多个自主导航机器人协作探索地图,是在未知环境中高效率执行危险且繁杂任务的基础。单个机器人传感器探测范围、通信连接、电源功率等都受到限制。在大尺度、复杂未知环境中。装备摄像机、激光雷达等多种探测传感器的机器人群体通过共享信息,高效协作完成探测二维和三维地图或模型面。协作可以缩短搜索时间,同时在提高模型完整性和准确性方面也具备很大的潜力。面向传感器和通信连接受限的机器人群体,下一步最佳视点规划和传感器数据融合是多机器人协作完成即时定位和地图构建的关键问题。针对无中心机器人群体的观测数据融合问题,提出了一种改进的基于RaoBlackwellized Particle Filter的多机器人探索和地图构建算法。引入基于位置聚类的粒子新信息调整粒子群的提议分布,在保证算法精度的前提下,可大幅减少机器人定位与建图所需的粒子数,有效地改善了粒子退化问题。针对重采样过程出现粒子多样性丢失的问题,使用概率算子以增加粒子的多样性。算法充分利用各机器人从不同视角对相同区域的测量信息,使用汇合机器人的相对观测来初始化粒子滤波器,将汇合前后的观测值融合成全局栅格地图。最后经过仿真实验分析验证了该算法能够改善多机器人协作探索与地图构建的一致性。针对多机器人协作探索的下一步最佳视点规划问题,研究了行为模型和代价函数的构建。在复杂未知环境中,前沿多个单元格成本函数和效用值往往相等时,探索势能场梯度丢失,下一步最佳视点容易被限制在一个小范围空间内。提出一种改进的灰狼算法多机器人协作探索,提高探索地图的覆盖率。针对传统灰狼算法中初始化种群的多样性匮乏的问题,引入佳点集理论,初始化灰狼位置,提高短时间进入未知区域的概率。对于局部探索缓慢的问题,建立了基于Powell局部搜索策略,提高局部探索效率。传统灰狼算法未考虑个体自身的经验,缺乏个体自身位置记忆性。提出的改进灰狼算法记录个体运动历史最优解,迭代计算得到最优位置作为下一步最佳视点。实验结果表明,基于所提出的改进灰狼算法的多机器人协作探索能够提高协作探索效率和地图覆盖率,减少探索中断次数。