随着科技的发展，移动机器人在工业、农业、危险有害场所以及城市安全等领域都得到了很好的应用。路径规划作为移动机器人的关键技术之一，主要任务是根据环境信息，利用相关算法规划出一条无碰撞、最优或近似最优的路径，使机器人能够安全的从起点到达终点。按照移动机器人对环境信息掌握程度的不同，路径规划算法可以分为全局规划和局部规划。全局规划是一种离线规划，要求事先掌握环境的全部信息，但大多的环境是充满变化的，存在未知的障碍物，利用全局规划算法可能使移动机器人无法避开障碍物；局部规划一般应用于未知的环境中，通过传感器实时获取环境信息来进行规划，实时性较高，但是缺乏全局性，容易陷入局部最优解，出现目标不可达的现象。针对单一规划的局限性，论文运用混合路径规划，在全局路径最优的前提下，实现对匀变速直线运动障碍物的自主避障。论文主要的研究内容如下：
　　首先，在全局规划中，采用栅格法对环境进行建模，利用生物激励神经网络算法搜索出一条可行的全局路径。针对算法在障碍物较多的情况下出现路径非优的问题，在现有改进算法的基础上，改变神经元激励输入的计算方式来提升算法效率。针对改进后的路径存在冗余拐点的问题，采用关键节点选取策略来平滑路径。通过在MATLAB中进行仿真对比实验，验证了改进的算法能有效解决路径非优的问题。
　　其次，针对单一的局部避障算法难以适应任何未知环境的问题，在现有对直线运动障碍物研究的基础上，研究匀变速直线运动障碍物的避障问题。利用滚动窗口法的思想，建立障碍物的轨迹预测模型，对于满足不同条件的障碍物，结合机器人速度，设计相应的避障行为。通过MATLAB仿真实验，验证了算法能够有效避开障碍物。
　　最后，针对全局规划实时性较差和局部规划缺乏全局性的问题，在保证全局路径较优的前提下，结合局部避障，进行混合规划。在同一仿真环境下，通过进行单个障碍物和多个障碍物避障的混合路径规划实验，验证了算法能在保证全局路径最优的前提下，进行局部避障。