路径规划是移动机器人领域的关键问题之一，主要涉及移动机器人在工作空间中，从当前位置运动到目标位置的可行路径搜索。路径规划问题针对的环境可以是静态的，也可以是动态的。当环境中存在动态障碍物时，路径规划算法不仅要找到最优路径，而且要保持对最优路径的跟踪，以足够高的频率实时更新其路径，以保持对周围事件的响应。本文通过对已有的D*lite规划方法的分析，对该方法中的一些不足提出了相应的改进和优化。具体包括：
　　1)对现有的规划方法进行了分析和比较。在工程中，有两种不同的解决问题的方法：数学方法或启发式方法。在数学方法中，它更关心的是解，而不是计算对算法是可行的。在启发式方法中，算法必须使用问题区域的特殊知识。启发式方法可以从开始到结束使用多种不同的方法来解决问题。当一个或多个障碍物相交时，计算过程将很复杂。研究人员一直在寻找不同的、更有效的方法来解决路径规划问题。许多方法和算法被应用于解决路径规划问题，如D*Lite算法、路线图(Voronoi图和可见性图)、A*算法、模糊逻辑、粒子群优化算法、PBIL算法、蚁群算法、模拟退火、势场等。在不同的环境下，每种方法都有其优缺点。
　　2)对D*Lite路径规划的分析与改进。D*Lite算法是Koenig的终身规划A*(LPA*)的一个改编，它是A*搜索(包括增量搜索)的派生。增量搜索方法重用先前搜索的信息，以更快地找到类似问题的解决方案，而不是从头开始解决每个搜索任务。从已有的研究和回顾来看，D*Lite算法的缺点是，以二进制最小堆为数据结构，基于Chebyshev距离的启发式函数问题和四维边缘代价结构，在删除特定项时具有O(Nx*Ny)的复杂度。通过对D*Lite算法的分析，我们提出了一些改进措施：(Ⅰ)降低优先级队列的复杂度；(Ⅱ)改进启发式函数；以及(Ⅲ)创建三维边缘代价结构。
　　3)从以下几个方面对改进的D*Lite算法的性能进行了仿真和评估：(Ⅰ)避障能力；(Ⅱ)寻找目标到环境中起始位置的最短路径；(Ⅲ)记住路径；(Ⅳ)当有新的障碍物阻挡时，重新规划到目标位置的能力路径。(Ⅴ)将不必要的路径移到最短路径。
　　实验结果表明，改进后的D*Lite是有效的。