多机器人协同系统凭借其分布式、高冗余、低成本、可重构等优势,正越来越受到研究者的重视。然而,多个机器人的简单叠加不仅不能提升效率,反而可能因相互干涉而影响系统正常运转。因此,研究适用于多机器人系统的任务空间运动规划与关节空间避碰算法,对于多机器人系统的协同、持续、高效、安全运行具有重大意义。本文将上述目标分解为三个主要部分来实现。第一,针对单机器人的最优运动规划问题,介绍了数种高效的运动规划算法,其中,基于残差结构的运动规划神经网络在保持路径的近似最优性的同时,将规划耗时减少了约90%,能够实时为机器人生成任务空间无碰期望运动。第二,针对传统方式计算多机器人间最小距离过于低效的问题,提出了两种高效的距离决策函数建模方法。其一是通过支持向量机来拟合碰撞平面,将机器人位形到分类超平面的距离作为真实距离的估计,但是该方法可能导致协变量偏移,影响模型性能。为此,提出了基于在线生成的数据序列进行持续学习的避碰神经网络,通过引入模型先验对采样数据进行筛选,相较于支持向量机,在实现更优性能的同时使数据集规模减少了约74%,推断耗时降低了约60%,大幅提升了计算效率和数据利用效率。第三,提出了一种综合考虑运动学约束、避碰约束与任务约束的多机器人逆运动学求解框架。其中,运动学约束由机器人本体参数决定;避碰约束可由距离决策函数进行高效计算,仅在将要发生碰撞时被激活,实时修正机器人的关节空间运动;任务约束可由运动规划算法高效求解,实现对任务空间无碰期望运动的在线规划的同时,基于任务优先级将避碰运动对期望运动的影响降至最低。此外,整体框架被建立为二次规划形式,因此可以利用数值优化算法快速求解。仿真及实验结果表明,本文提出的框架能够快速有效地解决多机器人系统中的协同运动规划与避碰问题,为实现多机器人协同系统的智能化决策过程,及其在多机器人协同装配中的应用提供了新途径。