多机器人系统具有良好的空间分布性与信息互补性,以及成本低、性能高等特点,可以代替单个机器人完成繁杂任务,实现复杂作业任务分流,改善单一机器人能力,更具灵活性、鲁棒性和社会性。多机器人的协同目标追踪控制在军事、空间探索、环境监控等领域有着广泛应用,具有重要的实际应用价值。特别是将机器人的非完整约束、非线性等固有特性作为约束条件与分布式协同运动控制相结合,多机器人的协同目标追踪控制具有更重要的理论研究意义。结合现实应用和分析现有研究成果,多机器人的协同目标追踪控制仍存在几方面的问题亟待解决:(1)常采用相对简单的机器人模型和算法。所采用的简单模型对于实际系统动态特性的描述不完整,因而很难适应环境的动态变化;设计基于线性系统的协同控制算法,一旦将上述理论应用于实际机器人模型,就难以获得理想的控制效果。(2)设计的机器人应用环境过于简单。常未考虑外部干扰、障碍、通信范围以及机器人的交互能力等现实问题,忽视这些问题将给实际应用带来局限性。(3)常忽视机器人的“不确定性”问题。机器人本身的高度非线性和复杂性会导致存在建模偏差及未建模动态,这些问题一旦忽略,多机器人协同控制的精度将受到影响。(4)常忽略机器人个体可能出现的问题,例如机器人个体故障、执行器的输出有限等,如果忽略这些问题就会降低系统性能,造成系统不稳定。综上所述,本文结合现实应用中存在的难点以及以往研究的不足,考虑满足非完整约束的地面移动机器人和满足完整约束的水下机器人和空间机器人,基于多非完整约束模型和多欧拉—拉格朗日模型,以协同控制相关理论和非线性控制理论作为理论研究基础,分别就完成协同目标环绕追踪和协同目标跟随追踪两种编队展开研究,主要包括以下几方面内容:(1)针对目标和地面移动机器人之间局部通信带来的信息缺失情况,在全局坐标系下提出仅利用局部信息来估计目标位置的分布式估计策略;针对信号直接微分带来的噪声干扰,采用具有滤波功能的跟踪微分器估计目标速度;在此基础上,提出基于图论和反步法的分布式控制律,实现多非完整型机器人对目标协同环绕追踪控制;理论证明了系统的稳定性,仿真实验验证了所提方法的有效性。(2)针对地面移动机器人感知交互能力有限及机器人容错控制问题,在局部坐标系下仅利用机器人与目标,以及相邻机器人之间的距离和方位角信息,基于向量场法设计与机器人个数无关的分布式控制律;该控制律具有便于扩展、删减、增加系统内机器人数量的特点,从而实现多非完整型机器人协同目标环绕追踪的容错控制;通过李雅普诺夫定理和Barbalat引理证明系统稳定性,仿真实验验证控制律的有效性。(3)针对水下机器人和空间机器人建模不精确性以及环境中干扰和障碍等对控制效果的影响,基于多欧拉—拉格朗日模型,设计鲁棒的多机器人内外环协同控制器。外环采用零空间行为控制(Null-space-based Behavioral Control,NSB Control),通过任务优先逆运动学对不同的任务描述和映射,实现带有避障功能的协同目标跟随追踪。对于机器人“慢变线性化不确定性”问题,在内环设计自适应比例微分—滑模控制方法(Adaptive Proportion Differentiation-Sliding Mode Control,APD-SMC),利用比例微分(Proportion Differentiation,PD)部分代替传统滑模的等效部分实现无模型控制,确保不确定参数对控制效果无影响;利用滑模部分的鲁棒项实现系统的强抗干扰能力;利用自适应部分对可线性化的参数进行估计,避免过大的控制增益,并补偿干扰,增强系统的鲁棒性,实现与模型无关且强鲁棒性的控制系统;理论证明内外环控制器的稳定性,并通过与NSB+SMC、NSB+ASMC以及NSB+PD的对比实验,验证所提控制器优越的控制性能。针对机器人“快变非线性不确定性”问题,在内环设计了径向基神经网络比例微分—滑模控制方法(Radical Basis Function Neural Networks Proportion Differentiation-Sliding Mode Control,RPD-SMC),实现学习能力强、简单、无模型的强鲁棒控制系统。(4)针对实际应用中输入约束问题,利用有界反正切函数改进了 RPD-SMC方法,提出有界径向基神经网络比例微分—滑模控制方法(Bounded Radical Basis Function Neural Networks Proportion Differentiation-Sliding Mode Control,BRPD-SMC),既保证输入有界,又保留RPD-SMC的优点,实现有界无模型的鲁棒控制系统;最后对系统的稳定性进行了严格的理论分析,并通过与NSB+ASMC及NSB+PD的对比实验,验证所提控制器具有良好的控制性能。