近年来,智能体技术的应用使得人类避免了许多重复、危险的任务。由于任务复杂度的提高,单个智能体无法满足需求,多智能体系统应运而生并被应用于工业、军事、航天等多个领域。在多智能体系统中,移动智能体系统是应用最广泛的一个分支。移动智能体系统通过智能体间的协同工作共同完成任务,而多个智能体在移动过程中可能会发生碰撞,如何协调多智能体的运动是移动智能体系统的重要研究课题之一。本文的研究目标是在一个包含路网的二维场景下,以车式移动机器人为研究对象,利用强化学习的方法生成一个运动协调策略保证多机器人在运动过程中不发生碰撞,并且整体运动时间尽可能短。针对特定路网环境下的多机器人运动协调问题,本文提出了一种结合双深度Q网络(Double Deep Q-Network,DDQN)方法的多机器人集中式运动协调强化学习算法。论文首先采用场景划分和基于矩形包围盒的碰撞检测算法得到机器人路径间的碰撞区域,然后利用本文设计的路径切分与转化方法将碰撞区域与路径集合转换成一种特定的路径棋盘图模型,该模型提供了强化学习训练中与智能体交互的环境,最后设计了环境的状态空间、智能体的动作空间以及环境的奖励模型,并利用DDQN方法在路径棋盘图模型环境中迭代训练,得到可行的运动协调策略。为了验证本文提出的算法的正确性和鲁棒性,本文在Pycharm开发环境下利用PyQt应用程序框架搭建了相关实验平台。通过大量的仿真实验表明,本文提出的算法能够有效地解决多机器人运动过程中的碰撞问题,具有实际的应用价值。