自平衡两轮机器人具有结构简单、重量轻、体积小、运动灵活等特点，易于各种地形的导航，在解决社会和工业的很多挑战中具有很大的潜力。特别是在大城市交通日益拥堵的今天，双轮自平衡机器人作为一种代步工具具有广阔的发展空间。因而，对自平衡两轮机器人的研究具有很高的实验、研究和商业价值，并成为机器人领域的研究热点之一。本文对自平衡两轮机器人的运动控制方法进行了研究。主要内容如下： ⑴以北京工业大学人工智能与机器人研究所自主研制的自平衡两轮机器人为研究对象，在对其物理结构进行分析的基础上，采用拉格朗日方法建立了其数学模型。 ⑵通过研究和分析Q学习方法的工作原理和CMAC神经网络的工作特点，提出了一种基于多个并行CMAC神经网络的强化学习方法。该方法通过对输入状态变量进行分割，在不改变状态分辨率的前提下，降低每个状态变量的量化级数，有效减少CMAC的存储空间，将之与Q学习方法相结合，其输出用于逼近状态变量的Q值，从而提高了Q学习方法的学习速度和控制精度，并实现了连续状态的泛化。将该方法用于自平衡两轮机器人的平衡控制中，取得了较好的实验结果。 ⑶针对自平衡两轮机器人复杂的动力学特性，提出一种基于典型模糊控制器的分层模糊控制方法。该方法对机器人体的倾斜角度和轮子转动速度分别设计了相应的模糊控制器，其输出同时进入决策器，由决策器进行智能判断与协调，输出控制量。该方法具有模糊规则少，控制逻辑简单的特点。对机器人的速度跟踪、运动停止及转弯等多种运动方式进行了控制实验，验证了控制该方法的正确性和有效性。