当今社会科技发展迅速,移动机器人在人类日常生活中扮演越来越重要角色,受到人们的广泛关注。移动机器人导航设计涉及环境感知、即时定位与建图（Simultaneous Localization and Mapping,SLAM）和路径规划等方面的研究。本文以机器人操作系统（Robot Operating System,ROS）作为开发平台,分别从SLAM与路径规划方面对移动机器人导航进行研究。在SLAM方面,本文通过改进传统RB粒子滤波（Rao-Blackwellised Particle Filter,RBPF）算法,提高了移动机器人位姿估计和建立环境地图的准确性。在路径规划方面,提出了一种基于改进蚁群算法和动态窗口法的融合算法——蚁群优化动态窗法（Ant Colony Optimization Dynamic Window Approach,ACO-DWA）,使移动机器人能够在含动态障碍物的环境中实现自主避障且选取最优路径到达指定目标。本文主要研究内容如下。（1）SLAM算法优化设计。为减少采样粒子数和运算过程复杂,本文对传统RBPF-SLAM算法进行优化,在里程计模型内加入样本观测值,改进重要性密度分布函数,设置里程计与雷达观测模型的融合比例,缩小粒子重要性密度分布与目标分布之间差距,成功减少采样粒子数量;为保障样本粒子多样性,本文对有效粒子的权值进行判断,保留中等权值样本,对高权值样本、低权值样本执行重采样策略,保障了粒子多样性。最后通过对改进前后SLAM算法的仿真对比,验证了改进算法的有效性。（2）路径规划算法优化设计。路径规划设计包括全局路径规划和局部路径规划。首先,全局路径规划时,本文提出了一种改进蚁群算法,对蚁群算法的初始化部分、信息素更新机制两个方面进行优化以获得优化路径,并在此基础上再进行路径二次规划,最终得到最优路径。该改进蚁群算法提高了算法的收敛性能,缩短了全局路径长度。其次,局部路径规划时采用动态窗口法（Dynamic Window Approach,DWA）,设计不同避障策略,针对移动机器人遇未知运动规律的动态障碍物时,提出了二级安全距离确定规则,完善DWA在复杂环境下的避障功能,实现局部避障,从而获取最优路径。最后本文结合这两种算法,提出了一种基于改进蚁群算法和动态窗口法的ACO-DWA融合算法,使移动机器人能够在动态环境中实现自主避障,以获取全局信息,仿真验证了ACO-DWA算法的有效性。（3）系统设计。移动机器人导航设计包括系统总体架构设计、仿真模型搭建、系统硬件平台和软件平台设计四个部分。系统总体架构设计包括上位机交互层、功能实现层、硬件执行层。仿真模型搭建为后面SLAM和路径规划研究提供移动机器人的模型参数,便于移动机器人本体实物设计与测试。硬件平台设计主要包括主控板、电机及驱动电路、激光雷达传感器等部分的选型和设计,并完成硬件平台的组装搭建。软件平台设计主要包括通信机制、TF变换,以完成SLAM与路径规划的任务。（4）系统性能测试与实验分析。本文分别在虚拟环境和真实环境下进行了测试与分析,利用GAZEBO平台创建三维空间场景,搭建虚拟模型进行改进RBPF-SLAM算法和ACO-DWA融合算法的三维仿真实验,并在真实环境下进一步对移动机器人的SLAM和路径规划功能进行验证。实验结果表明,改进RBPF-SLAM算法对位姿估计和轨迹估计更加准确,提高了SLAM性能;验证了ACO-DWA融合算法在复杂环境下在避障性能、收敛速度和路径规划方面的有效性。