现如今,移动机器人已经被广泛应用到各个领域,路径规划问题作为移动机器人技术中重要的组成部分,也成为了广大学者的研究热点。路径规划方法可以根据不同的环境信息分为全局路径规划算法与局部路径规划算法。本文针对全局路径规划算法实时性差、不能动态避障和局部路径规划算法由于缺乏全局先验信息而易陷入局部极小值的缺点,以神经网络和滚动窗口法为基础,提出了一种混合路径规划算法,用以完成移动机器人在动态不确定环境下的路径规划。本文分别对基于神经网络的全局路径规划算法与基于滚动窗口法的局部路径规划算法进行了原理介绍与仿真实验。基于神经网络的全局路径规划算法的核心思想为通过建立惩罚函数衡量路径优劣,将路径规划问题转换成求函数极小值的问题。本文针对原算法易陷入局部极小值的原因进行了探讨并提出了加入模拟退火法的改进算法。基于算法效率的考虑,本文引入了动量梯度下降法与路径点检测机制,加快了改进算法效率。基于滚动窗口法的局部路径规划算法借鉴了预测控制理论,通过启发式搜索选取当前滚动窗口内的子目标点完成整个路径规划过程。本文针对原算法无法顺利逃脱凹形障碍物的缺陷进行了探讨,并引入了沿墙走模式用以逃脱凹形障碍物。基于以上两种算法,本文最终提出了一种混合路径规划算法,通过拐点将全局最优路径进行拆分,利用滚动窗口法使移动机器人分别到达各个子目标点,进而完成整个路径规划过程。本文在Matlab中进行了相关仿真实验,验证了该算法的有效性。基于Gazebo三维物理仿真与Matlab平面二维仿真的三点不同,本文对算法程序作出了相应改进。以Husky无人车作为仿真对象,改进后的算法程序通过订阅Husky无人车发布的激光雷达与里程计相关传感器消息,向Husky发布速度指令控制其运动。经过仿真验证,Husky无人车能够顺利躲避未知障碍物,在动态不确定环境下成功完成路径规划。