过去几十年来，运动规划技术获得了长足的进步。在技术方面，由最初的几何方法发展到概率采样方法又发展到当前流行的随时规划方法。在应用方面，从机器人学领域拓展到了数字人物、虚拟现实、分子生物医学等领域。运动规划技术已经成为当前计算机应用的一个重要研究方向，许多学者都对高维位姿空间，困难区域和可变环境等相关问题进行了深入系统的研究，并在一定程度上提出了相应的解决方案。　　 本文主要针对未知环境下多自由度移动机器人的运动规划问题，讨论在未知环境中如何高效安全地进行实时运动规划。与传统的可变环境不同，未知环境无法获得全局环境信息，从而带来许多新的挑战，如动态出现的困难区域，未知的障碍物移动变化以及尺度不确定的场景规模等。未知环境的这些特点使得传统的通过概率采样并建立路径地图的方法难以奏效。针对这种情况,本文提出了一种汲取单规划技术和多规划技术优势的动态子目标技术，它借鉴单规划技术高效的在线概率采样策略，使用一种退化的单规划技术作为高层引导，而利用多规划技术存储物理空间信息、学习物理环境的方式进行局部的具体规划。这种技术借鉴了现有技术的优势而弥补了它们的不足，大大提高算法效率，从而达到随时规划的要求。此外，在结合过程中，为了更好地处理重规划时刻的选取问题，本文提出了使用局部化的物理工作空间作为预处理区域以感知环境信息并进行自适应调整的方法，进一步完善了所提出的动态子目标算法。　　 本文在动态子目标算法的基础上，实现了RRT-DRM和DRM-RRT两种结构，并设计了一系列不同的场景来验证算法的有效性。大量的仿真实验结果表明，本文所提出的方法对未知环境有很好的适应性，能够达到实时运动规划的预期效果。