目前,全球人口老龄化问题日益凸显,加之服务业向智能化方向发展,催生了对服务机器人的市场需求。服务机器人工作的行人环境具有非结构化和高度动态变化的特点,非结构化指行人构成的障碍物环境的物理形态持续变化;高度动态变化指该变化的时间尺度可达分钟级甚至秒级。这给移动机器人轨迹规划算法的设计带来了极大的挑战,比如如何提高行人位置估计的准确性、如何协调轨迹规划算法的安全性和高效性。现有的解决方法聚焦于滤波估计算法和机器人决策策略的设计,却忽视了移动机器人和行人之间的交互。为解决该问题,本文提出了交互式轨迹规划的方法,分别针对移动机器人的跟随模式和自主模式,对其与行人之间的交互决策进行建模,并以此为基础设计轨迹规划算法。论文的主要工作如下:一、研究了跟随模式下移动机器人的被动交互轨迹规划。该模式下只存在目标行人对机器人决策的单向影响。为估计目标行人的运动状态,本文提出了交互多模型扩展卡尔曼滤波算法IMM-EKF,该算法通过模拟目标行人的运动模式和贝叶斯滤波方法以应对行人运动状态的不确定性。为实现对目标行人的跟踪,本文提出了局部线性模型预测控制算法LLMPC,该算法将轨迹跟踪问题转化为最优决策问题,并通过机器人运动模型的线性化表征和二次规划方法进行求解。实验表明,综合IMM-EKF算法和LLMPC算法所设计的被动交互轨迹规划方法可实现不高于0.04m的轨迹跟踪误差。二、研究了行人之间的协作运动模型。该部分的研究是移动机器人的主动交互轨迹规划的基础。本文首先设计了自适应混合速度障碍物模型adaptHRVO,然后提出了基于注意力机制的强化学习模型attentionLSTM-RL。前者简单且高效,但对环境的适应性差,后者更接近真实行人的决策模式却依赖于良好轨迹数据的初始化。因此本文将adaptHRVO模型用于attentionLSTM-RL模型的预训练,提出了兼具通用性和适应性的混合决策模型HybridRL。实验表明与attentionLSTM-RL相比,该混合决策模型到达目标的时间减少了 7%,安全性提高了 25%。三、研究了自主模式下移动机器人的主动交互轨迹规划。该模式下移动机器人和周围行人的决策相互影响。本文设计了轨迹规划的分层框架,将基于概率路标算法PRM的全局路径规划、基于HybridRL的决策速度生成算法和基于PID点追踪算法pid_point_track的运动状态跟踪融合到一个框架中,并提出基于碰撞预警的反馈机制适时对局部目标进行修正。实验表明该框架在保证规划轨迹的平稳性(线速度变化不高于0.05 m/s,角速度变化不高于2 rad/s)的同时,可保证在复杂行人环境下轨迹规划的安全性、高效性和可靠性。综上,通过对不同模式下移动机器人和行人之间交互模型的研究,本文提出了移动机器人的被动交互轨迹规划算法和主动交互轨迹规划算法,有效的解决了行人运动意图的不确定性给移动机器人轨迹规划带来的挑战。