AGV路线优化和实时调度是当前AGV领域的一个研究热点。实用中，人们采用的方法主要有：
1． 数学规划方法
  为AGV选择最佳的任务及最佳路径，可以归纳为一个任务调度问题。数学规划方法是求解调度问题最优解的传统方法，该方法的求解过程实际上是一个资源限制下的寻优过程。实用中的方法主要有整数规划、动态规划、petri方法等。在小规模调度情况下，这类方法可以得到较好的结果，但是随着调度规模的增加，求解问题耗费的时间呈指数增长，限制了该方法在负责、大规模实时路线优化和调度中应用。
2． 仿真方法
  仿真方法通过对实际的调度环境建模，从而对AGV的一种调度方案的实施进行计算机的模拟仿真。用户和研究人员可以使用仿真手段对某些调度方案进行测试、比较、监控，从而改变和挑选调度策略。实用中采用的方法有离散事件仿真方法、面向对象的仿真方法和3维仿真技术，有许多软件可以用于AGV的调度仿真，其中，Lanner集团的Witness软件可以快速建立仿真模型，实现仿真过程三维演示和结果的分析处理。
3． 人工智能方法
  人工智能方法把AGV的调度过程描述成一个在满足约束的解集搜索最优解的过程。它利用知识表示技术将人的知识包括进去，同时使用各种搜索技术力求给出一个令人满意的解。具体的方法有专家系统方法、遗传算法、启发式算法、神经网络算法。其中，专家系统方法在实用中较多采用，它将调度专家的经验抽象成系统可以理解和执行的调度规则，并且采用冲突消解技术来解决大规模AGV调度中的规则膨胀和冲突问题。
  由于神经网络具有并行运算、知识分布存储、自适应性强等优点，因此，它成为求解大规模AGV调度问题是一个很有希望的方法。目前，用神经网络方法成功的求解了TSP-NP问题，求解中，神经网络能把组合优化问题的解转换成一种离散动力学系统的能量函数，通过使能量函数达到最小而求得优化问题的解。
  遗传算法是模拟自然界生物进化过程中的遗传和变异而形成的一种优化求解方法。遗传算法在求解AGV的优化调度问题时，首先通过编码将一定数量的可能调度方案表示成适当的染色体，并计算每个染色体的适应度（如运行路径最短），通过重复进行复制、交叉、变异寻找适应度大的染色体，即AGV调度问题的最优解。
  单独用一种方法来求解调度问题，往往存在一定的缺陷。目前，将多种方法进行融合来求解AGV的调度问题是一个研究热点。如，将专家系统和遗传算法融合，把专家的知识融入到初始染色体群的形成中，以加快求解速度和质量。