随着科学技术的迅猛发展,拥有自动化优势,安全可靠且灵活的AGV(Automatic Guided Vehicle)在智能巡检、仓储物流等方面发挥的作用日益重要,而AGV系统应用中的关键问题便是路径规划与动态避障,因此研究路径规划与动态避障算法方面的技术有着极为重要的实际意义。本文对传统AGV的路径规划和自主避障传统算法进行深入研究,优化蚁群算法以及引入模糊神经网络改进动态窗口法,进而提高机器人的运行效率以及其可靠性,同时通过ROS系统操控机器人行走并自动避障实验,验证算法的实际效果。首先,对ROS(Robot Operating System)系统进行学习研究,该系统具有开源分布式操作系统的特点,能够解决开发机器人时代码重复化和兼容差的难题,便于后续的研究开发。因此,本论文选用ROS作为移动机器人的软件系统,操控移动机器人进行实验。其次,针对ACO(蚁群优化)算法存在收敛速度慢以及易陷入局部最优的问题,将改进的人工势场算法和蚁群算法相结合,减少了ACO算法初始规划的盲目性。利用A*算法的评估函数以及路径转折角度,引入启发信息递增函数,改进信息素更新机制和路径评价函数等措施来改进蚁群算法,搭建仿真环境进行实验。结果表明,改进提升了蚁群算法的收敛速度和最优解。然后,在对移动机器人自主避障算法研究的基础上,本文对传统的经典避障算法动态窗口法进行优化。改进动态窗口法轨迹评价函数,发挥全局路径规划出的路径的最优性,同时结合模糊神经网络,根据环境信息对动态窗口法的评价函数权重进行动态调整,改进动态窗口法的规划效率。最后进行仿真实验验证,结果证明改进的规划算法在移动机器人自主避障方面的有效性以及实时性。最后在搭建的室内实验环境中,随机设置障碍物位置,使用ROS系统导入改进算法运行Turtlebot3机器人,使其能够穿行并自主避障,以此测试本文算法的实际效果。实验数据表明在路径长度、路径平滑度与跟踪时间等性能上,本文改进的算法比起原算法都具有更好的性能和表现。该研究成果有效解决了机器人路径规划和自主避障的相关问题,有益于机器人自主导航领域的发展。