AGV路線優化和實時調度是當前AGV領域的一個研究熱點。實用中，人們采用的方法主要有：
1． 數學規劃方法
為AGV選擇最佳的任務及最佳路徑，可以歸納為一個任務調度問題。數學規劃方法是求解調度問題最優解的傳統方法，該方法的求解過程實際上是一個資源限制下的尋優過程。實用中的方法主要有整數規劃、動態規劃、petri方法等。在小規模調度情況下，這類方法可以得到較好的結果，但是隨著調度規模的增加，求解問題耗費的時間呈指數增長，限制了該方法在負責、大規模實時路線優化和調度中應用。
2． 仿真方法
仿真方法通過對實際的調度環境建模，從而對AGV的一種調度方案的實施進行計算機的模擬仿真。用戶和研究人員可以使用仿真手段對某些調度方案進行測試、比較、監控，從而改變和挑選調度策略。實用中采用的方法有離散事件仿真方法、面向對象的仿真方法和3維仿真技術，有許多軟件可以用于AGV的調度仿真，其中，Lanner集團的Witness軟件可以快速建立仿真模型，實現仿真過程三維演示和結果的分析處理。
3． 人工智能方法
人工智能方法把AGV的調度過程描述成一個在滿足約束的解集搜索最優解的過程。它利用知識表示技術將人的知識包括進去，同時使用各種搜索技術力求給出一個令人滿意的解。具體的方法有專家系統方法、遺傳算法、啟發式算法、神經網絡算法。其中，專家系統方法在實用中較多采用，它將調度專家的經驗抽象成系統可以理解和執行的調度規則，并且采用沖突消解技術來解決大規模AGV調度中的規則膨脹和沖突問題。
由于神經網絡具有并行運算、知識分布存儲、自適應性強等優點，因此，它成為求解大規模AGV調度問題是一個很有希望的方法。目前，用神經網絡方法成功的求解了TSP-NP問題，求解中，神經網絡能把組合優化問題的解轉換成一種離散動力學系統的能量函數，通過使能量函數達到最小而求得優化問題的解。
遺傳算法是模擬自然界生物進化過程中的遺傳和變異而形成的一種優化求解方法。遺傳算法在求解AGV的優化調度問題時，首先通過編碼將一定數量的可能調度方案表示成適當的染色體，并計算每個染色體的適應度（如運行路徑最短），通過重復進行復制、交叉、變異尋找適應度大的染色體，即AGV調度問題的最優解。
單獨用一種方法來求解調度問題，往往存在一定的缺陷。目前，將多種方法進行融合來求解AGV的調度問題是一個研究熱點。如，將專家系統和遺傳算法融合，把專家的知識融入到初始染色體群的形成中，以加快求解速度和質量。