随着科技的进步和社会的发展,移动机器人作为提高人们生活质量的载体,在医疗、军事、物流、航天等行业的应用日益广泛。导航技术作为移动机器人的基础能力,有着巨大的发展前景。而基于无地图的导航方法,更是成为了当前的研究热点。针对传统DDPG算法难以使得移动机器人运动轨迹达到最优、适应能力差和学习训练效率低等问题,提出了基于传统DDPG算法,并结合运动学分析、信息熵理论和免疫优化的KAI-DDPG算法,以解决移动机器人在未知环境下的自主导航问题。首先,在完成移动机器人运动学建模分析的基础上,提出了KA-DDPG算法,该算法将移动机器人的相关运动参数引入到传统DDPG算法的奖赏函数设计中,并且进一步利用信息熵对奖赏函数中的影响系数进行调整,从而使得移动机器人能够获得最优运动轨迹,且能够适应不同的环境。然后,针对KA-DDPG算法学习训练效率低的问题,提出了KAI-DDPG算法,该算法对KA-DDPG算法经验缓存池中的经验样本进行免疫优化,以提高算法对优秀样本数据的利用效率,使得训练时间变短。最后,通过Gazebo仿真平台搭建了仿真实验环境,并在简单、动态和复杂这三种场景中分别对比A*算法、DWA算法、DQN算法、DDPG算法和KADDPG算法的导航轨迹,DDPG算法与KA-DDPG算法的导航成功率,证明KADDPG算法有着较强的导航性能;通过对比KA-DDPG算法和KAI-DDPG算法在训练过程中奖赏值的变化,证明KAI-DDPG算法的有效性。进而还将KAIDDPG算法应用于真实环境中,结果表明,本文所提算法具有一定的实际应用能力。