移动机器人路径规划技术,即在给定的起始点和目标点之间找到一条符合约束条件的有效路径（约束条件可以是无碰撞、路径最短、耗能低等）,作为机器人学的重要技术支持,得到了越来越多的关注和研究。而强化学习作为一种通过不断“试错”与环境交互寻找最优策略的机器算法,具有优异的通用性和有效性,本文结合其优异特性提出高效的移动机器人路径规划算法。结合移动机器人的实际需求对强化学习算法加以改进,最后在仿真环境中进行了仿真实验,验证了改进算法的优异性。具体研究内容如下:1、总结了移动机器人路径规划问题的研究现状,分别分析了使用传统算法、智能算法、基于图论的方法和机器学习算法在解决路径规划问题上的优缺点,综合考虑移动机器人的工作环境和需求,选择了机器学习领域较为热门的强化学习算法进行探讨研究。2、选择了强化学习领域较为经典的Q-learning算法进行研究,在实际使用Q-learning算法解决单机器人路径规划问题时发现Q-learning存在着三个问题。针对这三个问题,笔者对Q-learning算法进行了相应改进,有效提升了Q-learning算法的工作效率和性能表现。3、为将单机器人的Q-learning路径规划算法应用到多机器人领域,结合深度学习思想,实现了多机器人的协调避障的DQN版本;并采用引入先验知识和先验规则的方法,提升算法性能和减少训练开销。最终在仿真实验上,实现了多机器人协调避障的路径规划。4、为进一步提升多机器人的路径规划效率,本文结合深度学习领域注意力机制,将策略体agent赋予类似视觉注意力,并在经验回放机制上进行了改进,提出了基于时间的优先经验回放方法,使得agent能够更多地关注较为重要的部分,加速和优化模型训练过程。5、基于openAI gym工具构建了仿真的迷宫训练环境,经实验证明,本文提出的改进算法,在处理移动机器人路径规划问题时表现优异。