随着机器人技术在各个领域的广泛应用和发展,在研究和应用双重需求的推动下,多机器人系统的研究已受到国内外研究结构和产业界的重视,并逐步成为一个充满活力、充满挑战的领域。在一些面向任务的应用中,地图构建是实现多机器人系统自主导航、在未知环境中完成复杂智能任务的关键,也集中体现了多机器人系统的感知能力和智力水平。因此,如何利用多个机器人来构建精确有效的环境地图,无疑是多机器人研究中一个重要且关键的课题。本文围绕多机器人研究中基本而关键的建图问题,深入研究了多机器人群连续避障和避碰策略、基于相对观测量的同时定位与建图(SLAM)方法以及局部地图融合等相关内容。论文首先研究了多机器人建图过程中的避障和避碰问题。针对声纳机器人建立了基于避障子行为状态的方向选择规则,配合检测到的当前障碍物方位,来选择正确的避障方向;在多机器人避碰策略上,建立了一种无交通灯的交叉路口避碰模型,在此模型中,设计了优先通过权评价函数以决定机器人谁将获得优先通过交叉路口的权利。多机器人系统的整体避碰关系则利用有向图来描述,并通过逐步消除图中各个环路来解决死锁问题。其后提出了一种基于扩展卡尔曼滤波器(EKF)的多机器人同时定位与建图的新方法。该方法首先利用支持向量机对EKF-SLAM方法予以改进,根据新息相关性,自适应地调节测量噪声方差,有效地解决了噪声的统计特性与实际不符合时滤波器发散的现象,提高了SLAM精度。之后,将该种应用于单机器人的改进EKF-SLAM方法应用于多个机器人,在机器人会合时测量彼此之间的相对距离和角度,以利用该相对观测量进行局部地图的坐标转换与融合。考虑到传感器观测信息的不确定性会降低坐标转换精度,引入联合兼容分枝定界(Joint Compatibility Branch and Bound,JCBB)算法进行路标的增强匹配,利用匹配路标信息进一步降低地图融合过程中的误差和计算复杂度。与常规的多机器人SLAM方法相比,该方法无需已知机器人的相对起始位置信息,不要求各机器人构建的局部地图重叠,限制条件少,在实际应用中具有更大的灵活性。针对多个声纳机器人,研究了基于粒子滤波器的多机器人FastSLAM方法。首先将常规粒子滤波器与粒子群优化算法有机结合,引入最新的机器人观测信息以调整粒子的提议分布,从而在保证算法精度的同时,极大地减少了定位与建图所需的粒子数,并有效缓解了粒子退化现象。此外,考虑到常规的重采样过程容易引起样本贫化现象,引入了概率算子以增加粒子的多样性。之后,将该种改进的FastSLAM方法扩展到多机器人系统中,利用机器人会合时的相对观测量来初始化粒子滤波器,并利用虚拟机器人将所有机器人在会合前后的观测值融合成为全局栅格地图。实验结果表明该方法具有较高的精度、稳定性以及灵活的地图表示方式。考虑到在实际环境中,机器人可能无法满足至少相遇一次的条件,提出一种基于栅格融合的多机器人建图方法。该方法让各机器人独立探索环境并对不同的局部栅格地图予以融合。在地图融合过程中,无需考虑机器人相对位置的先验信息,而是以栅格地图相似度为度量标准,利用距离变换和改进的遗传算法高效、快速地搜索各局部地图之间的最大重叠部分,进而予以融合。实验结果表明,该方法无需考虑机器人的位置信息,限制条件少,更适合于声纳机器人的实际建图应用。在论文的最后,总结了整篇论文的工作,指出了进一步研究探索的方向。