分布式多智能体集群运动控制技术,是未来大规模无人机集群搜索、大规模自主编队表演技术、超远距无人机集群中继通信等一系列应用场景的技术基石。如何让分布式集群拥有超强避障能力,更是现有研究中的重点。现有的比较成熟的方案是以建模生物体集群运动为核心出发的,通过将障碍物比作虚拟的智能体来实现避障,这种方案又被称为Flocking算法。但是这种方案只能适合于凸类型和部分非凸类型的障碍物。针对狭窄型的只能允许极少智能体通过的障碍物,就无法通过了。其次,现有的技术方案都难以实现不同类型的障碍物的避障统一,很多研究多转向与深度学习解决方案,但是现有的基于深度学习的Flocking算法也无法完成这一个难题。本文针对狭窄型障碍物的避障问题和基于深度学习的Flocking算法为主要研究核心点。首先,狭窄型障碍物的避障问题是现有Flocking算法理论上的一个漏洞,因此在理论意义上,这个方案可以充分的完善现有的Flocking算法。其次,现有的公式法需要根据障碍物的不同采取不同的避障解决方案,这样复杂度很高。如果能够通过机器学习的方式,让智能体适应不同的障碍物类型,学习到这种避障方案,就可以大大减轻智能体在障碍物识别上的负担,从而在实践意义上,更利于部署实施。针对狭窄型障碍物问题,本文提出了基于博弈论的Flocking运动控制方案。经分析发现Flocking算法中,单个个体主要是是以自身的利益最大化为主要目的,因此造成了在狭窄型障碍物问题里面的困境。本文通过博弈论分析和证明,当遇到这种类型障碍物的时候,应当让通信范围内距离目标最近的智能体先运动,在不同规模以及二维和三维的仿真都证实了本方案的有效性。为了将不同类型的障碍物避障方案进行统一,因此很多研究转向了通过深度学习来实现避障方案的统一。现有的机器学习方案特征工程方案,不足以有效的刻画智能体周边的真实环境。因此,提出了一种以智能体运动方向为核心的特征工程方案的两阶段机器学习解决方案。将分布式集群运动中个体加速度的运动方向分成不同的类别,利用机器学习分类智能体可能的运动方向,然后再回归智能体在此方向上的加速度大小,从而控制智能体的运动。经过分析发现,此方案以更低的复杂度实现了具备避障能力的集群运动控制技术。