随着机器人技术的发展,对机器人能力的要求也越来越高。目前,有关多机器人的研究日益得到重视,由于多机器人通过个体之间的协作可以完成个体机器人无法完成的任务。在许多应用中,系统要求多机器人组成并保持设定的队形以完成复杂的任务。本文以多机器人编队为课题,研究了多种环境下的形成队形及队形控制问题。论文主要工作如下：第一,针对已知静态环境下的队形控制任务,提出了基于广义蚁群算法(GACO)的多机器人编队全局路径规划算法。为躲避静态障碍物,设计了栅格关联矩阵,减少了计算量；为了快速地选择出多机器人的全局最优路径,提出了队形误差与路径长度加权平均构成的代价函数。在此基础上,考虑了存在未知动态障碍物环境下的保持队形问题。为躲避动态障碍物,首先对多机器人与动态障碍物的运动轨迹进行碰撞预测,然后根据避障策略进行局部规划。仿真结果表明,该算法具有较强的路径规划能力。第二,为完成未知静态环境下的形成队形任务,提出了基于粒子群算法(PSO)的多机器人形成队形滚动优化算法。为适应未知环境,该算法根据实时测得的局部环境信息,以滚动方式进行在线规划。通过对基于行为法研究与分析,提出了奔向目标、队形误差、避碰惩罚、避障惩罚四个子函数加权平均构成适应度函数。避障惩罚函数兼顾安全性与路径代价要求,解决了避障转角不平滑问题。队形误差函数使保持队形效果较好,解决了离队问题。为了实现行为的决策,通过PSO算法优化各机器人每步的运动向量。另外,为了防止系统陷入死锁及减少通讯量,采用混合控制方式执行任务。仿真结果显示,该算法可快速地形成队形,具有较好的灵活性及协调性。第三,针对未知动、静态环境下的队形控制任务,提出了基于PSO的多机器人队形控制滚动优化算法。该算法根据滚动窗口中的局部环境信息对子目标的权值、粒子的飞行方向或编队形状进行动态调整,实现了多机器人通过队形保持、队形变形及队形变换等策略适应多种未知环境。采用绕行及调用避静态障碍物惩罚函数的方法避障,使得机器人具有较强的避障能力。另外,针对躲避未知动态障碍物问题,首先对该障碍物的大小及运动轨迹进行预测,然后根据避动态障碍物惩罚函数进行躲避。仿真结果表明,该算法具有较强的避障能力,并对未知环境具有较强的适应性。