移动机器人可以帮助人类完成各式各样的任务而无惧于环境的艰险,并且正在快速渗透进国计民生的各个领域。路径规划是移动机器人完成各项任务的基本需求,也是移动机器人领域的重要研究课题之一。在动态变化的环境中进行实时碰撞规避仍然是移动机器人路径规划中的一个巨大挑战。在复杂拥挤的环境中,传统的路径规划算法往往需要更高的计算成本,这就导致实时效率的降低,从而影响运动性能。为了提高计算效率,研究人员引入了深度强化学习,然而这些方法通常仅考虑具有固定障碍物数量的环境,而无法适用于可变障碍物数量的环境。针对可变障碍物数量的环境,本文提出了基于碰撞危急程度（Collision Criticality）和LSTM（Long Short Term Memory）的DRL（Deep Reinforcement Learning）路径规划算法Crit-LSTM-DRL。首先,根据机器人和障碍物的状态,预测碰撞可能出现的时间,计算各个障碍物相对于机器人的碰撞危急程度;其次,将障碍物根据碰撞危急程度由低到高排序,然后由LSTM模型提取固定维度的环境表征向量;最后,将机器人状态和该环境表征向量作为DRL的输入,计算对应状态的价值。在任何一个时刻,针对每一个动作,通过LSTM和DRL计算下一时刻对应的状态的价值,从而计算当前状态的最大价值以及对应的动作。为验证本文所提方法的有效性:（1）针对不同的环境,在5个障碍物、10个障碍物和可变障碍物数量[1-10]的环境里训练获得了三个模型,分析了它们在不同测试环境中的性能。实验结果表明:相比现有的DRL方法,本文的成功率分别提高了3.7%、19.9%和3.8%,碰撞率分别降低了35.5%、75%和66.7%。（2）为进一步分析障碍物和机器人之间的交互对碰撞规避的影响,将障碍物状态表示为障碍物和机器人的联合状态（Joint State）,分析了在上述训练环境下获得的模型的性能。实验结果表明:相比现有的DRL方法,本文的碰撞率分别降低了76.9%、81.8%和25%。本文的创新点如下:（1）基于障碍物和移动机器人的可能碰撞时间,提出了一种新的度量来更好地表示障碍物相对于移动机器人运动的危急程度;（2）提出了基于障碍物的碰撞危急程度的DRL路径规划算法;（3）通过大量和现有方法的对比实验,验证了所提方法的有效性。