自主移动机器人已广泛应用在多个生产生活领域,并在其中发挥着愈加重要的作用。路径规划是移动机器人实现导航的关键和核心,研究路径规划方法对于保障移动机器人的自主化和智能化水平等具有重要的意义。近年来,基于光学成像的传感器技术（即相机）凭借采集环境信息丰富、性价比高等优势,已广泛应用在机器人领域。当前,传统的路径规划方法通常需要事先构建精确的环境地图,这种方法在面对未知环境时无法有效地实现路径规划,并且存在过程繁琐、效率低、鲁棒性差等缺陷。针对传统路径规划方法存在的问题,本文基于深度强化学习技术,研究了一种基于光学成像的自主移动机器人端到端路径规划方法,采用学习的方式,通过让机器人不断的“试错”,学习到一种最优的移动路径。通过构建基于位姿信息的导航数据集、研究基于位姿引导的端到端路径规划模型构建等方法,实现了一种通过感知到的图像直接学习得到导航路径的端到端路径规划。论文具体的研究内容包括以下几个部分:首先,为了给端到端路径规划方法的研究提供基础的交互环境,构建了一种基于位姿信息的导航数据集。通过采用光学成像传感器采集RGB图像和深度图像,并根据这些图像获取引导机器人与环境交互、实现路径规划的必要信息:首先,利用3D目标检测方法直接获取路标间的位姿信息,实现路标间的关联;然后,通过弗洛伊德算法（Floyd-Warshall）获取任意两个路标间的最短距离,为后续路径规划模型的训练提供真值参考信息;最后,采用HDF5工具标注角度等信息,用于引导移动机器人的移动交互。通过以上方法,为基于深度强化学习的端到端路径规划方法研究提供了一种灵活的交互环境。其次,为有效提高移动机器人路径规划的效率及灵活性,采用深度强化学习手段,设计了一种基于位姿引导的端到端路径规划模型。首先,通过将位姿信息直接转换成机器人的移动动作,并设计动态的动作选择机制,实现动态的动作空间设计。接着,利用移动距离、旋转次数等导航成本,改进传统的基于移动步数的奖励函数,实现一种基于导航成本的奖励机制;最后,利用研究的动态动作空间、基于导航成本导向的奖励机制等,改进深度孪生演员-评论家（Deep Siamese Actor-Critic）网络,实现了一种基于位姿引导的端到端路径规划模型。通过使用提出的网络模型,在研究的数据集中训练机器人与环境交互,最终生成最优的移动机器人运动决策策略,指导移动机器人选择移动方向。通过以上的研究,实现了移动机器人高效、灵活的端到端路径规划。最后,为了验证本文提出的基于光学成像的的端到端路径规划方法的性能,开展了一系列的对比实验。首先,利用本文提出的基于位姿引导的数据集构建方法,选择实验室、客厅、公寓等多个常见场景,构建了移动机器人导航交互环境,为开展实验提供测试环境。然后,从导航效率、导航灵活性和端到端路径规划方法的综合性能等方面开展测试验证。实验结果表明,本文所提出的端到端路径规划方法具有良好性能。