为解决SAC算法在移动机器人局部路径规划中训练时间长、收敛速度慢等问题，通过引入优先级经验回放（PER）技术，提出了PER-SAC算法。首先从等概率从经验池中随机抽取样本变为按优先级抽取，使网络优先训练误差较大的样本，从而提高了机器人训练过程的收敛速度和稳定性；其次优化时序差分（TD）误差的计算，以降低训练偏差；然后利用迁移学习，使机器人从简单环境到复杂环境逐步训练，从而提高训练速度；另外，设计了改进的奖励函数，增加机器人的内在奖励，从而解决了环境奖励稀疏的问题；最后在ROS平台上进行仿真测试。仿真结果表明，在不同的障碍物环境中，PER-SAC算法均比原始算法收敛速度更快、规划的路径长度更短，并且PER-SAC算法能够减少训练时间，在路径规划性能上明显优于原始算法。
