随着工业化的推进和信息化的成熟,机器人的发展呈多样化与集群化趋势。多样化指机器人承担的任务和扮演的角色推陈出新,集群化指机器人可以通过自组织的协同控制方法高效地完成复杂行为。这都对机器人的任务管理提出了更高的要求。因此,提供一种易于使用的工具用于描述和管理机器人的任务是智能机器人领域的迫切需求。行为树是一种新颖的机器人控制架构,相对于有限状态机、决策树等经典控制架构,其在模块化、可读性、可组合性等方面具有较好的性能。然而,由于行为树的发展时间尚短,目前缺乏使用行为树对机器人进行任务管理的工具。因此,本文针对动态环境下机器人任务管理问题,基于行为树这种最新架构,设计并实现了一种具有任务切换、任务协同、任务分配和任务编排功能的机器人任务管理框架,并在仿真环境中对框架的运行效果进行了定性和定量的实验验证,本课题的贡献主要包括以下方面:（1）针对任务切换和任务协同问题,提出了一种基于行为树的任务管理模型。该模型首先对经典行为树的状态进行扩展,增加中断状态,并构建新的状态转移关系。其次,基于行为树,设计了中断与恢复机制、同步机制,和具有事件、任务、异常三个要素的分层任务管理模型。在该模型下,行为树可以控制机器人执行任务、响应事件、处理异常,并根据环境等信息,自主规划任务执行序列。（2）针对任务编排的问题,设计并实现了一种对应的模型描述和解析方法。该方法提供了包括事件配置、任务配置、异常配置、全局配置和初始化平台配置五个部分的描述。基于上述描述构建了一个解释器,能够有效地将配置文件转化为行为树模型,为任务编排、存储和文件管理提供了便利。（3）针对机器人任务动态分配的问题,提出了一种基于行为树的动态任务分配方法。该方法采用市场思想,使用行为树构建了一种具有重分配功能的拍卖策略,设计并实现了一种涵盖广播、提交、选择和合同四个阶段的拍卖算法。实验表明,此方法在效率、鲁棒性、可扩展性、在线输入和不确定环境等方面都获得了良好的效果。（4）基于上述研究,实现了一个基于行为树的任务管理框架原型系统,构建相关实验和应用场景,对该原型进行了定性和定量的验证。结果表明,该框架可有效对机器人的任务进行管理,并在动态环境下具有良好的分配效果。