路径规划问题是智能机器人研究中的关键问题之一。已知环境下的路径规划问题比较简单，已有许多成熟的方法。未知环境下的路径规划问题还远没有形成一套完整的理论，缺乏实用有效的方法。本文借鉴预测控制原理，研究了一类处理静态复杂未知环境下路径规划问题的方法。本文首先研究了未知环境中滚动规划算法的一般步骤，然后在滚动框架下分别研究了A*和RNN路径规划算法，并基于上述算法得到两类不同的滚动路径规划算法。 在路径规划算法的研究中，实验具有重要的作用，一般用来验证算法在实际环境下的各种性能，并可用于对不同算法进行性能比较。本文提出并实现了一种基于滚动框架的路径规划和导航软件，该软件基于面向对象结构体系和三步式运行机制，能根据算法指导机器人在实际环境下的路径规划；同时封装了机器人的视觉通讯和底层驱动功能，大大减少了算法研究者在设计算法时的代码编写工作量。在该软件的基础上，本文还设计实施了几个实际环境下的路径规划实验，用来验证和比较前面得到的两类不同的滚动算法的有效性和在性能上的差异。 本文的主要研究成果包括： 在机器人路径规划问题中引入预测控制原理，研究了滚动路径规划算法,给出了滚动规划算法的一般步骤。 提出了一种改进的基于A*算法的滚动算法，此算法通过引入二叉堆这一数据结构，减少了路径规划算法在局部规划时待考察的可行节点数量，降低了计算时间，提高了路径规划算法的实时性。仿真结果表明了改进的算法相比较原算法对于路径规划实时性的改善。 研究了回归神经网络（RNN），提出了一种基于RNN的滚动规划算法。RNN具有高度的并行性和丰富的动力学性质。仿真和实验结果都说明，这种算法能够同时满足滚动规划对快速性和有效性的要求，在某些环境下比A*算法更具优势。 设计了一种机器人路径规划和导航软件Rolling Navigator，该软件实现了前面提出的滚动规划的基本原理的三个主要环节以及前面提到的两类滚动算法，方便了路径规划算法和实验的研究。 将Rolling Navigator成功集成在上海交通大学自行研制的中型全自主移动机器人－“Frontier”上，并设计了实际环境下的路径规划实验，实验结果验证了滚动规划在解决未知环境下路径规划问题的有效性，以及局部采用不同算法在性能上的差别。