本论文主要研究动态环境下自动导引运输车（AGV）的路径规划问题,其中包括移动障碍物环境下的多AGV路径规划问题,以及在规划后AGV的实际运行路线与规划路线不符的AGV滞后问题。对于第一个问题,本论文将传统的图搜索类算法——A*算法做出改进,设计了Busy＿A*算法以及Time＿A*算法。这两种算法都能解决已知动态环境下多AGV规划问题,前者加入了繁忙启发式函数,让AGV通过绕开繁忙路段实现无碰撞,在运算速度上更快;后者在算法中加入时间维度,并对动态环境中的死锁情况进行判断,最后更改了启发函数,给出更优的可行解。对于第二个问题,本文将强化学习中的Q-learning算法做出改进。首先,在算法中增加了时间维度,使其可以对动态环境做逐步迭代;其次,更改了Q-learning算法原来的探索模式,使用先验探索法,增加了算法对环境的搜索范围,使其可以解决滞后问题;最后,利用启发式的反馈值设计,加快了算法的收敛速度,解决了时间维度加入后的维度灾难问题。在仿真实验模块,本论文使用栅格法来建立环境模型,设计了不同复杂度的环境来对算法进行模拟,并对三种算法的优劣以及适用环境进行了说明。