移动机器人是一种具有高度自规划、自组织、自适应能力，适合在复杂的非结构环境中工作的机器人。自主移动机器人的设计目标是在没有人干预且无需对环境作任何规定和改变的条件下，有目的地移动和完成相应的任务。在自主移动机器人相关技术中，移动机器人导航是机器人实现智能化及完全自主的关键之一。　　 移动机器人导航包括机器人的定位、地图构建、避障跟踪、路径规划。机器人如何准确地建立环境地图，并且利用地图实现准确地自主定位成为自主探索领域的核心问题，即同时定位与地图构建(Simultaneous Localization andMapping，SLAM)。为了实现真正意义上的导航，必须把定位与地图构建合成为一个研究问题。除此之外，路径规划也是移动机器人在行走过程中必须解决的问题，所以本文将移动机器人SLAM和移动机器人路径规划作为研究重点。　　 本文在国家863项目“家用保安机器人共性单元部件及技术的研发”的支持下，对移动机器人SLAM问题进行了研究。针对现有解决SLAM问题方法的不足，提出了基于SUKF的SLAM方法和基于SUPF算法的SLAM方法，以提高移动机器人自主探测未知环境的能力。同时也提出了一种基于改进蚁群算法的移动机器人路径规划方法，以提高移动机器人在路径规划方面的能力。具体内容包括以下几个方面：　　 1．在分析移动机器人坐标系统模型、传感器模型、里程计和控制命令模型、机器人位姿和运动模型、环境地图与路标模型基础之后，对传感器噪声和系统噪声传播的规律进行了深入的研究，并对移动机器人在噪声影响下的运动情况进行了仿真。　　 2．针对EKF-SLAM方法误差较大、容易发散等缺陷，本文提出用变尺度卡尔曼滤波(SUKF)代替扩展卡尔曼滤波(EKF)解决移动机器人的SLAM问题，仿真实验结果证明该方法的高精度和有效性。　　 3．虽然FastSLAM作为解决SLAM问题的有效手段，但是该方法最大的缺点是需要用大量的样本数量才能很好地近似系统的后验概率密度。机器人面临的环境越复杂，描述后验概率分布所需要的样本数量就越多，算法的复杂度就越高。为了克服FastSLAM方法的这一缺陷，本文利用SUKF算法对非线性问题较强的处理能力，提出将PF与SUKF算法融合形成新的方法--U粒子滤波算法(SUPF)，来解决移动机器人SLAM问题。仿真实验和真实实验结果表明该方法能进一步提高移动机器人定位与地图构建的精度。　　 4．本文在分析蚁群算法的优势与不足的基础之上，利用在移动机器人路径规划研究领域中已经应用的遗传算法对蚁群算法做出两点改进：改进信息素更新策略，信息素全局更新和局部更新相结合，加强迭代最优蚂蚁的信息素强度；融入遗传算法的交叉、变异操作，加快算法的收敛速度和所得解的质量。　　 本文的最后一章对全文进行了总结，并对移动机器人导航领域的未来研究方向进行展望。