行规划任务，根据行驶轨迹长度，总耗时，单步时间、完成度等评价标准对其进行比较分析。
　　实验结果表明，基于本文提出的2D-to-3D训练模式，深度强化学习在3D环境的开发效率能提高4-5倍，这有助于个人计算机进行移动机器人深度强化学习的相关研究。在两个不同的3D场景中，根据评价标准的对比分析，TD3算法相较于传统全局路径规的A*算法，无需先验的地图信息；相较于传统局部路径规划的DWA和TEB算法，则有更高的实时性。