对于移动机器人的研究,先前的研究多是在能够建立精确运动学模型或已知、确定、结构化的工作环境下进行,这具有明显的局限性。因此,在复杂、不确定、非结构化环境中,移动机器人的推理与决策能力成为机器人研究的热点与难点问题之一。移动机器人行为决策对于保障机器人可靠运行与作业能力,具有十分重要的科学意义与应用价值。现有的数据融合算法主要考虑同类传感器信息的融合,且融合过程存在复杂的数学运算,融合效率低;数据融合模型多是功能/结构框架模型,数据表达能力弱,要真正建立一个高效、实用的融合模型存在困难,最终导致移动机器人的自主行为灵敏度低,响应速度慢等问题。针对上述问题,本文对多源异类数据融合的难点与关键问题进行了较深入的研究,其主要研究工作如下:1)针对数据融合中存在的融合效果不理想、可靠性低、数据表达能力弱、数学运算复杂等问题,本文引入专家或领域知识,刻画了信息动态运行机制与其内部交互逻辑,在知识驱动下对数据进行处理融合。由于产生式规则具有自然性、模块性和均匀性等特点,将知识通过产生式规则进行表示,建立了在知识驱动下多源数据融合的框架模型。2)在建立数据融合模型时,根据移动机器人行为间存在耦合、异步、制约、并发等特点,并充分考虑信息流通的方式和融合的层次性,提出采用Petri网方法,建立了数据融合Petri网三层结构模型,便于分析行为间的交互逻辑与自主行为决策。在该模型的数据采集与处理层通过引入禁止弧,解决了多源传感器信息传递与动态调度问题,进一步提高了信息处理能力和融合可靠性。3)为了提高建模效率和模型精准性,建立了产生式规则与Petri网之间的映射模型和映射算法。映射模型的结构与参数化增强了Petri网模型的重用性和共享性。4)考虑到传感器数据采集的实时性和移动机器人运动的平稳性会对机器人执行可靠、精准的行为产生影响,研究了机器人的三类传感器:超声波传感器、Kinect传感器及麦克风阵列传感器,分别进行了数据采集和性能测试。5)为了机器人能够高效、可靠地进行自主行为决策,在以上三类传感器和数据融合Petri网结构模型的基础上,建立了基于数据融合的移动机器人行为决策Petri网主网和三个子网模型,细化了融合的中间过程,可对移动机器人的行为决策进行详细描述,对融合系统的信息流进行动态分析,保证各传感器模块正常工作。6)搭建了自主移动机器人实验平台,完成了自主追踪过程,验证上述融合算法和Petri网模型对移动机器人行为决策的有效性和可行性,能够为多源信息的数据融合提供方法与模型支持。