对于机器人控制系统来说，核心问题可以抽象为函数的逼近。对这个问题通常有两条途径，一是尽可能建立与被控对象比较接近的数学模型，然后求出数学模型的系数；二是模拟智慧生物对自然界的反应方式，这种方式并不建立精确的数学模型，而是对被控对象寻找另外的描述方式，如人工神经网络，模糊逻辑或云模型等方法。LWR即局部加权回归算法是一种利用简单的数学模型拟合复杂函数的方法。一般的回归算法对于越复杂的问题就要建立越复杂的数学模型，要建立一个合适的模型有时候需要设计者经验，即便如此这种凑数学模型的方法也需要碰运气。LWR算法对被控对象进行局部化逼近，通过使用每个预测点的相似点生成该预测点的预测模型的方式，解决了拼凑复杂数学模型的问题，同时具有了逼近非线性函数的能力。LWR算法可以称为惰性算法，因为这种算法要在需要预测的时候才产生预测模型，而不是像其他一些方法那样先通过训练得出模型；也可以称为基于样本点存储的算法，因为LWR算法每次预测都需要用到所有的样本点，而不是像神经网络那样训练得出模型之后就不再需要样本点了。正是由于LWR算法的这些特点，使得该算法具有了一些显著的优点，比如模型简单，对新增样本点产生新模型只需要增加极少的计算量，以及对样本点没有覆盖的区域也有一定的预测能力。本文设计了基于LWR算法的移动机器人漫游避障控制器和跟墙控制器，并通过实验验证验证了算法的可行性。本文说完成的主要工作包括：首先，在介绍了课题的研究背景意义和LWR算法的基础上，设计了四个控制器，即基于人工势场法的漫游内生控制器和基于模糊逻辑的跟墙内生控制器，基于LWR算法的避障控制器和跟墙控制器。两个内生控制器供采集训练LWR算法控制器所需的样本点之用。在我们已知的文献来看，这是第一次将LWR算法引入移动机器人控制领域。其次，本文还提出了一种新的调整LWR算法中接受域半径的方法，即通过样本点预测的残差来调整LWR模型的非线性程度。最后设计搭建了Khepera-II移动机器人的实验环境，并在该机器人平台上运行了局部接受域半径的LWR算法控制器，实现了预期的避障及跟墙行为，并且效果好于LSM和内生控制器以及基于全局接受域半径的LWR算法，说明了局部接受域半径的LWR算法对非线性函数的逼近能力，验证了其在移动机器人上应用的可行性。