机器人技术自19世纪进入人们的视野,科研人员便对其进行了大量的研究,并且被应用到物流、工业、交通、航空航天等领域。机器人一般使用蓄电池提供所需的电能,当电量不足时,需对机器人进行充电。目前对于单体机器人的充电技术研究较为成熟,而群体机器人的充电技术还无法满足其持续不间断工作的需求。基于此,动态无线供电技术便应用于群体机器人电能补给场景中。本文基于群体机器人动态无线供电系统,对群体机器人动态无线受电路径规划问题展开研究,可满足群体机器人稳定有序获取电能补给。主要解决了如下几个问题:首先,为了研究在机器人动态无线充电场景下系统的输出功率以及传输效率的变化,基于方形阵列式发射模组结构,分析了机器人在动态无线受电过程中存在的耦合情形,构建了单发射-单接收、双发射-单接收、四发射-单接收耦合情形的数学模型,并推导了机器人动态无线充电场景下系统输出功率和传输效率的变化,分析了收发线圈之间互感的变化规律。利用仿真软件COMSOL Multiphysics对接收线圈在不同位移下收发线圈之间的互感进行了分析,通过实验对仿真结果进行验证,测量了接收线圈不同位移下收发线圈之间的互感。发现机器人在移动过程中,收发线圈中心重合时系统的输出功率以及传输效率最高,随着重合部分的减少,系统的输出功率以及传输效率随之减小。其次,为了解决机器人动态无线充电场景下的路径规划问题,以机器人运动过程中充电的功率以及传输效率最优为目标,提出一种惩罚机制。机器人在发射线圈内移动不进行惩罚,反之,进行惩罚。将该机制应用于Q-learning算法和蚁群算法中对其进行改进,进而研究机器人的路径规划问题,使机器人在路径长度、充电功率以及传输效率等性能指标上最佳的路径上移动。通过matlab仿真软件对加入惩罚机制的Q-learning算法和蚁群算法进行仿真分析,发现相较于传统的蚁群算法,加入惩罚机制的蚁群算法可使机器人在发射线圈内的路程增加约30.6%,而相较于传统的Q-learning算法,加入惩罚机制的Q-learning算法可使机器人在发射线圈内的路程增加26.4%。可见,与改进的Q-learning算法相比,改进的蚁群算法路径规划结果较优。再次,进一步研究了群体机器人在动态无线充电场景下工作的路径规划问题,提出一种群体机器人协同工作模式,可避免机器人在工作过程中发生碰撞冲突,并将其应用于群体机器人协同动态无线充电系统,进而研究了各单体机器人高效受电路径规划问题。并且对本文提出的协同工作模式进行仿真验证,其结果显示协同工作模式可实现群体机器人在动态无线供电过程中稳定可靠协同工作。最后,搭建了群体机器人动态无线充电系统实验平台,进行实验验证,结果表明本文的研究可为群体机器人的电能补给提供保障,并对基于群体机器人的群体智能的研究具有极大的促进作用。