随着移动机器人技术的快速发展,移动机器人被广泛地应用于各个领域,如工业生产、交通运输、航空航天和国防军事。移动机器人在不确定环境中的自主导航能力决定了其智能化的程度,提高移动机器人的自主导航能力是近些年国内外研究的热点之一。但是,机器人自主导航任务对实时性要求高,机器人自身的非线性导致很难精确建模,并且现有的“黑盒”导航控制模型很难静态测试、验证和缺乏可解释性。沿墙导航是一种特殊的导航方式,即在导航过程中,移动机器人沿着物体边沿运动并与物体的壁面保持安全距离。研究沿墙导航,有利于提高机器人在复杂不确定环境下的自适应能力,有益于提升机器人执行复杂任务的能力。针对现有导航模型的不足,考虑到基于规则的控制在解释性和实时性方面的优势,本文主要研究如何高效地从机器学习模型中提取控制性能好且精简的规则。为了验证本文提出方法的有效性,实验采用UCI机器人导航数据集进行评估,并与经典的模型进行比较。实验结果表明,本文提出的方法整体性能上优于经典模型的性能,具有较好的导航效果。本文主要研究工作如下:1)本文采用随机森林提取控制规则来控制移动机器人的沿墙导航。首先,训练随机森林模型,然后从训练好的随机森林中提取控制规则,并使用遗传算法对控制规则进行优化筛选。从而得到一个泛化性能好的规则库,即控制器。2)本文对基于随机森林提取控制规则的移动机器人沿墙导航方法进行了改进。首先用模糊信息分解对原始类别不平衡数据集进行过采样,之后训练支持向量机,然后从支持向量机中提取控制规则,提取的所有规则构成一个控制器。3)本文使用UCI机器人导航数据集对上述两种方法进行验证,上述第一种方法在相同的数据集上进行比较实验,在6组对比实验中,与基于重力搜索和粒子群算法辅助人工神经网络方法和重力搜索和前馈神经网络方法相比,所提方法的平均精确度分别提高了 16.43%和29.66%;针对上述第二种方法,我们将本文方法和决策树等6种经典模型进行对比实验。表明所提方法的平均F1值高达0.994,对小类样本的召回率平均提升8.09%。与其他提取规则的模型相比,从SVM中提取规则的方法能平均减少171.33条规则,在测试样本上的平均单个样本决策时间仅为3.145μs。