摘要:随着移动机器人在生产生活中的深入应用，其路径规划能力也需要向快速性和环境适应性兼备发展。为解决现有移动机器人使用强化学习方法进行路径规划时存在的探索前期容易陷入局部最优、反复搜索同一区域，探索后期收敛率低、收敛速度慢的问题，本研究提出一种改进的Q-Learning算法。该算法改进Q矩阵赋值方法，使迭代前期探索过程具有指向性，并降低碰撞的情况；改进Q矩阵迭代方法，使Q矩阵更新具有前瞻性，避免在一个小区域中反复探索；改进随机探索策略，在迭代前期全面利用环境信息，后期向目标点靠近。在不同栅格地图仿真验证结果表明，本文算法在Q-Learning算法的基础上，通过上述改进降低探索过程中的路径长度、减少抖动并提高收敛的速度，具有更高的计算效率。