近年来,随着智能体在军事、民用各个领域的广泛应用和发展,越来越多的任务如:侦察、救援、作战等可以由智能体很好的完成。在一个未知的环境中,如何准确估计智能体的位置、姿态以及获得周围环境的信息从而对其进行导航是非常重要的。同时,单智能体在探索比较大的未知环境时,由于信息来源有限,效率常常会很低。因此,如何利用多智能体来高效地完成建图与探索无疑是当下研究的热点。本课题的主要研究内容是基于视觉SLAM和区域探索技术实现对于未知区域的高效协同搜索建图。本课题利用深度相机作为视觉传感器,以稀疏点云作为输入,结合路径规划相关算法,利用无人车实现对于指定区域进行协同探索与建图。在探索过程中,发挥多智能体的优势,使得整体的智能无人系统兼具高效与精准。相关研究方法如下:首先,设计了以深度相机为传感器的协同视觉SLAM算法。该算法在每一个机器人上分别进行ORB特征点提取和FLANN特征点匹配,采用快速平均法与RANSAC算法相结合对错误匹配进行剔除。而后采用基于奇异值分解方法进行ICP问题的求解来进行位姿估计,得到各自的稀疏点云地图。通过词袋库模型对各个特征点云的重叠区域进行匹配,从而将多机器人采集到的信息进行合并,生成一个完整的稀疏点云地图。其次,设计了稀疏点云地图到二维栅格地图的转化流程,首先将稀疏点云通过EAR算法进行特征点增采样,之后进行空间有限次等分形成三维八叉树地图,最后经过高度滤除以及投影生成二维的栅格地图用以移动机器人的导航。再次,设计了多智能体的协同区域探索算法。通过快速扩展随机树来搜寻机器人行进路线上的待选目标点,利用均值偏移聚类对待选点进行预处理,然后根据收益函数判定以及多机任务分配算法来生成多机器人各自的目标点。最后利用A~*算法和DWA算法实现点到点的路径规划,机器人移动的同时继续进行信息采集以建图,最终实现对于未知区域的探索任务。最后,在Ubuntu系统下实现区域探索的整体设计,在gazebo中搭建仿真场景,对系统的准确性,稳定性以及建图效率进行测试。同时,基于稀疏点云的特性对系统进行改良,使得系统性能加以提升。