基于高性能柔性材料为主要驱动结构的机器人具有高水平的灵活性和运动能力,能够在不可观测、非全观测或非结构化的复杂环境中拥有比传统刚体机器人更出色的表现,因此当前学界对柔性机器人的应用进行了广泛的研究。由于柔性材料具有非常复杂的非线性特性,因此在柔性机器人规划和控制方面存在较多的挑战。为了使柔性机器人能够自主智能地完成目标任务,首先,在本课题研究中结合仿生学思想构建了一款构型独特并且结构灵活的柔性机器人G-Bot。其次,为了达到机器人智能规划和操控的目的,本课题研究首次提出了一种针对于柔性机器人规划控制的端到端模型方法。该方法基于大量传感器数据（如视觉信息）同时利用深度强化学习利用历史数据规划柔性机器人的最佳运动轨迹,最终将路径消息传递到真实柔性机器人中进行验证性操作。最后,本课题研究的仿真和物理实验证明了G-Bot柔性机器人具有一定的可操纵性和自主运动灵活性。同时基于RGB图像的端到端强化学习模型进行最优路径规划方法,取得了仿真实验和实际验证的成功。本课题研究中使用的深度神经网络模型利用大量历史数据,在仿真环境中成功探索出最佳运动路径并完成预置的目标任务。另外本课题提出的端到端规划方法充分利用了机器人的历史经验数据,从而避免了对高维且复杂的机器人系统进行运动学分析。实验结果表明,该端到端模型能够在特定任务中有出色的性能,同时结果还证明深度强化学习在解决非线性柔性机器人的规划和控制问题方面具有巨大的应用潜力。