20世纪80年代末,随着机器人学、分布式人工智能和分布式系统的研究与发展,机器人已朝向分布式、系统化和智能化的方向发展,尤其是多机器人协作问题正受到越来越多的关注。多机器人系统具有结构灵活,适应性强的特点,在航天航空、国防、工业、服务业等许多领域都有广泛的应用前景。其中有些作业环境不适合人类的直接参与,如危险的矿井、核废墟、深海勘探等,这就需要机器人在这些未知环境下能够自主地完成各种任务。合理地设计多机器人系统的协同机制并使用算法优化系统,能够发挥多机器人系统的优势,有效地探索未知环境和构建环境地图,提高团队执行任务的效率,在实际应用中具有重要的现实意义。本文以多机器人未知环境探索的协同机制为主要研究问题,首先对该领域常用的边界探索算法进行了详细叙述,并分析其优缺点,然后引出改进型边界探索算法,在基本算法的基础上增加了对边界角度的考虑,改进了基本算法的探索策略,提高了机器人团队的探索效率。针对多机器人系统的团队目标,构造整数规划模型,提出了使用蚁群算法进行目标优化,为多机器系统的总体优化提供了一条途径。本文的主要工作和创新点包括:(1)基于效用值的边界探索算法对未知区域的信息进行了复杂的估算,以提供多机器人之间的协作。本文提出一种简单的协作方法——分散度函数,可以有效避免机器人之间的冲突和碰撞,并且简化计算方式,减少对环境信息的依赖。(2)针对基本边界探索算法中的重复覆盖问题,提出改进型边界探索算法,同时考虑边界的距离和角度因素,有效地减少了重复覆盖。(3)针对团队目标进行优化。原有算法单独为各个机器人分配任务,使用贪婪算法避免对NP难问题的求解,容易造成任务分配不均衡问题,无法实现系统总体优化。本文将团队目标构造成整数规划模型,利用蚁群算法进行优化。通过仿真实验比较了基本算法和改进算法的探索效率,证明改进型边界探索算法的有效性和优势。