对于从工厂走向家庭,作为保姆、玩伴等服务性角色而与人类为伍的智能机器人而言,它们将面对我们所面对的世界,它们也应具备类似人类的空间行为能力。目前,虽然机器人研究者作了大量的研究工作,机器人的导航技术与社交能力也获得了长足的进步,然而与人们的期望相比仍然相去甚远。人类及动物能轻易的在复杂多变的大尺度复杂空间中以及感知信息不精确的情况下保持相当完美的导航能力。这促使机器人研究者从生物的导航行为模式中,寻找能适用于机器人的仿生导航机制,以期提高机器人的导航能力。从生物空间行为的视角,设计导航系统的难度来源于三个方面：一是随时变化的导航任务及目标；二是随主观经验而变动的空间记忆；三是复杂无限的活动空间。针对这三个方面的难点,导航系统应该具有一个简单普适的空间知识表示模型和低消耗高效率的在线寻路策略。人类的导航系统成功的处理了这三个难点,不受空间尺度大小及环境多样变化等因素的制约。在未来,与人类一起生活的智能机器人也应克服这三个难点。为此,本文受人类导航能力的启发,尝试将人类的空间内在表示模型与导航机制整合在一起,构建一个应用于机器人的自主导航系统,以期让机器人获得类似人类导航的能力以及为三个难点的解决提供参考。本文的研究工作可以总结为以下几个方面：1)提出一种基于自增长网络的可行区域拓扑网络的提取方法。该提取方法利用Growing Neural Gas(GNG)算法的增长特性,通过不断增加新的拓扑网络节点提取环境的可行区域,构建易于机器人理解的环境地图。该方法还适用于动态障碍物存在的环境,能够过滤动态障碍物的影响,构建一致的环境拓扑地图。该方法具有自学习、自适应等特点。通过仿真与物理实验验证了其可行性与有效性。2)在局部运动规划方面,提出一种快速有效的规避障碍物方法。距离与方向是机器人对障碍物的危险度进行评判的两个重要指标。设计实现了一种小计算量的二维泡状体人工势场(Bubble artificial potential field, B-APF),将障碍物距离和方向之间的平衡问题数值化,获得统一的障碍物危险度值,进而优化避碰行为,改善了动态避障路径的柔顺性。该方法具有环境适应能力强、计算复杂度低和实时性好。通过实验证明该方法的有效性与适用性。3)人类在其导航过程中运用了区域化的空间知识。受此启发,提出一种基于区域的空间知识表示模型(region-based spatial knowledge model, RSK-Model)。该模型将多个小尺度的区域对象组合在一起形成上一层级的区域对象,构成一种层次化的空间表示结构。现有的一般图论难以反映这类知识系统的复杂构成和所隐含的组织结构。针对这一问题,引入混合超图的思想,提出一种基于混合超图(hybrid hypergraph)的空间知识表示模型,用来组织规模巨大、连接复杂多样、且具有嵌套特性的空间知识网络。以超拓扑关系为例,通过对一个小型环境的表述来说明基于混合超图的空间知识表示模型的应用,为复杂的空间知识的表示、组织和分析提供了一种新的工具和思路。4)在全局性的寻路方面,人类在其导航过程中运用了区域化的空间知识模型并采取了“由精到粗”的寻路策略。受此启发本章在提出的区域化空间知识模型的基础上,提出一种在线路径规划算法FTC-A*(fine-to-coarse A*)。FTC-A*能够根据环境信息的远近采取不同的规划策略。在机器人所在的区域中,进行路径的精细规划,而对远处空间进行粗糙规划。该策略利用环境描述的区域化特性,降低了搜索空间的大小,从而显著地降低了规划时间和内存负载,减少了机器人的运动响应延迟。本算法能适应环境规模巨大以及目标点经常改变的应用场合。通过在MobileSim平台的仿真实验以及与A*和HA*算法的对比分析,验证了该方法的可行性与有效性。5)以定性空间知识表示与人类导航机制为基础,研究了移动机器人仿生导航系统。首先,定性空间知识作为先验知识存储在机器人的长时记忆系统中。全局路径规划模块运用该空间知识规划“由精到粗”的路径,并临时存储在机器人的短时记忆系统中。最近目标生成器根据该路径生成引导机器人运动的下一个目标。在机器人的工作记忆系统中,局部运动规划模块生成运动向最近目标点的合理有效的运动行为,并执行一步步运动。机器人运动过程中的当前位置信息以及上下文信息由‘’I AM HERE"模块管理。通过迭代在线规划“由精到粗”的路径,引导机器人运动向最终目标点。最后,通过实验验证了该导航系统的可行性与有效性。