近年來，移動機器人的研究受到了人們的高度重視，人們對於機器人的要求不再侷限於簡單的移動，而是希望機器人能夠根據周圍環境變化採取對應措施，做到自主移動的能力。因此，路徑規劃作爲移動機器人的一個重要因素就顯得尤爲重要。
路徑規劃是指移動機器人能夠規劃出一條從起始狀態到目標狀態的最優或近似最優的路徑。大致包括信息獲取-感知-通信-決策-控制-執行這幾點。
移動機器人路徑規劃的實現又可分爲全局路徑規劃和局部路徑規劃：
全局路徑規劃是指在已知環境中爲機器人規劃一條路線，路徑規劃的精度取決於環境獲取的準確度，全局路徑規劃可以找到最優解，但是需要預先知道環境的準確信息，當環境發生變化，如出現未知障礙物時，該方法就無能爲力了。它是一種事前規劃，因此對機器人系統的實時計算能力要求不高，雖然規劃結果是全局的、較優的，但是對環境模型的錯誤及噪聲魯棒性差。
而局部路徑規劃則環境信息完全未知或有部分可知，側重於考慮機器人當前的局部環境信息，讓機器人具有良好的避障能力，通過傳感器對機器人的工作環境進行探測，以獲取障礙物的位置和幾何性質等信息，這種規劃需要蒐集環境數據，並且對該環境模型的動態更新能夠隨時進行校正，局部規劃方法將對環境的建模與搜索融爲一體，要求機器人系統具有高速的信息處理能力和計算能力，對環境誤差和噪聲有較高的魯棒性，能對規劃結果進行實時反饋和校正，但是由於缺乏全局環境信息，所以規劃結果有可能不是最優的，甚至可能找不到正確路徑或完整路徑。
全局路徑規劃和局部路徑規劃並沒有本質上的區別，很多適用於全局路徑規劃的方法經過改進也可以用於局部路徑規劃，而適用於局部路徑規劃的方法同樣經過改進後也可適用於全局路徑規劃。兩者協同工作，機器人可更好的規劃從起始點到終點的行走路徑。
在實際情況中，機器人路徑規劃除了考慮已知環境和未知環境地圖，還要考慮到動態和靜態環境下的路徑規劃。
A*（A-Star)算法是一種靜態路網中求解最短路徑最有效的直接搜索方法，也是解決許多搜索問題的有效算法。算法中的距離估算值與實際值越接近，最終搜索速度越快。但是，A*算法同樣也可用於動態路徑規劃當中，只是當環境發生變化時，需要重新規劃路線。
而D*算法則是一種動態啓發式路徑搜索算法，它事先對環境位置，讓機器人在陌生環境中行動自如，在瞬息萬變的環境中遊刃有餘。D*算法的最大優點是不需要預先探明地圖，機器人可以和人一樣，即使在未知環境中，也可以展開行動，隨着機器人不斷探索，路徑也會時刻調整。
從目前的研究成果來看，移動機器人路徑規劃已取得了豐碩的成果，但在全局與局部路徑規劃方法中仍有諸多不足之處，爲此，國內已有針對這類算法的改進，例如思嵐科技的SLAMWARE模塊化自主定位導航，SLAMWARE內採用改良的D*算法進行路徑規劃，這也是美國火星探測器採用的核心尋路算法。是一種動態啓發式路徑搜索算法。該算法的最大優點在於不需要預先探明地圖，機器人可以和人一樣，即使在未知環境中，也可以展開行動，隨着機器人不斷探索，路徑也會時刻調整。