近些年来,随着无人智能装备技术的发展,在生活中出现了不同类型的机器人,它们的功能和形态都有所不同,如在危险环境的搜索机器人,在流水线作业的工业机器人等。在发生特殊灾难的情况下,救援环境总是十分恶劣,并不适合救援人员进行作业,就会耽误宝贵的救援时间;但是四足机器人可以凭借着其良好的仿生学性能接替救援人员展开救援任务,可以减少人员的损伤和提高搜救效率。在这种应用背景下,四足机器人得到了大量的关注,对自主导航功能的研究逐渐深入,主要分为两个模块:自主定位与建模（Simultaneous Localization and Mapping,SLAM）和路径规划（Path Planning）,这两个模块如何应用在四足机器人上是本文的研究重点。本文使用激光雷达作为四足机器人的环境感知传感器,对SLAM技术和路径规划技术分别进行了理论研究和仿真实验,最后在机器人操作系统（Robot Operation System,ROS）上实现SLAM建模和路径规划算法规划。本文主要的工作和结果如下:（1）首先使用SLAM技术对外界环境进行重现,四足机器人的定位基于粒子滤波算法,接着对基于扩展卡尔曼滤波的建图算法进行原理和实验分析。由上述研究引出基于PF-EKF的Fast-SLAM算法,对Fast-SLAM和EKF-SLAM进行粒子退化实验分析,结果表明Fast-SLAM解决了粒子退化现象,使得机器人定位精度更高,误差更小,可以适用于复杂环境下的四足机器人建模。（2）其次在路径全局规划算法模块开展研究。全局规划算法研究对象为粒子群和Q-Learning算法,传统Q-Learning算法本身拥有学习的能力,但在学习初期存在一定的盲目性,需要足够的学习经验;粒子群算法运行时会随机分布粒子,将得到的个体极值和群体极值作为经验“送给”Q-Learning算法进行学习,基于以上两种算法提出全新的全局规划算法—PSO-QL,在MATLAB中对粒子群算法、Q-Learning算法、PSO-QL算法做对比实验分析,通过仿真实验分析出PSO-QL算法相比于其他两种算法在路径规划时间和路径长度上都有所降低,最后设置不同的折扣因子γ和学习速率α进行仿真实验,来验证PSO-QL算法的适应性。（3）随后在局部路径规划模块,针对原始DWA算法运行效率低的问题,提出一种改进评价函数的DWA算法,对改进后的DWA算法与原DWA算法进行对比实验,实验结果表明改进后的DWA算法在路径规划的长度上降低了19%。针对L型障碍物的避障问题,在改进后的DWA算法的基础上融合了全局规划信息,实验结果说明改进后的DWA算法可以解决避障问题。（4）最后考虑到四足机器人在复杂环境下需要应对突发情况,提出一种混合算法,该算法耦合了PSO-QL算法和改进DWA算法,拥有全局规划和局部规划的能力。用PSO-QL算法进行全局规划,DWA算法在对其规划好的路径进行优化,仿真结果证明了混合算法良好的寻优和避障能力。分析了四足机器人的硬件和软件整体框架,以pupper四足机器人作为测试平台,对四足机器人的SLAM、路径规划功能进行实验。将本文使用的Fast-SLAM算法移植到四足机器人平台,对Gmapping算法进行实验,在四足机器人上应用混合算法,测试结果证明了算法的优越性。