移动机器人路径规划多为先进行代价地图构建,然后在此基础上进行轨迹规划,使用Gmapping、Cartographer、Hector和Karto等不同建图算法在路径规划过程中会表现出不同的效果,其中Cartographer算法构建代价图路径规划能表现出更好的效果,但是起点到达终点规划的轨迹消耗时间较长;机器人使用激光雷达构图和避障过程中,会因为对单一传感器的过度依赖,造成较大的畸变误差,甚至导致失效现象;代价图中使用A*和改进人工势场法等单一算法进行路径规划时会出现机器人节点负载较大,导致假死和陷入局部极小值点等现象。针对上述的问题本文将具体执行:（1）针对不同算法构建代价图中路径规划轨迹不佳的问题,将使用机器人下位机车体两驱差速运动控制来解决即使用PID控制结合BP神经网络自适应调速来获取里程信息的控制方法,然后结合里程计线性拟合即把分布不规则路程信息拟合成直线,从而获取更精确的机器人局部坐标位置;在此基础上使用GPS传感器获取机器人在全局坐标系中的位置,从而可以准确获取机器人动态位姿信息,最后通过5m x 80m复杂区域场景进行实验,验证出最佳构建代价图算法。（2）针对激光雷达单一传感器在机器人路径规划构建代价图过程中存在较大误差的问题,将使用IMU、超声波、里程计和单目摄像头等多个传感器和激光雷达本身体感的位姿进行融合,融合过程遵循精度优先原则和不同环境中使用不同传感器融合占比原则,最后可以输出机器人最佳位姿信息,从而有效避免单个传感器检测精度不高造成路径规划轨迹的偏移误差问题。（3）针对在代价图中使用A*和改进人工势场法等单一算法进行路径规划时造成机器人失效的问题,将分别使用动态更新节点负载和引入虚拟目标点方法使机器人走出假死和局部极小值点,最后在此基础上提出基于多信息融合的增强下位机车体优先级控制算法结合上位机Dijk Stra算法进行路径规划,通过在弯曲、直角急转弯道路场景1、5m x 80m复杂区域场景2、含有长距离路径优选固定8m x120m区域遍历场景3和额外增加动态障碍物场景4进行实验验证,从起点到终点遍历过程中得出改进后算法在Kinect构建点云图结合Cartographer算法构建代价图的路径规划轨迹与Karto算法构建代价图进行路径规划的轨迹相比缩短了1.2%;与Cartographer算法构建代价图进行路径规划巡航消耗时间相比缩短了5.7%,满足在固定复杂区域场景中规划的路径最短平滑性的需求。