未知环境下移动机器人缺少先验知识,移动机器人自主学习以提高对环境的适应能力,是实现移动机器人在未知、复杂环境中成功应用的关键。反应式导航是提高移动机器人在未知环境下实时性和适应性的重要手段。近年来,在诸多反应式导航方法中,强化学习由于无需监督和先验知识、自学习和在线学习的特点使其具有在未知环境下导航的优越性。针对标准强化学习速度较慢,本文提出基于Q学习和粗糙集的自主导航方法。通过强化学习,机器人能够实现未知环境下的自主导航。由于机器人导航的知识具有不完备性,而粗糙集是处理不完备性的一种有效的数学工具。本文首先利用粗糙集理论处理机器人的初始导航知识,简化导航系统的复杂性。然后将它与Q学习结合,加快了机器人学习的速度,从而提高了导航系统的避碰能力。同时,由于在复杂连续环境下,强化学习系统面临“维数灾难”问题,需要采取量化的方法,降低输入空间的复杂度,而径向基神经网络(RBFNN)具有较强的函数逼近能力及泛化能力,由此提出了基于RBF神经网络的Q学习方法并将其应用于单机器人的自主导航。用径向基神经网络逼近状态空间和Q函数,使学习系统具有良好的泛化能力。最后,在TeamBots平台上将提出的两种导航方法仿真实现。仿真结果显示,基于Q学习和粗糙集的自主机器人导航方法较与标准Q学习相比,可以增加自主机器人对环境的适应性,提高避碰能力,加速导航学习过程;基于RBF神经网络的Q学习导航方法具有较强的避碰能力,提高了机器人对环境的适应能力。