未知环境探索是移动机器人领域的基本问题,能够广泛应用于外星球探索、军事侦察、灾难搜救等领域。利用多个移动机器人协作探索未知环境具有并行处理、容错、柔性和信息冗余的优点,不仅有助于克服传感器的不确定性,而且扩展了单个机器人无法实现的功能。本文在国家自然科学基金项目“基于不精确地图的移动机器人室内导航技术”和国家863计划资助项目“分布式多机器人合作与竞争机制及其应用技术”的资助下,以提高机器人协作探索的效率为目的,对多机器人协作探索的若干关键问题进行了系统深入的研究。主要包括如下几个方面:第一,基于传感器信息的局部避障方法(反应式导航)在实际机器人的环境探索中扮演着很重要的角色。各种速度空间寻优方法,如曲率-速率法(CVM)、巷道-曲率法(LCM)和扇区-曲率法(BCM)把环境约束和机器人的动力学模型考虑在内,把局部避障问题转化为速度空间的约束优化问题。本文将碰撞预测模型与改进后的BCM有效结合,不仅兼备了CVM的平滑性、LCM的安全性和BCM快速性的优点,而且弥补了各种速度空间寻优方法的不足,使其能够提高移动机器人在未知环境下的探索效率。第二,创建环境地图能够克服反应式导航方法容易陷入局部最小的固有缺点,有效提高探索的效率。所以本文综合各种环境表示方法的长处和不足,提出了一种新型的拓扑地图及其在线创建方法。该地图用激光的扇区特征和视觉的比例不变特征来联合表示节点。与传统的地图表示相比,该地图在创建过程中不依赖任何人工陆标和机器人的全局精确定位。实验表明,该地图不仅易于创建和维护,而且适用于机器人在大规模未知室内环境下的全局路径规划(慎思式导航),以便于实现高效的环境探索。第三,利用多个移动机器人协作探索未知环境与单机器人相比具有很多优势,同时也带来了新的挑战。其中局部地图的拼接、协作策略的选择以及有限的通讯能力是亟待解决的关键问题。通过综合考虑单个节点的相似度和不同节点间的空间关系,机器人利用隐马尔可夫模型提高节点识别的准确率,从而把不同局部地图的拼接问题简化为特征匹配问题。多机器人协作探索的实验表明本文提出的拓扑地图方便机器人选择合适的协作策略,有助于降低协作探索的时间。第四,为了解决上文提到的有限通讯能力问题,将多机器人系统与无线传感器网络结合构成移动感知网。本文通过将机器人领域的蒙特卡罗方法引入节点定位,提出了一种Mixture-MCB方法。该方法采用混合采样的方式提高采样的成功率,有效的解决了传统蒙特卡罗方法的粒子耗散问题。机器人在探索未知环境的同时部署感知网节点,并利用传感器的信息减轻机器人间的通讯负担。