随着智能机器人领域研究的不断深入和技术的逐渐成熟,各种路径规划算法成为当前的研究热点。以往许多传统的、经典的算法可以满足简单的、空间无障碍或者少障碍条件下的寻路行为,但在复杂障碍物环境下,传统算法暴露出无法应对环境变化,不能有效进行路径规划,且效率偏低的缺点。本文在对国内外智能机器人路径规划相关领域研究、分析的基础上,针对主流路径规划方法及其存在的问题,进行了以下方面的研究:首先,针对人工势场法存在局部最小值的问题,提出一种基于引力衰减的人工势场改进算法。该算法以传统人工势场法为基础,通过融入了机器人位置变化信息,对引力场函数进行了改进,增强了人工势场对位置的敏感程度,从而提高人工势场法的指向性和运行效率。其次,针对传统蚁群算法在二维路径规划中收敛速度慢、规划效率不高的问题,提出了一种基于AAPF优化蚁群算法的规划方法。该算法利用改进的人工势场算法优化蚁群算法的启发函数,在保留蚁群算法良好寻优能力的条件下,引入启发函数、势场合力启发信息和偏移启发信息,通过其在迭代初期时势力场的高指向性,来减少迭代次数进而提高算法的收敛速度及路径寻优能力。最后,将原始数据构建为二维栅格环境,并在栅格环境中加入人工势力场,通过对引力势场的分析以及最优路径和迭代次数的评价,验证了基于引力衰减的人工势场改进算法的有效性;同时,通过在启发函数中依次加入启发信息项,实现了本文的基于AAPF优化的蚁群算法与经典蚁群算法的逐一对比,以及将基于AAPF优化的蚁群算法与经典蚁群算法、基于GA优化的蚁群算法及基于模拟退火算法优化的蚁群算法的对比;通过对实验结果的分析,进一步验证本文所提出优化算法的有效性。