故障检测与诊断对于移动机器人运动控制、定位、建图、导航以及安全至关重要。在诸如深空探测、核废料清理、军事搜救等复杂环境下工作的移动机器人系统，其传感器、控制以及机械部件容易出现故障，同时人的干预通常是受限、延时甚至不可能的。此外，移动机器人是一种资源受限的高度非线性、非高斯动态系统，且有关机器人故障的历史数据非常稀少，因而基于数据以及基于线性模型的诊断方法在移动机器人上通常不适用。粒子滤波器是监视动态系统的序列蒙特卡罗方法，通过带权样本集非参数化地近似后验分布。其特点包括计算复杂度只与粒子数有关，可以处理非线性、非高斯系统估计问题。因此，粒子滤波器已广泛应用于移动机器人导航、定位以及故障诊断等领域。但针对复杂的高维状态空间，仍需要解决效率与精度之间的矛盾：为获得较为精确的估计，需要大量的粒子数目；而为了保证实时性，需要尽可能地降低粒子数目。本论文针对移动机器人导航控制中故障及异常检测与诊断问题，研究了以同时提高粒子滤波器估计效率和精度为目标的若干自适应技术，从理论和／或应用的角度分析了所述方法的有效性，主要创新包括：1．提出了一种自适应粒子滤波器框架，该框架可以集成相互联系的多种自适应机制，包括：建议分布自适应或与之密切相关的状态空间自适应、粒子数目自适应以及进化算子自适应等。建议分布自适应和状态空间自适应通常是粒子数目自适应调整的重要原因。粒子数通过计算两个不同粒子数目的粒子集表示的近似分布之间KL距离(KLD，Kullback-Leibler Divergence)的大小自适应地调整，并对其有效性进行了证明。2．针对粒子滤波器逻辑推理能力弱的不足，提出了一种通用的框架将领域知识集成到粒子滤波器中。实现了模糊自适应粒子滤波算法FAPF，并应用于移动机器人航迹推算系统传感器故障的诊断。其核心是利用模糊逻辑表示领域知识，将采样空间约束到“全状态空间”的某一模糊子空间，模糊子空间可以自然地通过转移概率矩阵表示，从模糊子空间采样可以提高故障识别能力。3．针对移动机器人更频繁出现的车轮打滑、车轮受阻以及传感器噪声过大等“软故障”，提出两种自适应粒子滤波方法PD-PNAPF和PD-EAPF，利用激光雷达测量信息对软故障进行实时补偿。提取了5个残差特征，通过阂值逻辑实时地检测故障。PD-PNAPF采用建议分布自适应和粒子数目自适应，PD-EAPF采用建议分布自适应和变异参数自适应。其中建议分布自适应根据残差特征确定移动机器人线速度以及角速度的测量方差；粒子数目自适应采用第1点提出的方法。PD-EAPF利用进化计算的变异算子恢复粒子多样性，很大程度上缓解了常规粒子滤波器的样本贫化问题。4．针对具有不完备模型的复杂系统，提出了检测未知异常以及诊断已知故障的粒子滤波器算法PFIM。系统未建模动态利用未知故障模式描述，当存在未知模式时，常规的粒子滤波器算法存在发散现象。分析了常规粒子滤波器发散的原因，提取了两个基于粒子集的特征：规格化因子W以及最大后验概率估计状态的信度水平B。在此基础上设计了检测未知故障模式的阈值逻辑，在一定假设下从理论上证明了算法的正确性。5．提出一种高效鲁棒的激光雷达测量模型，该测量模型对激光雷达部分测量失效以及环境中存在动态障碍不敏感。首先通过分段分析的方法检测并滤除激光雷达的无效射线，然后提出一种高效的“逆射线跟踪”算法快速地计算期望距离。“逆射线跟踪”方法根据射线击中的点在原始坐标系下的期望方向，在0(1)时间内确定期望距离。选择似然度高的部分射线构成整个扫描的似然概率，有效地滤除了动态障碍以及其它原因导致的低概率射线。通过复杂动态环境下的鲁棒并发定位与建图问题验证了该测量模型的有效件。