复杂工作环境下将移动多机器人控制方法与传感器网络技术相结合是移动多机器人控制研究中的一项前沿技术,这项技术对移动多机器人控制中的定位、路径规划、队形控制等方面具有重要意义。传统方法下移动多机器人与外部导航设备分离时,通常使用惯性导航方式继续跟踪机器人,然而在惯性导航工作方式下,随着时间推移,所积累的导航误差、里程计误差均会限制惯性导航方法在移动多机器人控制中的使用。基于无线传感器网络的多机器人控制方法可以充分利用传感器网络的自组织、智能化、多源等特性,对移动多机器人的工作位置、障碍物进行感知与识别,进而提高移动多机器人系统在封闭、强噪声等复杂工作条件下的鲁棒性、普适性及抗干扰能力。本文基于传统移动多机器人控制理论,对现阶段移动多机器人控制系统的导航、路径规划及编队控制理论进行了深入研究,系统分析了现阶段移动多机器人控制方法存在的问题,提出了将无线传感器网络与移动多机器人控制方法相结合的新方向。本文围绕基于无线传感器网络的移动机器人控制关键技术展开了以下三个方面的研究:(1)剖析了现有全球定位系统/惯性导航定位系统存在的外部信号更新速度慢、易丢失、无全球定位系统时惯性导航积分计算累积误差大的问题,提出了一种基于噪声平滑矫正的改进加权质心定位/惯性导航松散组合位置解算方法。在所提解算方法中,提出利用自身噪声功率较小的改进加权质心定位信息平滑噪声较大的惯性导航航向信息,通过预测加矫正的方法实现上一时刻位置解算状态对当前位置解算状态进行估计;当前位置解算状态的观测与上一时刻位置解算状态进行比较;迭代出组合位置解算系统的最优状态值。在所提算法中,惯性导航与改进加权质心位置解算方法以松散组合方式独立工作,通过卡尔曼滤波算法将不同来源的传感器信息进行融合来实现组合定位的最优估计,实现了无线传感器网络为惯性导航系统提供绝对位置信息的设计目标。实验结果表明,无论是在定位精度、还是噪声方面,采用网络环境下改进加权质心定位/惯性导航方式都要优于改进加权质心定位或惯性导航方法,体现了绝对定位和相对定位的优势互补并在静态工作环境下提供高精度坐标的能力。(2)针对传统基于空间知识模型路径规划算法难以在大范围、静态、无地图工作环境下做出综合性、正确决策;并由此带来路径规划结果易收敛到局部极小值进而导致运动死锁状况发生的问题,提出了一种网络环境下基于全连接前馈神经网络的跨域迁移寻优路径规划算法。该算法首先在无线传感器网络环境下建立全局工作区域坐标系;其次,借助全连接前馈神经网络的快速分类能力,建立起基于全连接前馈神经网络的避碰感知器,将障碍约束问题跨域迁移为一个碰撞惩罚函数解算问题;再其次,通过建立路径能量函数,将路径约束问题转化为路径解算问题并进行求解;最后,采用改进粒子群优化方法对所建立路径能量函数进行寻优,通过迭代方法计算出机器人能够逃离陷阱状态的最优路径。实验结果表明,与传统基于空间知识模型的路径规划方法相比较,所提出跨域迁移路径规划算法在大范围、静态工作环境下,缩小搜索路径、提高生成路径平滑度、提高收敛速度方面有显著效果。(3)针对标准Leader-Follower编队控制方法存在的控制方法单一、抗干扰能力差、构形速度慢等问题,提出了一种网络环境下基于信息反馈方法的改进Leader-Follower编队算法。该算法首先在基于无线传感器网络信息拓扑与通信拓扑一致的条件下建立起非线性增量移动机器人运动学模型,将编队坐标位置属性解耦为二阶模型;其次,算法对控制器和跟踪算法重新设计来保证队形控制方程在网络环境下正常工作;最后,通过Lyapunov方法建立起编队控制稳定验证模型并验证了所提出算法的稳定性。所提出基于信息反馈的LeaderFollower算法相比标准Leader-Follower算法在机器人计算任务分配上更加灵活;克服了传统Leader-Follower算法依靠距离传感器获取数据方式单一性所带来的弊端,在队形控制方面表现出更高的一致性和灵活性。实验结果表明,与标准LeaderFollower编队控制方法相比较,所提算法稳定性更高、抗扰动能力更强、构形时间更短,方法切实可行。