近几年,由于在科学和公共安全等方面的应用价值,对监视环境(比如核污染环境、有毒气体泄漏环境)边界的研究引起了众多研究者的兴趣。用机器人监视环境边界是一个比较新的研究课题。目前国际上在这方面已经取得了一些优秀的研究成果,但是总体上还处于起步阶段。由于机器人所载传感器只能测得所在位置的环境浓度标量值,而不能和知道环境浓度函数的拓扑信息(梯度、等值线曲率等),因此为给机器人设计边界跟踪控制需要多个位置的浓度测量值来估计相应拓扑信息。在本文中,我们主要通过一组基于领航-跟随法建立的非完整机器人队形跟踪环境的边界。基于领航-跟随法为跟随机器人设计控制率使得跟随机器人和领航机器人以期望的队形运动于环境区域。在运动中,跟随机器人将其所测得的环境浓度值通过通讯的方式传递给领航机器人使其能够估计所在位置的环境浓度函数拓扑信息。基于环境浓度函数拓扑信息,为领航机器人设计控制器使其跟踪期望边界线。基于目前的研究现状,在本文中,我们主要为多机器人设计了一领航-跟随队形控制方法,为领航机器人设计了两种环境边界跟踪控制。本文的研究成果和贡献具体如下:(1)由一个领航者和多个跟随者组成的领航-跟随机器人队形问题,可以分解为多个2-机器人领航-跟随编队控制问题。第三章考虑由两个机器人组成的2-机器人领航-跟随编队控制问题。其中,跟随机器人只能得到领航机器人的姿态信息(位置和方向角)。给定领航者得姿态信息,根据期望的领航-跟随机器人队形,跟随机器人的期望轨迹就得以确定。那么,可将领航-跟随编队控制问题转化为一种轨迹跟踪问题。在第三章中,根据领航者的姿态信息设计了一种神经网络观测器用来估计领航者的动态。然后,根据神经网络观测器所估计的信息,基于多滑动面技术为跟随机器人设计非线性控制器使得跟踪误差最终一致有界并通过李雅普诺夫理论证明了神经网络观测器和跟随机器人控制器的有效性。(2)基于环境浓度函数拓扑信息为(领航)机器人设计了一鲁棒自适应控制使其跟踪期望的环境边界。首先,根据浓度函数和期望边界的特点,为机器人惯性坐标系下的速度定义了两种运动规则:一种运动规则使得机器人向边界的方向运动;一种运动规则使得机器人绕着等值线的切线方向运动。基于这两种运动规则,第四章为机器人惯性坐标系下的速度设计了一参考速度。然后,试图为机器人设计一基于神经网络的鲁棒自适应控制器使其跟踪参考速度,从而达到跟踪环境边界的目的。在为机器人设计控制的过程中,用一RBF神经网络近似一带有环境浓度函数Hessian矩阵信息的非线性函数。由于神经网络近似非线性函数所带有的误差以及系统模型本身存在的不确定性或扰动性,在基于神经网络的控制器的控制之下,只是得到跟踪误差一致最终有界(uniformly ultimately bounded)的结果。在第四章中,我们所设计的鲁棒自适应控制使得机器人的速度跟踪误差和环境边界跟踪误差收敛于零。(3)基于环境浓度函数的拓扑信息为(领航)机器人设计了非线性控制使其跟踪期望边界。机器人跟踪期望的环境边界问题可以看做:为机器人设计控制器使得机器人处的浓度函数值趋于环境边界浓度值,机器人运动方向和环境等值线切线方向的角度差趋近于零。在第五章中,首先,基于机器人的运动学模型,推导出了环境边界跟踪问题的两个参数:浓度函数,机器人方向与等值线切线方向角度差沿着机器人轨迹的动态模型。然后,为机器人设计了角速度控制率使得机器人最终以常线速度跟踪期望的边界曲线。随后,将上面所设计的角速度控制率和常线速度看做机器人的参考速度,进一步基于动力学模型为机器人设计了控制输入使其速度跟踪所设计的参考速度,从而达到跟踪环境边界的目的。