随着机器人技术的发展,移动机器人已经应用救灾,工业生产,生活服务各个领域。在这些领域内,移动机器人需要自主快速地穿过一个复杂的动态环境。自主导航算法是智能移动机器人的关键技术。本文主要针对以差分移动机器人和车形移动机器人为代表的非全向移动机器人,在有地图和无地图两种情况下的导航问题开展研究。本文针对差分和车形移动机器人在有地图情况下,提出了一种新的基于控制变量优化的移动机器人时间最优局部规划算法。建立了差分移动机器人和车形移动机器人的局部规划优化问题的模型,推导出目标函数及约束函数关于优化变量的解析梯度表达式,引入了一种新的交替进行的投影梯度下降和共轭梯度下降实现优化问题的快速求解,并将提出的局部规划算法用于机器人的闭环控制。本文提出的方法是在机器人的可行控制空间内进行优化,对运动-动力（kinodynamincs）约束和非全向（non-holonomic）约束处理更为直接。利用仿真和实验验证了导航算法的时间最优性、实时性、鲁棒性、控制连续性等性能。在无障碍情况下,我们验证了提出的方法所规划的轨迹非常接近理论上时间最优的Reeds Shepps轨迹,优于连续曲率的Fraichard轨迹。针对起点到终点存在多个同伦类情况,在有地图情况下提出了一种基于多同伦类的移动机器人时间最优局部规划算法。首先,分析了局部规划普遍存在的单同伦性问题。之后,引入H标签来区分多个同伦类,利用一个稀疏概率地图更快地获取环境的拓扑信息,借助同伦类可以搜索出存在的多种优化轨迹初值,从而避免轨迹优化的局部最优性问题。与现有利用Voronoi图和稠密概率地图的方法相比,我们的方法的特点是利用稀疏概率地图维护多个同伦类,在搜索多同伦初值时速度较快。利用仿真验证了导航算法可以处理多个同伦类情况的最优路径规划问题,能够找到全局最优解。针对机器人无地图情况下仅有低成本稀疏激光雷达的导航问题,提出了一种基于端对端学习的无地图局部规划方法。首先,提出了一个无地图情况下的神经网络控制器,设计了该神经网络控制器的训练框架。通过让机器人学习有地图情况下的规划数据,学习到在地图缺失情况下的局部规划策略。结果表明:无地图规划算法能够在较为复杂的情况下完成导航作业,并且导航的路径和基于地图的导航算法相差不大,但是导航所需时间会比较高。