多机器人系统（Multi-Robot System,MRS）具有良好的自主移动性、灵敏性和强鲁棒性,能够很好的克服单机器人作业面临的瓶颈,被广泛的应用于工业生产的各个领域。多机器人系统如何协作完成智能工厂中高实时性的数据巡检任务一直是多机器人系统研究的热点,本文对多机器人系统协作进行数据巡检的任务分配及巡检任务所在车间的路径规划问题进行研究,合理的任务分配与路径规划不仅体现了多机器人系统的存在意义,也满足了“工业4.0”时代下智能作业的高实时性要求。在多机器人系统协作执行数据巡检作业时,若要实现全局巡检任务的按时完成,需解决的首要问题是为各机器人合理配置巡检任务,实现多机器人系统的负载均衡。当多机器人系统获得最佳巡检任务分配策略后,将依据分配策略去相应车间执行巡检任务,此时作业环境中可能存在拥塞、碰撞及冲突现象,因此如何在复杂多变环境中为每个机器人规划出一条无冲突的全局路径显得尤为重要。本文的研究内容为:1)针对现有任务分配算法未考虑多机器人资源状况与多巡检任务资源需求间的映射关系或无法适应环境的动态性问题,本文提出基于Stackelberg动态博弈的多机器人系统任务分配策略,Stackelberg博弈中参与者的动态行为恰好符合多机器人与多巡检任务的动态交互场景。首先,基于博弈模型为多机器人系统设置负载均衡的效用函数,将最大化效用函数作为博弈目标,旨在实现多机器人系统的负载均衡。而后,提出改进的强化学习SARSA算法不断学习最佳任务分配策略,以满足智能工厂巡检任务的高实时性需求。为适应任务分配策略的动态变化,引入状态转移概率与动作转移概率,将SARSA算法的确定性策略转变为随机性策略;为尽快得到每个机器人的最佳任务分配方案,引入平均状态动作函数监测状态动作值,动态调整SARSA算法的学习率。2)针对多机器人系统工作环境复杂且路径规划算法存在计算量大、实时性差等问题,提出一种基于动态权值矩阵的无冲突全局路径规划算法,旨在为多机器人规划连接多节点的无冲突时间优化路径。首先,为解决因机器人数量增多而导致的路径拥塞或碰撞冲突问题,引入中央控制器实时观测其他机器人的位置,动态更新路径权值矩阵,提前规避存在的路径拥塞、碰撞冲突等现象;而后,提出一种时间优化的全局路径规划算法,在连接多巡检任务的单路径段中不断迭代寻找包含两个节点的权值最小路段,再寻找包含该路段两端节点与其他任务所在节点的时间优化路径,不断迭代直至寻找到一条包含最佳巡检任务集所在节点的时间优化路径。最后,本文基于多机器人任务分配策略和无冲突全局路径规划策略完成多机器人数据巡检任务。实验表明:基于Stackelberg博弈的任务分配策略实现了效用最大化及环境适应性能的优化;基于动态权值矩阵的无冲突全局路径规划策略在保证路径无冲突的同时,实现了多机器人路径移动时间的优化,满足了工业任务的实时性要求,具备一定的可靠性。