移动机器人导航技术是当今人工智能领域的研究热点,包括建立地图、定位、路径规划等。为了赋予智能移动机器人自主学习的能力,实现和增强移动机器人局部路径规划功能,需要结合具有学习能力的机器学习方法进行移动机器人的局部路径规划行为研究。本文基于强化Q学习算法和BP神经网络模型,研究移动机器人局部路径规划行为。根据路径规划行为的任务要求,设计学习策略和控制规则,针对环境感知信息,提出了相应的控制策略,并进行了仿真验证。主要研究内容包括:基于栅格地图环境,提出了基于CM-Q学习的移动机器人局部路径规划算法。该算法首先根据强化Q学习算法和栅格地图,设计了移动机器人状态和动作,建立了Q矩阵;其次设计了一种坐标匹配(CM)的避障控制规则,以提高移动机器人避障效率;然后针对动作执行的评估问题,设计了回报函数;最后对CM-Q局部路径规划算法的有效性进行实验验证。对于规划路径中可能出现的冗余问题,通过增加学习次数和调整学习率等措施消除,使移动机器人在离散和连续障碍物环境中移动时不再出现冗余现象,运行效果良好。基于自由空间的地图环境和BP神经网络的泛化能力,提出了基于BPNN-Q学习的移动机器人局部路径规划算法。该算法首先根据移动机器人在地图环境中的状态,设计了传感器检测机制和动作选择策略;其次设计了动态的回报函数;然后根据特殊“U”型障碍物的避障要求,设计了三次震荡后退避障规则;最后进行BPNN-Q局部路径规划算法的有效性验证实验。实验结果表明,移动机器人可以在离散和连续的自由空间地图中,以任意起点和终点进行较优的局部路径规划,避障效果良好;对于特殊“U”型障碍物的避障也具有良好效果。