在全局已知环境下,用传统蚁群算法进行机器人路径规划具有收敛速度慢,容易陷入局部最优等缺点。为此,本文首先根据对真实蚂蚁的研究成果,提出了一个基于具有感觉适应功能蚁群算法(SAACO)的路径规划方法。SAACO算法通过模拟蚂蚁的感觉特征,设置蚂蚁的感觉能力随着在高强度信息素节点上的行走而降低,在快速收敛的同时保证搜索多样性。大量仿真实验表明,该算法有较强的搜索能力,不易陷入局部最优,适用于复杂环境下的路径规划。　　 随后,在未知环境下,提出了一种全新的基于滚动窗口的快速搜索随机树算法。该算法以机器人所在位置为根节点,以局部映射子目标点为目标节点,充分利用机器人实时测得的局部环境信息,用随机树扩展进行局部路径规划。机器人根据局部路径每前进一步就重复以上过程,直至到达终点。仿真实验表明该算法适应能力强,即使在障碍物非常复杂的未知地理环境下,也能快速规划出一条全局优化路径。　　 最后,提出了一种动态环境下基于两阶段蚁群算法(BACO)和模糊控制的路径规划方法。首先用BACO在不考虑动态障碍情况下进行全局路径规划,BACO将全局蚂蚁搜索与局部蚂蚁搜索相结合以避免传统蚁群算法易陷入局部最优的缺点,从而找出一条静态环境下的全局最优路径。在此基础上,结合人类经验和模糊控制理论,进行动态障碍避碰,仿真实验证明了算法的有效性和可行性。