移动机器人作为一项近年来飞速发展的技术,包含了自动控制、人工智能、机械设计,计算机等诸多学科最新的研究成果。移动机器人是一种综合了感知、决策和执行机构的智能体:首先经由传感器实时接收感知信息,再通过信号处理,最后根据策略得到执行动作。而路径规划导航问题则是移动机器人研究中的重要环节之一。传统的路径规划算法有着超过半个世纪的发展历程,基本规划过程就是给定环境和机器人模型,制定要规划的目标点,自动计算出机器人的运动路径,但是这些规划算法有两个前提条件,全局地图已知和目标点已知,但是我们理想的移动机器人需要有在未知的新场景中自主导航的泛化能力,也需要能够在复杂场景中无单一目标点的无碰撞自主行动。因此,怎样实现在未知的室内场景中,移动机器人的在线路径规划是本文研究要点。强化学习作为机器学习的一个分支,有几十年的发展历史,但是其算法本身在计算效率和输入特征表示上存在缺陷,大大限制其广泛地实际应用。近年来随着深度学习技术的飞速发展,结合了深度学习和传统强化学习的深度强化学习技术在2016年AlphaGo打败围棋世界冠军后得到了研究人员的广泛关注,同时在诸多科研领域有了尝试和应用。本文在结合移动机器人路径规划技术和深度强化学习技术的基础上,提出了一种基于自适应注意力机制的深度强化学习算法(Adaptive-attention DQN),保证了移动机器人在未知室内动态环境下可以对地图进行独立探索地图并实时避障,同时解决了机器人在复杂情境下,例如当其遇到死胡同岔路时,由于缺少记忆性而多次进入死胡同这一类难题。此外,当模型经由充分训练以至收敛,其良好的泛化性表现为对于新的未知场景,也具有较好的路径规划和避障能力。仿真结果表明,本文提出的这种基于自适应注意力机制的深度强化学习算法在解决移动机器人路径规划的问题上,其效果优于最新的基于值迭代的深度强化学习算法(RainbowDQN)。