近十年来,动态环境下的移动机器人路径规划一直是机器人领域的研究热点。基于随机采样的运动规划方法能够较好地解决动态环境下的高维状态空间运动规划问题。然而,在复杂的动态人机共融环境中,如迷宫、S型弯道、狭窄的走廊等,由于可行区域在整个地图中所占的比例大幅降低,使得随机采样到可行区域的概率减少,局部规划算法容易陷入陷阱空间,导致路径的规划时间变长甚至规划失败。虽然机器人偶尔会在陷阱空间成功规划到终点,但是机器人无法记忆这些知识,在遇到相似的陷阱空间场景时,机器人无法汲取之前的成功经验,仍然需要重新规划并且很容易再次陷入同样的陷阱中。因此,高效、快速地找到可行区域的候选节点,解决陷阱空间问题,是提高移动机器人智能程度的关键。此外,在人流量大、人群稠密等动态人机共融环境中,机器人容易被拥挤的人群堵塞无法规划路径,传统的基于随机采样的路径规划算法仅仅把起点到终点的累积路径长度作为成本函数,忽视环境结构以及人群密度对路径规划的影响,导致机器人会规划一条长度最短但道路狭窄或行人稠密的路径。因此,针对高度动态的人机共融场景的导航问题,本文提出让机器人能主动避开拥挤的人群进行运动规划的导航方法,具体研究内容如下:（1）基于在线特征学习的运动规划方法。首先,通过双通道尺度滤波器和二次距离融合策略在线实时提取机器人运动过程中的特征节点,当特征节点可以表征环境地图中任意无障碍的栅格点,在线学习的过程完成;其次,利用特征节点构造拓扑特征树,将特征树生成的启发式路径上的节点逐个取出,作为RRTs运动规划的子目标,引导机器人到达终点。对于一张地图,一旦特征树的构建完成,它可以作为先验知识在后续的启发式运动规划过程中反复利用,提高搜索可行路径的效率。（2）基于高斯混合模型的启发式路径改进。首先,使用高斯混合模型训练给定地图无障碍区域的环境结构特征节点,这些特征节点包含环境结构和行人密度等信息。然后,继续使用角速度通道和距离融合策略从机器人实时位姿中提取额外的特征节点,获得最终特征点集。使用欧式距离对环境地图更新,得到特征地图、特征矩阵和行人矩阵。当给定机器人的起点和终点时,可以迅速生成一条启发式路径,该启发式路径综合考虑了路径累积长度、环境结构以及行人密度等信息,从而使机器人能够避开密集拥挤的人群,提高在被困和狭窄环境中导航的成功率。（3）基于ROS平台的机器人陷阱空间导航实验。基于Ubuntu 16.04的机器人操作系统（ROS）仿真平台,结合配备Sick激光雷达的Turtlebot2机器人,开展移动机器人在线特征学习的实验分析。在仿真环境中,通过记录导航时间、路径长度、导航成功率等参数来测试算法在不同人流密度、环境复杂度的场景下的表现,对机器人在陷阱空间的性能进行评估及优化。在实际实验中,搭建高度动态的人机共融陷阱空间环境,进行机器人自主导航实验验证。仿真和真实实验结果均证明本文提出的方法可以有效解决陷阱空间问题,提高导航成功率。