移动机器人在社会各个领域具有广泛的应用前景，并得到了大量研究。机器人学是复杂的，多学科交叉领域。移动机器人自主运动系统是由多个功能模块组成，每个功能模块相互独立，又相互联系，构成一个整体。所以，移动机器人系统是一个复杂的大系统。构造一个完整的，功能完善的自主导航系统，需要针对每一功能模块设计相应的算法，并且建立各模块之间的联系，形成一个统一的整体。其中，路径规划和运动控制模块是自主导航的重要组成部分，是决定导航效果的关键。路径规划和运动控制既能体现以人工智能为代表的计算机科学研究热点，又能反应实际工程应用中所面临的技术难题。本文针对这两部分问题进行研究，具体内容可以描述如下：
　　论文首先设计了移动机器人基于A*和回旋曲线的路径规划方法。移动机器人在已知静态地图，并且已知起始点和目标位置点以后，需要针对当前环境设计最优路径，才能保证移动机器人导航的有效性。A*路径搜索方法是一种启发式方法，能有效的得到全局最优路径。但是，所得结果不适合移动机器人进行跟踪。基于回旋曲线的路径，曲率是连续线性变化的，更适合于移动机器人进行跟踪。所以，本文采用A*和回旋曲线相结合的方法，规划移动机器人静态环境下的最优路径。考虑路径节点间的航向角变化大小，这里设定阈值。当航向角变化小于等于阈值时，使用最优算法，通过优化路径节点，进行路径分割，拟合回旋曲线路径。当航向角变化大于阈值时，为了保证计算效率，使用直线段、圆周曲线和对称式回旋曲线设计路径。这样，通过A*最优路径搜索和回旋曲线平滑方法相结合，可以实现大部分情况下静态路径规划。
　　移动机器人导航环境不是一成不变的，为了实现动态环境下有效的规划，本文设计了基于模糊神经网络的轨迹规划。相比较于路径规划，轨迹规划考虑了时间因素，不仅规划了几何路径，还规划了机器人每一时刻的姿态和运动状态。模糊逻辑和神经网络是被广泛研究的启发式规划方法。模糊神经网络既具有模糊逻辑的推理能力，还具有神经网络的学习能力。本文构造了基于模糊神经网络的轨迹规划方法，使用扩展卡尔曼滤波算法在线训练模糊神经网络权重，设计了最优策略进行权重初始化，并设计了预测轨迹的更新策略，保证了实时最优性。
　　然后，根据静态环境下规划的路径，设计了基于模型预测控制方法的路径跟踪方法。当环境是动态时，需要设计更为有效的控制方法。考虑移动机器人所处动态环境，分析了实际运动过程中存在的不确定性因素，主要来源可以概括为感知系统的测量误差，定位系统的定位误差，以及动态变化环境带来的不确定性。经过分析，将这些不确定性分为有界限部分和无界限部分。针对这些不确定性，设计了动态环境下鲁棒最优控制方法，提高系统的鲁棒性，保证移动机器人在不确定因素下的最优控制。基于模糊神经网络，设计了两层结构的鲁棒模型预测控制方法，提高了控制效果。通过将PID与模糊神经网络相结合，设计了基于在线数据的控制器。并采用最优算法在线调节PID参数，保证了控制的鲁棒性。
　　最后，研究了基于全景视觉的移动机器人路径规划和跟踪技术。折反射全景视觉具有较广的视场，并且能够一次性实现周围环境成像。所以，本文使用全景视觉系统和履带式移动机器人搭建了自主导航系统。通过改进核相关滤波算法目标跟踪法，增加自适应项，引入旋转不变HOG特征，设计基于折反射全景的目标搜索机制，提高了全景视觉目标跟踪精度。在此基础上，采用全景视觉系统实时跟踪人工路标的方法，利用三角定位技术实现了移动机器人基于全景视觉的定位。以该移动机器人自主导航系统，使用本文设计的方法，实现了路径规划和跟踪控制。