随着人工智能、信息图像处理技术、计算机集成制造技术和传感器融合技术的快速发展,自动导引车(Automated Guided Vehicle,AGV)在柔性制造系统和智能仓储系统的应用范围逐渐扩大。自动导引车是轮式移动机器人的一种,它是一种具有高安全性和高灵活性的自动化智能搬运装备。本文通过总结分析国内外AGV及其路径规划研究现状,对AGV在三种不同工作空间环境下的路径规划算法进行了研究,具体的内容叙述如下。第一,在路径规划算法和环境建模方面,对路径规划的概念和分类方法进行了研究,阐述了几种常见环境建模方法和路径规划算法的工作原理,对比了其各自的优缺点。第二,在AGV全局路径规划方面,研究了一种基于动态参数调整的双向搜索A*算法。通过与经典A*算法的仿真实验对比,验证了基于动态参数调整的双向搜索A*算法的有效性与可行性。第三,在AGV局部路径规划方面,研究了一种基于势场引导的蚁群算法。将人工势场算法中虚拟势场的势场合力信息与蚁群算法的启发信息相融合,解决了蚁群算法在初始路径搜索过程中出现的早熟和收敛速度较慢的问题,并利用人工势场算法对行驶过程中遇到的突发障碍物进行动态避障。通过仿真实验对比,验证了基于势场引导的蚁群算法的有效性和可行性。最后,在工作空间中障碍物信息未知的AGV路径规划方面,研究了一种基于强化学习算法的路径搜索方法。通过将BP神经网络算法引入Q-learning算法,使AGV能够在没有先验知识的条件下,自行寻找出一条无碰撞的最优路径。通过仿真实验验证了基于BP神经网络的强化学习算法在AGV路径规划问题中的可行性与有效性。