移动机器人的路径规划技术是自主移动机器人导航技术中的一个关键课题,也是移动机器人应用于现实领域的重要前提,因此,对路径规划的研究是必要的。本文对传统算法进行了研究,先后研究了 A*(A-Star)算法与RRT*(Rapidly Exploring Random Tree-Star)算法,针对存在狭小空间的特殊环境,提出基于两者的启发式融合算法。之后,分析研究了深度强化学习方法的可行性。最后,采用PPO(Proximal Policy Optimization)算法结合内在好奇心模块(Intrinsic Curiosity Module,ICM)的方式在 Unity 3D 仿真环境中进行了路径规划研究。本文主要的研究工作有以下两点:1、从传统算法的角度出发,分析了多种路径规划算法特点与优缺点。A*算法是求解最短路径最有效、直接的方法,但是在面对庞大面积地图时计算量会显著增加;RRT系列算法具有快速、概率完备、适应性强等特点,但是目标点在狭小空间内时收敛速度下降。本文针对这种特殊环境,提出一种基于A*算法与RRT*算法的启发式融合算法。在对狭小空间探索时,RRT*先进行全局搜索,并依据启发式函数进行路径拼接,之后通过A*算法进行局部搜索,最后基于梯度下降法对路径点进行平滑处理。本文在MATLAB中进行了仿真验证,所提出的启发式融合算法结合了 A*算法的精确性与RRT*算法的快速性,实现了更快的效率。2、通过深度强化学习的相关理论基础分析了算法的可行性。参照复杂的实际危化品环境,在Unity 3D中搭建了动态仿真环境。在该环境中采用PPO算法与内在好奇心模块相结合的深度强化学习算法,PPO算法将智能体与环境互动,以奖励最大化为目标优化神经网络。并采用多线程的方式,加快策略在连续域的收敛速率。内在好奇心模块训练前向网络及逆向网络,通过预测智能体自身状态与动作的方式,实现稀疏奖励环境下智能体的自主学习。经过多次仿真表明,算法在所建环境中能够实现移动机器人对路径规划策略的自主学习。