多机器人持续监控问题一直是当今社会研究热点,其可应用于众多领域,不但将人从复杂危险的环境替代,而且使得任务域监控效率得到很大提升。多个机器人可以协同对任务域进行持续监控及巡逻,在执行任务时,能实时准确的对复杂环境决策,可以最大限度完成繁琐和危险的任务。针对多机器人持续监控问题,主要研究内容如下:(1)针对有障碍环境中多机器人系统持续监控问题,基于泰森多边形(Voronoi)和虚拟力方法构建了一种分布式监控算法。首先,利用Voronoi实现对监控区域的划分,并结合所引入的重叠质心和有效质心概念,实现了区域覆盖重叠率的计算。在此基础上,利用Voronoi和虚拟力构建了机器人运动模型、设计了机器人避障及状态信息实时更新算法。再次,通过仿真实验,分析了环境变化、感知模型、机器人数量、区域重叠率等因素对机器人完成持续监控任务的影响。仿真结果表明,所提分布式算法提高了多机器人系统对任务区域的持续监控效率。(2)针对多机器人系统协同持续监控问题,构建了一种基于目标点不确定度的多机器人持续监控分布式算法,目的将任务域所有目标点的不确定度和瞬时闲置时间降到最小,对目标点维持一定的访问频率。在监控过程中,机器人利用共享信息来评估目标点的累积不确定度和闲置时间,并结合相邻目标点采集的更新列表及效用函数在线决策将要访问的目标点。该算法充分考虑了当前及相邻目标点的信息,能有效预防多个机器人为争夺同一目标点而发生冲突。最后,通过仿真验证了环境、机器人数量及算法改变对监控的影响,随着机器人数量的增加,TPUAF算法的各项指标达到最优,多机器人系统持续监控整体性能表现更好。(3)针对基于自适应性PSO的局部最优解问题,构建了一种改进粒子群优化算法,所提算法基于自主感知学习和自主探索学习相结合的策略进行任务区域的持续监控和搜索。为了解决PSO局部最优解,利用目标维度感知模型、适应度、学习因子、惯性权重及速度增强因子,实现了PSO由局部最优到全局最优的过程。最后,对其它几种PSO优化算法进行对比分析,仿真结果验证了算法在适应度、覆盖率、覆盖参与粒子数、覆盖耗时及均衡度方面的优势。通过以上参数的优化,更体现该算法优越性。对未来任务域的全局监控和覆盖提供了新思路。