本论文以国家自然科学基金项目和国家863项目为背景,针对全方位移动机器人的执行存在偏差和时间最优轨迹规划等问题,系统的研究了全方位机器人的运动学和动力学模型以及轨迹规划问题,取得了如下具有创新性的研究成果：1.提出一种基于神经网络的全方位移动机器人速度补偿算法。通过对全方位移动机器人的运动学和动力学模型详细分析,以及对万向轮中主动轮和从动轮的受力分析,本文发现万向轮中主动轮和从动轮之间的摩擦力是造成全方位移动机器人产生执行偏差的主要原因。根据模型分析的结果,建立一个基于神经网络的速度补偿模型,实验和实际使用证明该补偿模型可以将机器人的执行偏差从15%降低到5%。2.提出一种基于bangbang控制的时间最优轨迹规划算法。该算法克服了以往bangbang轨迹规划方法只能处理目标状态末速度为零的缺陷。本文先重点研究了一维轨迹规划问题。根据机器人的初始状态和目标状态,提出一种新的分类标准,将一维轨迹规划问题分解为3个基本子问题。通过对这3个基本子问题,分别采用bangbang控制算法进行求解,从而完成目标状态速度为任意值的一维轨迹规划问题。在完成一维轨迹规划的基础上,进行时间同步处理,完成二维轨迹规划问题。3.提出一种参数化最优控制轨迹规划算法。该算法结合全方位机器人特殊的运动能力,将参数化轨迹算法进行了有针对性的改进,从而能够更充分的发挥出全方位移动机器人的运动能力。对比实验证明,参数化轨迹规划算法得到的轨迹更加光滑流畅,轨迹执行时间更短。当初速度较大和初速度方向与位移方向夹角较大时,参数化算法得到的轨迹要比bangbang算法生成的轨迹快10%以上。4.针对机器人执行复杂任务的规划问题,提出了一种基于PSO(粒子群优化算法)和神经网络的松弛边界条件轨迹规划算法。常规的轨迹规划算法主要是研究如何让机器人安全的从一个位置导航到另一个位置。在实际应用中,机器人执行的任务往往要比导航任务复杂。轨迹规划必须考虑在完成导航同时是否能有利于任务的完成。针对这类松弛边界条件轨迹规划问题,本文结合前面提出的固定边界条件轨迹规划算法,采用PSO优化算法进行离线寻优,并采用神经网络对寻优结果进行建模,以满足实时性的要求。