本文针对移动机器人轨迹跟踪控制问题,重点研究结合模糊控制的逻辑推理能力和神经网络控制的自学习能力设计轨迹跟踪控制器的方法,使得移动机器人在已知运动轨迹的情况下,能够自主、稳定地跟踪给定轨迹运动到达终点。本文的主要内容如下:首先,本文使用智能控制方法,因此不需要像传统控制方法那样为被控对象建立精确的数学模型。结合具有灵活推理逻辑的模糊控制系统以及具有自学习性、非线性性、强鲁棒性等优点的神经网络控制模型,设计一种混合Pi-Sigma神经网络(Mixed Pi-Sigma Neural Network,MPSNN)模型。该模型将 Takagi-Sugeno(T-S)模糊系统映射到Pi-Sigma神经网络结构中,构造了一种MPSNN体系结构。通过T-S模糊系统的推理过程解释移动机器人的运动状态转换过程,赋予了神经网络明确的物理意义。同时,Pi-Sigma神经网络的自学习能力可实现在线修改T-S模糊规则和隶属度函数,以解决传统的T-S模糊系统受限于固定的模糊规则的问题。其次,为了更快地在线优化混合Pi-Sigma神经网络模型,本文结合误差反向传播原理与梯度下降法设计了混合Pi-Sigma神经网络的学习算法。然后结合混合Pi-Sigma神经网络模型的体系结构和学习算法,本文设计了基于神经网络结构的MPSNN轨迹跟踪控制器,使得移动机器人在运动过程中能够实时跟踪与控制自身的线速度和角速度,实现任意时刻机器人运动位姿的准确跟踪。最后,基于MATLAB软件实现了 MPSNN轨迹跟踪控制器的在线仿真,并对比了传统Pi-Sigma神经网络控制法和滑模控制法。一系列实验结果表明,本文所提出的基于神经网络控制的移动机器人轨迹跟踪控制方法能够快速、稳定地跟踪给定轨迹,体现了本模型的有效性、优越性以及鲁棒性。