移动机器人在开放环境中执行复杂任务时,通过基于对环境变化的规约来构建控制模型以驱动机器人运行。这为移动机器人这一软硬件协同工作的平台带来以下挑战:（1）开放环境的不确定性使得模型设计的先验知识缺失,从而导致机器人行为决策存在未知风险;（2）受限于物理环境与物理行为,移动机器人行为决策的执行效果与预期不完全匹配;（3）感知信息的滞后性的存在要求移动机器人在短时间内生成行为决策以避免感知信息失效。针对上述挑战,论文提出了基于经验数据学习的机器人控制模型自调整方法。首先,为了应对环境的开放性,论文利用线性回归算法学习已有的经验数据,生成一系列影响规则,以描述移动机器人控制模型的影响因子（如PID模型的P值）变化与环境变化的关联关系。其次,为了应对开放环境中不同的物理因素对训练数据产生相似干扰问题,论文基于密度的聚类算法,依据不同环境对机器人任务执行结果的影响将训练数据集分割成几个简单的子集。基于分割获取的进行调整规则的学习,以减小学习过程中不同数据间的相互干扰。为了应对机器人感知信息的滞后性问题,本文将反馈回路与离线学习相结合。其中,需要花费大量时间开销的大数据处理与学习过程被置于离线中进行。移动机器人在线运行过程中通过反馈回路,结合实时环境变化与学习结果自调整模型的影响因子,从而达到控制模型基于环境变化进行自适应调整的目的。为了验证所提方法在开放环境下对不确定的环境变化有强自适应能力,论文开展了两项实验,包含有基于V-REP仿真器的仿真实验与基于Turtlebot的实体实验。首先,为了验证本文提出的方法具有面向不同甚至未知环境变化的高效响应能力,本文于仿真实验中设计了面向摩托车的Path-following案例。与DQN和MPC方法相比,所提出的方法对不同环境变化的响应更快,并且机器人的行为偏差更小。其次,为了评估所提方法的可行性,实体室内机器人Turtlebot利用本文的方法于完全未知的复杂户外环境中完成了Object-following案例。