导航是移动机器人各项研究及应用中最基本和最重要的问题。在动态或者未知环境中,由于移动机器人缺少先验知识,如何提高移动机器人对环境的自学习和自适应能力,是实现移动机器人在复杂多变环境中自主导航的关键。近年来,一类与运筹学和最优控制理论密切联系的强化学习控制理论得到了广泛的研究。强化学习的“试错法”原理能够在与环境的交互过程中根据评价的反馈信号实现决策的优化,提高移动机器人的环境适应性。为此,本文以强化学习为基础,结合模糊逻辑理论,针对动态环境中移动机器人自主导航进行了研究,主要内容和结论如下：针对动态环境中强化学习系统所面临的连续状态空间问题,提出了强化学习与模糊逻辑理论相结合的反应式控制方法。利用模糊化的方法将感知的环境信息进行泛化处理,降低了状态空间的复杂度,有效地克服了强化学习系统本身存在的维数灾难的缺点。针对动态环境中移动机器人自主导航的反应式控制方法进行了仿真实验研究,提出了结合障碍物相对于移动机器人的距离、位置和运动状态泛化处理环境信息的方法,优化了环境状态的定义,提高了移动机器人控制策略的智能性。仿真实验结果表明,移动机器人在复杂动态环境中具有较强的自学习能力,可以有效地适应环境并完成自主导航任务,为后续的移动机器人平台导航控制打下良好的理论基础。针对光电编码器测量过程中因抖动引起的计数误差,提出了基于灰色系统理论GM(1,1)动态预测模型的数列预测算法。实验结果表明,该方法具有样本需求量少、计算简单等优点,有效地消除了抖动误差,提高了测量精度。以仿真实验为指导,根据移动机器人平台的自身特性设计反应式控制框架,在室外动态环境中进行了自主导舷研究,结果验证了移动机器人平台环境感知、自主学习和控制方法的有效性。本文基于强化学习方法对动态环境中移动机器人的自主导航进行了研究,为移动机器人的导航控制提供了理论和实验参考。