随着移动机器人技术的不断发展,利用机器人代替人工在野外探险、海底勘测、外星球探测、危险场所救援、家庭服务等领域的应用日益广泛,移动机器人已在社会生产、生活的各个方面显示出越来越重要的地位和作用。与传统的轮式机器人相比,全向移动机器人可以在不改变当前姿态的情况下,实现向任意方向的运动,同时能够完成零半径转向,因其运动灵活性高、机动性强的优点得到越来越多的关注和发展。由于全向移动机器人的运动控制研究可以更大限度的挖掘它的运动潜能,发挥它的运动优势,因此具有很大的学术研究意义和实际应用价值。本文在分析、借鉴国内外现有的相关资料和研究成果的基础上,以四轮全向移动机器人(在本文中简称为“全向机器人”)为研究对象,结合自适应控制、反步设计法、神经网络、滑模变结构控制、大脑情感学习计算模型、多变量系统解耦原理、和声搜索智能算法以及李雅普诺夫稳定性理论等对运动控制中存在的一些问题进行了深入研究,主要研究内容如下：(1)基于NDAP的全向机器人轨迹跟踪控制针对使用传统的反步轨迹跟踪控制器容易产生速度突变的问题,提出一种基于NDAP(参数自适应神经动力学)的全向机器人轨迹跟踪控制方法。该方法首先通过运动学分析建立了全向机器人的位姿误差模型,接着采用神经动力学设计了轨迹跟踪控制器；然后研究了参数的取值与控制量之间的关系,并设计了一种参数自适应律以进一步提高系统的控制性能；最后对提出的方法进行了仿真实验。实验结果表明,相对于传统的反步法和固定参数的神经动力学方法,所提出的方法没有速度突变,具有更快的误差收敛速度和更高的轨迹跟踪精度。(2)基于改进BEL的全向机器人速度跟踪控制针对由不确定的运动学参数和未知的外部扰动量等因素的影响而导致的机器人速度跟踪控制效果不理想的问题,提出了一种基于改进BEL(大脑情感学习)的全向机器人速度跟踪控制方法。该方法首先采用大脑情感学习模型设计了全向机器人的自适应速度误差校正控制器,为机器人四个电机提供附加的校正量；然后在分析权值调节律作用的基础上,采用模糊方法在线调整权值的学习率,通过学习率的不断调整可进一步提高机器人的速度跟踪精度；最后对提出的方法进行了仿真实验。实验结果表明,相对于没有速度校正的控制方法和传统的大脑情感学习方法,所提出的方法在全向机器人的速度跟踪控制中具有更快的响应速度和更高的跟踪精度,可以有效地减小参数不确定和外界扰动对系统控制性能的影响。(3)基于ASMCFR的全向机器人轨迹跟踪控制针对因动力学参数不确定及外部干扰的影响而导致的全向机器人轨迹跟踪控制性能变差的问题,提出一种基于ASMCFR(滤波器与神经网络的自适应滑模)的轨迹跟踪控制方法。该方法首先建立了含驱动电机信息的全向机器人的动力学模型,接着在此基础上设计了机器人的滑模轨迹跟踪控制器,通过在滑模控制器的输出端引入一个低通滤波器来滤除滑模控制器输出中的高频信号；然后设计了一个参数自适应律来在线估计动力学参数的变化,并利用RBF神经网络来实时调整滑模控制器的切换项增益值,以进一步削弱系统的抖振,最后对提出的方法进行了仿真实验。实验结果表明,相对于不含滤波器的滑模控制方法和固定切换项增益的滑模控制方法,所提出的方法在降低参数发生变化带来的负面影响方面具有显著的作用,具有更好的削弱抖振的能力和更强的抗干扰能力。(4)基于RMSCD的全向机器人多电机解耦控制针对传统的电机控制方法因忽略全向机器人的动力学特性而对扰动非常敏感的问题,提出一种基于RMSCD(控制与解耦分离的参考模型)的多电机解耦控制方法。该方法首先通过对全向机器人的运动学和动力学分析推导出多电机控制系统的状态方程,然后在此基础上依据参考模型解耦原理设计了具有解耦与控制功能分离的解耦控制器；最后对提出的方法进行了仿真实验。实验结果表明,相对于传统的参考模型解耦方法,所提出的方法更好地削弱了四个电机间的耦合作用,使得各个电机都能够很好地跟踪各自的期望输入,解耦控制器的设计更加简单,在很小的误差范围内(一般数量级为10-5),实现了全向机器人多电机控制系统的解耦。(5)基于IHS的全向机器人最小能耗运动规划针对已有的最小能耗运动规划方法过度依赖初值的选择、求解精度差的问题,提出了一种基于IHS(改进和声搜索)的全向机器人最小能耗运动规划方法。该方法首先根据含有电机动力学信息的机器人动力学方程构造出关于机器人运动过程中能耗的优化目标函数,接着在此基础上建立了全向机器人的最小能耗运动规划模型,并采用IHS算法来完成最小能耗运动规划；最后对提出的方法进行了仿真实验。实验结果表明,相对于Kim提出的最小能耗运动规划方法,所提出的方法不依赖初值信息,计算速度快,求解精度高。论文最后作了总结,阐述了本研究课题的创新点及主要研究成果,并对课题中需要改进之处和有待提高的地方提出了展望。