随着自动化技术的不断发展,车间物料运输系统不断向着智能化的方向发展,而工业AGV作为一种新型的物料运输设备,因其具有较高的柔性和灵活性,大大提高了车间物料搬运的效率,已经逐渐成为车间物料运输的核心。然而,随着车间物料运输对AGV运输能力的要求不断提高,单个AGV的应用场合比较有限,而多个AGV组成的物料搬运系统可以极大的拓展其应用范围,因此本文主要针对多AGV系统进行研究,主要研究内容如下:（1）优化机器人轨迹跟踪算法:多机器人系统首先需要对全局的轨迹进行精确的跟踪,从而到达指定位置进行相应任务的执行。首先是基于PID算法的轨迹跟踪控制器,但PID算法调参较难,并且参数固定,不能很好的适应不同曲率的预定轨迹,因此在PID的基础上添加了BP网络,使其能针对不同曲率路径输出不同的PID值,相比单纯的PID算法,虽然跟踪的效果有所改进,但是仍然有跟踪失败的概率发生,这是由于BP网络容易陷入局部最优的缺陷导致的,因此又在BP网络的基础上添加了遗传算法对网络参数进行全局优化,最终设计出了基于改进GA与BP-PID融合的控制算法,最终经过多次对比仿真实验,发现融合后的算法可以对预定轨迹进行精确的跟踪,验证了算法的有效性。（2）改进了编队控制算法:首先分析了多机器人的协同编队控制算法,设计了基于行为式的编队控制算法,并测试了行队形,列队形,V型队形和菱形队形的编队仿真实验,其次对其进行改进,以克服多机系统编队迟滞、编队效果滞后等问题,最后通过对比实验发现改进后的算法可以减小编队的迟滞的问题,验证了改进算法的可行性。（3）设计了基于强化学习和行为式方法融合的多AGV编队算法:首先分析了强化学习的相关理论基础及其常用的算法,其次分析了基于行为式编队控制算法的不足,随着对多机器人的应用要求越来越高,需要多AGV系统编队时可以根据环境的变化而变化,提高整体编队的灵活性和适应性,因此设计了基于强化学习和行为式方法融合的多AGV编队算法,并为其设计了三种MATLAB仿真环境,通过最后的仿真实验结果验证了算法的可行性。（4）最后搭建了多移动机器人的实物平台,分析各个模块之间的关系,并分别测试了四种试验场景,发现多AGV可以实现真实环境的编队,实验结果验证了算法的可行性。