导航是移动机器人所需要的最基本的功能之一，允许它们从一个源穿越到一个目的地。传统的办法严重依赖于预先确定的地图的存在，这种地图的取得时间和劳力都很昂贵。另外，地图在获取时是准确的，而且由于环境的变化会随着时间的推移而退化。我们认为，获取高质量地图的严格要求从根本上限制了机器人系统在动态世界中的可实现性。本论文以无地图导航的范例为动力，以深度强化学习(DRL)的最新发展为灵感，探讨如何开发实用的机器人导航。

针对移动机器人在未知环境下的无图导航问题，本文提出了一种基于深度强化学习的端到端的控制方法。机器人需要在没有地图的情况下，仅仅依靠视觉传感器的RGB图像以及与目标之间的相对位置作为输入，来完成导航任务并避开沿途的障碍物。在任意构建的仿真环境中，基于学习策略的机器人可以快速适应陌生场景最终到达目标位置，并且不需要任何人为标记。实验表明，这种端到端的控制策略可以实现仿真环境中的导航任务，且与普通离散控制的深度强化学习的方法相比，机器人学习导航策略的平均收敛时间降低了75%。