当前,随着中国老龄化程度的不断加剧,助老服务机器人的研究受到了科学研究人员的广泛关注。路径规划技术是助老服务机器人的一个重要研究方向。助老服务机器人路径规划的研究虽然取得了重要成果,但仍存在局限性。助老服务机器人处于动态不确定的工作环境中,由于在线路径规划方法缺乏全局先验信息,导致获得路径存在非最优问题;离线路径规划方法虽然能根据全局信息得到全局最优路径,但实时性差、不能动态避障。主要研究内容,针对助老服务机器人在动态不确定环境中路径规划获得最优路径的问题,使用一种先“离线”、后“在线”的路径规划方法。主要研究工作如下:（1）针对基本粒子群算法（PSO）离线路径规划,存在全局勘探和局部开发能力之间平衡难及易陷入局部最优问题,提出一种改进粒子群算法—随机扰动自适应粒子群算法（RDSPSO）对全局环境进行离线路径规划,引入距离演化因子对搜索性能下降区域的粒子采取随机扰动策略,同时使用一种自适应策略,对算法中三个控制参数进行干预,动态调整全局勘探和局部开发能力。实验表明,RDSPSO算法克服了PSO算法存在的问题,验证了算法的有效性。（2）针对Q-learning算法在动态环境下在线路径规划,存在Q值表存储空间不足和维数灾难的问题,提出改进Q-learning算法,以目标位置信息和最近障碍物信息来定义机器人运动状态方案,简化了运动状态—动作作为索引来建立的Q值表。实验表明,改进Q-learning算法解决了动态环境下在线路径规划存在的问题,提高了工作效率。（3）针对Q-learning算法在动态环境训练效率低的问题,设计了一种连续的报酬函数,使得助老服务机器人采取的每一个动作都能获得相应的报酬。此外由于机器人动力学的限制,通过引入机器人动力学的动态窗口来计算每个状态的动作。实验表明,设计方法是有效可行的,提高了算法训练效率。（4）针对助老服务机器人在动态不确定环境中路径规划获得最优路径的问题,先用RDSPSO算法对全局环境进行离线路径规划,规划出助老服务机器人的初始路径,助老服务机器人沿着初始路径行走,机器人传感设备检测到运动障碍物与机器人距离小于设计阈值时,运用改进Q-learning算法进行在线路径重规划避开动态障碍物,到达安全距离范围后,助老服务机器人返回初始路径,继续运行到达终点完成任务。实验表明,该规划方法提高了规划路径的质量,同时减少了规划时间。