摘要:为提升物流机器人(Autonomous Mobile Robot,AMR)在复杂环境中的自主导航与避障能力,改善传统Q-Learning算法在动态环境中的收敛速度慢、路径规划不够优化等问题,对面向AMR的Q-Learning算法进行搜索方向和路径节点改进,并引入动态窗口法(Dynamic Window Approach,DWA)算法对进行路径节点和平滑加速改进,实现局部路径规划,以提高改进Q-Learning算法在AMR动态避障中的搜索性能和效率。结果表明,改进Q-learning算法能有效优化搜索路径,能较好避开动态障碍物和静态障碍物,与其他算法的距离差幅至少大于1m;改进算法在局部路径中的避障轨迹更趋近于期望值,最大搜索时间不超过3s,优于其他算法,且其在不同场景下的避障路径长度和运动时间减少幅度均超过10%,避障成功率超过90%。研究方法能满足智慧仓储、智能制造等工程领域对物流机器人高效、安全作业的需求。