从位置固定的工业机器人到可以在环境中自由运动的移动机器人，过去几十年里机器人的机动性、环境适应性和智能化程度均得到了显著提升，应用范围不断扩大。目前结构化环境中的移动机器人导航技术日渐成熟，开始进入产业化阶段。然而随着任务的不断扩展，移动机器人的工作场景逐渐变得复杂，多数呈现出动态、未知和非结构化等特点。主流的导航框架将人类给出的高层次任务转化为机器人能够理解的低层次的简单任务，主要包括自主定位、环境建模、行为规划和运动控制等四个方面。由于实际环境中存在多种干扰因素，移动机器人只能从有限的不确定性信息中尽量准确地恢复自身和环境的真实状态，继而进行记忆、推理、决策和行动，控制自身安全地到达目标位置。针对移动机器人导航过程中涉及的定位和运动控制问题，本文借鉴灰色系统理论、概率理论和区间分析等不确定性信息处理方法的优点，从模拟人类思维的角度出发，提出了一些新的定位和控制方法，以提高移动机器人导航控制系统的安全性、鲁棒性和对复杂环境的适应性。本文的主要工作和贡献包括:　　(1)针对传统的基于数据点的扫描匹配方法在移动机器人定位方面存在的不足，本文提出了一种基于点簇的定性扫描匹配方法，以鲁棒地估计机器人位姿在不同时刻的相对变化。该方法分为层次聚类和关联匹配两个步骤。在层次聚类过程中，首先根据环境结构的连续性，将整个观测点集划分为若干连续的子集，然后根据环境的几何特性，将每个子集进一步划分成相互独立的点簇，每个点簇内点的分布可以使用一个连续的概率分布近似表示。经过聚类，原始观测数据中对环境信息的离散表示被转化为连续、紧凑的表示，提高了对机器人运动和视角变化的鲁棒性。在关联匹配过程中，为了建立当前观测与参考观测之间的对应关系，首先从当前观测中选取具有显著性的稳定点簇对作为启发信息，通过检查配对之间的相容性，在参考观测中搜索对应的点簇对，然后通过定性分析计算点簇之间的相对变换，获得机器人相对位姿变化的估计。实验结果表明该方法能够准确地估计机器人位姿在不同时刻的相对变化，且对观测噪声和初始估计误差有很强的鲁棒性。　　(2)基于粒子群优化算法和粒子滤波器，提出了一种新的移动机器人全局定位算法。该方法把全局定位分为两个阶段:初始位姿估计和多假设位姿跟踪。在第一阶段，为了获得机器人的初始位姿，粒子被均匀分布在环境的空闲区域内，相邻粒子通过协作迭代地搜索局部区域内的最优解，直至达到终止条件。此时局部极值附近的粒子密度较大，其它区域内的粒子分布较为分散，使用密度聚类算法即可确定所有的位姿假设及对应的粒子集。在第二阶段，每个假设对应的粒子集随机器人的运动而不断向后传播，集合内的粒子在局部区域内迭代地搜索该假设对应的最优位姿。由于新观测信息的引入，错误位姿处的粒子权重随之降低，经过重采样，错误假设中的粒子逐渐被抛弃，直到整个粒子集收敛到机器人的真实位姿处。在公开数据集上的实验表明，该方法对机器人初始位姿的不确定性和机器人运动的不确定性有很强的鲁棒性，不仅可以提供较为准确的初始位姿，在运动过程中也能精确地跟踪机器人位姿的变化。　　(3)针对动态环境中的跟踪控制问题，本文提出一种基于速度空间的移动机器人轨迹跟踪方法，提高机器人在跟踪过程中的安全性。受环境中未建模的动态障碍物的影响，机器人在下一时刻的控制量具有不确定性;同时由于控制输入存在饱和约束，机器人在一个控制周期内所能达到的速度处在一个有限的区域内。假定机器人在一个时间周期内的速度线性变化或保持不变，根据机器人的运动模型可以预测在相应控制量作用下机器人的运动轨迹。通过考查该轨迹和参考轨迹之间的偏差以及机器人在运动过程中到障碍物的距离，即可根据相应的评价指标，从速度空间中搜索最优解作为下一采样时刻的控制目标。仿真实验表明，该方法有较快的跟踪响应速度，且由于考虑了轨迹跟踪过程中的跟踪误差和环境中动态障碍物的影响，可以在避免与障碍物发生碰撞的前提下，尽量保持小的跟踪误差。