随着经济不断发展,人们对生产效率的要求越来越高。再加上2020年新冠肺炎COVID-19在全球范围产生了巨大影响,人们对生产过程自动化的意识和需求提升到了前所未有的高度。自动导引车（Automated Guided Vehicles,AGV）作为智能物流中被广泛应用的轮式工业用移动机器人,因其具有功能灵活、运行稳定、高度智能化等优点,拥有良好的应用和发展前景。本文针对企业内一些通道较窄,AGV可运动范围小的应用情况,选用工业差速裸车搭建了多传感器自主导航AGV平台。主要研究了多传感器融合技术在AGV领域的应用及AGV的路径优化技术。通过使用多传感器融合技术提高AGV的定位精度,并通过路径优化的方法提高路径的合理性以及AGV工作过程中的安全性。主要工作如下:通过分析各传感器原理确定了所用车载传感器类型;推导了差速底盘的运动学模型作为轮式里程计的计算依据;根据轮式里程计、激光雷达数据对小车定位可能产生误差的原因,给出了补偿校正方法;为AGV配置了机器人操作系统ROS（RobotOper-ating System）。采用激光SLAM算法GMapping SLAM,针对其对轮式里程计数据准确性的强依赖性,采用多传感器融合的方法来提高其定位精度。首先使用扩展卡尔曼滤波器（Extend Kalman Filter,EKF）融合轮式里程计与惯性测量单元（Inertial measurement unit,IMU）数据;并针对EKF融合方法需要预先确定噪声统计特性以及噪声统计特性易受外部环境影响的缺点,提出使用一维卷积神经网络（1D-CNN）的方法进行多传感器融合,给出了所搭建的1D-CNN网络模型并阐述了使用该模型融合轮式里程计与IMU数据的具体实现过程。根据常用的移动机器人路径规划算法A*算法,针对其所得路径易过于靠近障碍物的缺点,对路径进行了优化。引入凸走廊概念用于硬约束检验,提出一种安全A*算法,通过在传统A*算法的评价函数中添加一项距离代价,使所得路径与障碍物保持一定距离,提高小车沿路径运行的安全性。针对A*算法所得路径存在拐点多而不符合AGV动力学约束的缺点,采用B样条数学方法对规划路径目标函数施加约束,通过二次规划对路径进行优化。通过实验标定了实物小车轮式里程计与激光雷达,在实际场景中比较了 EKF方法和BP、LSTM以及1D-CNN神经网络方法对轮式里程计和IMU数据融合的效果,实验证明,虽然BP、LSTM、1D-CNN均能在一定程度上对AGV的旋转误差进行抑制,但总体来说1D-CNN的效果更优。通过Gazebo建立了仿真场景,比较了安全A*算法中距离代价项的不同权值对规划路径带来的影响,并在实际场景中取其最优,比较了 A*、安全A*算法所得以及B样条方法改进的路径。实验证明,安全A*算法在距离代价项权值取1时具有最优效果;B样条路径虽然更长,但路径拐点数减少,到障碍物的距离增大,AGV运行速度有所提升,花费时间有所缩短,因此更能提升AGV的工作效率与安全性。