路径规划作为移动机器人系统执行任务的关键技术之一,一直以来都是该领域研究的重点。移动机器人的路径规划算法分为所有环境信息已知的全局路径规划和部分环境信息已知的局部路径规划。本文针对复杂环境中移动机器人的路径规划问题做了如下研究:(1)本文针对移动机器人的路径规划问题建立了数学模型。基于环境中坐标系的定长划分法,确定路径规划问题的决策变量和目标函数。介绍了实验对象的硬件平台和软件平台,并对其建立了运动学模型,分析了其运动学约束。(2)针对移动机器人的全局路径规划问题提出了基于改进粒子群(Particle Swarm Optimization,PSO)的全局路径规划算法。为解决传统PSO算法容易陷入局部最优的问题,设计了一种随PSO算法迭代次数递变的突变算子。在迭代初期,在小范围突变搜索更新粒子的位置,可以使得算法快速收敛;在迭代后期,在全局范围突变搜索更新粒子的位置,挣脱局部最优,寻找全局最优。(3)针对移动机器人的局部路径规划问题提出了一种基于反馈补偿神经网络算法(Feedback Compensation Neural Network,FCNN)的局部路径规划算法。该算法构建了一种新的神经网络拓扑结构,是对传统的单BP神经网络(Back Propagation Neural Network,BPNN)的改进。该算法的神经网络拓扑结构由两个BPNNs组成,第一个BPNN经过适当的离线训练,在动态避障中起到主导作用,在移动机器人运动的过程中,在线训练第二个BPNN以获得输出的补偿。对于速度不断变化的障碍物,该算法可根据障碍物先前的运动情况进行预测并规避,减少移动机器人的决策次数和运算负担。针对环境中速度连续变化的动态障碍物,该局部路径规划算法,可有效提升避碰性能和效率。(4)对本文提出的改进的PSO算法,在多障碍物的复杂环境下进行全局路径规划仿真,并对仿真结果进行了性能分析。针对具体环境,选择最佳迭代次数、粒子群规模、路径节点个数,并且验证了改进的PSO算法相较于传统PSO算法在收敛速度和全局寻优能力上都得到了较大的提升。对提出的局部路径规划算法FCNN在动态环境中的避障性能进行了仿真验证及分析。对比传统的BPNN得出FCNN算法在决策后行走的路径长度和决策次数都有明显的优势。此外,所提出的改进PSO算法在四轮移动机器人上进行了实验验证。