在复杂环境下,自主机器人的导航越来越受到人们的青睐。在本论文里,把机器人的导航和其所处的环境考虑为统一的系统,也即,机器人-环境性的机器人系统。这样的系统通常需要考虑设计者的经验和设备的运行性能。在这里从机器人的角度出发,设计了一个复杂的系统,主要目的是用来估计环境的复杂性,再利用相关信息去设计机器人的控制器,辅助机器人导航。在本篇论文里,考虑到有噪声的环境下,测量的数据可能是不准确的。因此用各种算法演算得出的机器人位置,也是有误差的。为了纠正在定位上出现类似的问题,这里用到了扩展卡尔曼滤波去估计机器人的位置。卡尔曼滤波通常使用在非线性系统下,是一种递归滤波,只需用先前状态就可估计出下一个状态。这里就用扩展卡尔曼定位算法来解决定位问题。接着融合了模糊逻辑控制和基于行为优先级的控制,用模糊算法来解决路径问题。提出了四种基本行为：目标寻找、避障、跟踪和解锁；并用模糊控制器来实现。针对’U’型和’V’型障碍物,提出了路径记忆行为,并通过构建虚拟墙来避免机器人再次走入此类区域。Matlab仿真结果表明,所提出的算法可有效地解决复杂和未知环境下自主移动机器人的导航,且具有很好的鲁棒性和对传感器不确定性的适应能力。考虑到已经有很多方法改进了自主机器人的模糊控制器,然而,仍需大量的工作进行遗传算法改进模糊控制分层的研究。在文章中,提出了用遗传算法实现模糊控制器参数的优化问题。在模拟环境下用遗传算法去改进逻辑控制器,用模糊控制器去设计导航策略。实验的结果展示了,用遗传算法改进模糊控制器的可行性,更好的导航机器人在不同的环境下,平滑地移动。