避障算法可以分為基於地圖和反映式兩種。基於地圖的算法需要實時更新障礙物地圖，計算量較大，對動態障礙物的躲避效果相對較差。而反映式的算法直接從感測器獲得的信息分析計算最後的機器人控制量，計算量一般小於基於地圖的算法。
近年來，一些學者使用深度強化學習去解決一些具有馬爾可夫性的問題，避障領域也開始引入深度強化學習的方法去構建避障的模型。與傳統方法相比，強化學習的方法完全由模型自己學習避障的控制，如果在新場景下發生碰撞，可以利用碰撞的經驗進行學習，有一定的自我改進和環境適應能力。
在避障算法中，Bug算法是最簡單的機器人避障方法，其基本思想是讓機器人朝著目標前進，如果遇到障礙則先環繞障礙物移動，然後繞離它，繼續駛向目標。
此外，還有基於神經網路算法的機器人避障方法，神經網路可以根據機器人環境狀態的複雜程度自動地調整其結構，實時地實現機器人的狀態與其避障動作之間的映射關係。