近年来,包括协同搜索和救援在内的许多实际应用都引起了人们对机器人群体控制的极大关注。机器人群体通过单个机器人间的交互,实现机器人群体的协同运动,具有空间和功能的分布式和高容错性等特征。使得机器人群体大于个体之和,机器人群体可以执行单体机器人难以完成的复杂任务。机器人群体控制仍面临很多挑战,例如机器人群体避障时的群集一致性问题。这是由于未知环境下,机器人彼此之间的交互和环境的交互同时进行,频繁且量大的交互和计算使得机器人群体的实时控制难以实现。上述问题,限制了机器人群体在未知环境下应用的发展。因此,需要一个计算量和通信量可接受的控制算法,实现机器人群体在未知环境下的实时控制。第一,本文提出了一种机器人环境自适应控制模型。具体为,在未知环境中,机器人使用传感器直接获取环境信息进行处理,将处理后的环境信息与当前任务目标、避障任务作为输入,选择控制策略,根据策略和约束条件完成运动决策。第二,为了实现机器人群体的群体一致性和协同避障,本文研究了基于目标的绕行避障算法。基于路径预测和目标信息转换,对人工势场法进行了改进,同时实现了机器人到障碍与机器人到邻居机器人的距离控制,并通过Gazebo仿真器实验验证了该绕行避障算法的有效性。第三,提出了一种基于邻居奖励的分布式的控制策略,以优化机器人群体系统在未知环境下的碰撞躲避和自组织。这种分布式策略利用奖励值（包括速度奖励和障碍奖励）来衡量机器人的运动和状态,并通过奖励值来确定是否与邻居机器人交互或借鉴邻居的运动状态以调整自身的运动。通过这种有选择性的交互,我们降低了多机系统中的交互成本,提升了多机器人系统的可拓展性。同时,这种控制策略让机器人得以通过邻居的信息来优化自身对周围环境信息的获取,帮助多机器人系统更好地应对未知环境。本文设计了有不同障碍的场景,基于邻居奖励分布式控制和绕行避障控制算法,我们用多个四旋翼无人机在仿真环境中进行了策略验证和对比实验,实验结果证明了控制算法在未知环境下的适应性和机器人数量的可拓展性。