路径规划一直是机器人领域的研究重点。已有机器人路径规划研究大多基于环境已知,但许多情况下,机器人所处环境是未知的,如何在未知环境中实现移动机器人的导航和避障,是路径规划研究的热点和难点,具有重要研究价值。本文提出了两种未知环境下的移动机器人路径规划新方法,主要工作如下:1.提出了基于动态步长的AAPF-RRT*路径规划算法。针对相对距离人工势场法中存在的引力与斥力过大问题,本文通过改进引力函数和斥力函数,提出了自适应人工势场法（Adaptive Artificial Potential Field,AAPF）。同时,为解决快速扩展随机树算法（Rapidly-exploring Random Tree,RRT*）中存在的节点扩展盲目性和生成路径平滑度不够等问题,本文将AAPF算法和RRT*算法结合,并将原固定步长改为动态步长,提出了基于动态步长的AAPF-RRT*算法。该算法既克服了RRT*算法中节点盲目扩展的问题,又显著提高了移动机器人路径规划效率和避障灵活性,同时兼顾路径平滑性。最后通过仿真证明了该算法的有效性。2.提出了基于行为分解的RBF-Q学习路径规划算法。针对Q学习算法在面对连续状态输入时产生的“维数灾难”问题,本文通过将径向基（Radial Basis Function,RBF）神经网络和Q学习算法相结合来解决该问题,利用RBF神经网络局部逼近的特性去逼近Q值函数。针对Q学习算法在路径规划时自主学习能力不高的问题,通过动态聚类法训练RBF神经网络隐含层的中心和宽度等相关参数,通过最小均方算法训练RBF神经网络中的隐含层和输出层间的权值。针对Q学习算法在路径规划中存在的奖赏函数设计相对单一问题,本文将移动机器人的导航行为分解成避障行为和导向目标行为,并分别设计对应的奖赏函数,提出了基于行为分解的奖赏函数。该算法不仅明显提高了移动机器人的路径规划能力,生成更优路径,加速避障学习过程,还能大幅提高避碰能力,从而有效提高了移动机器人在未知环境中的自主学习和适应能力。最后通过仿真证明了该算法的有效性。