服务机器人需要在环境和目标位置可能发生变化的情况下执行任务,这就需要机器人能够在变化的环境中自主获取环境数据,然后进行路径规划,路径规划对于移动机器人能够完成任务与否起着至关重要的作用。现阶段路径规划中应用的智能移动机器人主要是差速移动机器人,在接近目标点时,机器人在进行横向误差调整时速度较慢,效率较低,由于麦克纳姆轮机器人具有全方位移动的特性,可有效提高路径规划的效率。机器人处于局部环境中,只能根据传感器获取的环境数据来规划自己的路径,如何有效的利用数据在未知环境中进行路径规划进而完成目标检测定位就成了关键问题。本文通过强化学习训练麦克纳姆轮机器人在无地图的情况下进行路径规划,在到达目标点后,对特定目标进行检测及定位。首先,建立麦克纳姆轮移动机器人系统,在V-REP物理仿真环境中进行运动学实验,同时进行了实物实验,验证了模型的准确性与可靠性。基于V-REP建立了移动机器人的外形与运动学模型,添加视觉传感器与雷达、速度里程计等传感器,并通过远程API(Application Programming Interface)获取机器人实时采集的传感器数据作为机器人所处的环境信息,为之后的路径规划及目标检测定位奠定基础。其次,建立了强化学习的模型。本文使用A3C(Asynchronous Advantage Actor-critic)算法进行移动机器人的运动决策的训练。针对本文的麦克纳姆轮移动机器人的特点,把机器人所处的局部环境雷达数据作为输入,将机器人的速度、角度以及角速度的值作为输出,建立了端到端的训练模型。并在V-REP搭建的环境中进行了实验,验证了算法的有效性。采用了一种基于最小距离的训练方式,解决了移动机器人把大部分的训练浪费在了非避障需求的问题,减少了训练时间,优化了状态空间的建立过程,提高了训练效率,并和普通强化学习方式进行了对比实验,在相同的训练次数的情况下,加入最小距离的训练方式,效率更高。在自制麦克纳姆轮小车上进行了实验,验证了算法在真实未知环境中路径规划的有效性。然后,分别在仿真环境和真实环境中采集目标物体的图片,并对其进行扩充。为了保证检测速度的同时提高检测精度,提出一种改进的YOLOv3-Tiny网络。训练目标物体的模型,实现对目标物体的类别和在图像中位置的判断。最后,根据车身的姿态和位置、卷积神经网络检测结果以及雷达数据,本文提出了一种在世界坐标系下计算目标位置的算法。并根据计算结果进行了距离和误差的实验,得出了缩短机器人与目标之间的距离可以减小定位误差的结论。