多智能体系统(Multi-agent Systems,简称MAS)由于具有天然的分布性、较强的鲁棒性和可扩展性、以及高效的计算性能等优点,广泛应用于空间探索、军事、工农业、智能交通等领域。在为多智能体系统设计控制策略时,往往依赖于智能体实时的位置信息或者当前的状态向量。如何有效地对智能体进行定位,精确地获得智能体的相关状态,是多智能体系统中的基础问题之一。本文将通过研究多智能体系统中的基于本地测量信息的源点定位问题,提出移动智能体分布式定位的相关算法;再更进一步,考虑多智能体系统中基于相对测量信息的状态估计问题,解决一般的分布式网络中自主状态估计的相关问题。与静态的智能体网络相比,移动网络定位由于智能体的运动速度和拓扑变化的影响,静态网络中的定位算法并不完全适用,且定位精度将受到影响。对于移动智能体定位问题,本文针对不同的动力学模型以及测量和通信上的不同约束条件,相应的设计具有指数收敛的定位算法,以实现对目标相对位置的实时定位。尤其是基于独轮车模型的分布式源点定位问题,在多智能体协同控制领域属于原创性的研究之一。基于微分方程的分布式动态定位算法,比基于代数的静态定位算法抵抗测量噪声的能力更强;并且智能体间的协作,提高了算法的鲁棒性,能有效应对当网络中存在测量丢失、通信障碍的情况。注意到现有的网络估计算法多数针对相同的目标状态,无法应用于节点的自身状态估计问题中。本文引入分布式卡尔曼滤波的思想,能够获得比简单一致性的融合方法获得更好的估计效果,并且提出一种基于LMI的新颖的稳定性分析方法。总的来说,本文的研究工作主要集中在以下几个方面:首先,研究基于到达角采样测量的质点模型分布式源点协同定位问题。已有相应的研究成果,单个移动智能体能够估计出静态目标的全局坐标并围绕其进行圆周巡航。现考虑更一般性的多智能体源点协同定位问题,即考虑在网络拓扑变化的情况下,基于到达角采样测量信息的多智能体源点定位问题。相对于距离测量信息,到达角测量具有无源性的特点,在信息保密和能耗降低方面具有优势。使用距离测量实现源点定位需要扩展状态观测器(ESO)或者线性时变微分器(LTVD)对距离信息求导,使用角度测量则无需使用,具有优势。考虑通信拓扑为时变有向图,比以往条件更宽松。本文提出了一种分布式的离散时间状态估计器,获得对源点相对位置的实时动态估计。对算法的全局渐近收敛性进行了证明,并给出了算法收敛所对应的网络拓扑条件和智能体相对运动之间应满足的条件。算法的分布式特性提升了系统的鲁棒性和适应性,当智能体面临测量丢失和通信障碍使得系统拓扑变化的时候,算法依然能保持每个智能体对源点位置的不间断估计。其次,考虑基于到达角测量的独轮车模型分布式源点协同定位问题。在具体应用中,除了质点模型以外,有一大类智能体不能简单抽象为质点模型,所以进而考虑复杂些的非线性运动模型:独轮车模型(Unicycle model)。本文中的移动智能体采用独轮车模型,而且不对智能体的坐标系做统一,进一步宽松了假设条件。由于到达角测量的优势所在,因此假设继续考虑使用局部的角度测量信息。考虑成对智能体之间进行定位,利用自身的测量信息与通信信息实现相互定位。由于独轮车模型本身的非完整性约束,使得原有的成对估计算法无法奏效,使得问题的复杂性增加。首先,通过不同的约束条件,提出不同的成对智能体定位算法。由于不存在共同坐标,在进行相对位置估计时需要同时考虑坐标旋转变换,统一到相同的坐标框架下。再结合一致性思想,提出分布式源点定位融合算法,并对分布式算法给出稳定性证明。最后,受到多智能体系统的分布式定位问题的启发,本文将结合相对测量网络,探讨传感网络中的分布式状态估计的问题。由于网络中存在硬件性能或环境情况的制约,仅有部分传感器节点具有对自身状态的测量信息,称之为锚定节点(Anchor Node),其余只能获得相对状态测量的节点则称之为传感节点(Sensing Node)。所有节点需要利用局部的测量和通信信息估计自身的状态。本文关于分布式状态估计的研究不仅局限于定位问题,将提出普适的分布式网络状态估计算法。假设传感网络的测量和通信拓扑为无向图,并构建可描述整个系统的测量关系的关联矩阵。基于标准卡尔曼滤波算法,提出了集中式最优估计器以及系统全局状态能观的充要条件,并进行严谨的理论分析。接着忽略节点之间的估计误差协方差,提出了分布式估计器,由于采用直接Lyapunov方法证明失效,转而通过数值方法提供算法收敛的代数条件,并提出新颖的收敛性分析证明方法。本文对于提出的各种算法,在相应的章节提供详细的理论分析和论证,并通过数值仿真进行验证。