安全一直以来都是影响人类社会稳定发展的重要因素之一。以安全为目的进行的巡逻任务,在商场、仓库、车站等公共场所,乃至边境、海域等国防领域都发挥着至关重要的作用。多机器人系统具有并行性、鲁棒性、可扩展性等优势,用其代替人类完成重复、枯燥、危险的巡逻任务已成为一种必然趋势。机器人之间的协调协作是巡逻中最具决定性的问题,因为机器人必须有效协调他们的行动以获取周围环境的信息,从而保证整个巡逻区域处于安全状态。针对多机器人协调巡逻问题,主要研究内容如下:(1)基于ROS建立了多机器人巡逻系统仿真实验平台multi_robot_patrol。该平台适用于任意环境和任意数量的机器人团队。此外,为了便于在现实环境中测试多机器人巡逻算法,利用实体机器人TurtleBot3建立了实体实验平台multi_turtlebot3。在仿真实验平台上测试的程序可以直接移植到实体实验中,保证了在仿真环境中所得的结果可以随时在现实环境中进行验证。(2)基于系统全局平均闲置时间设计了一种分布式在线巡逻算法(EGAI)来解决多机器人协同巡逻问题。机器人在进行决策时预先估计到达相邻点后系统的全局平均闲置时间,并向能使全局平均闲置时间降低的方向运动。为避免局部最优,算法同时考虑了相邻点的瞬时闲置时间。该算法也考虑了其他机器人的目的信息,可有效避免机器人之间的冲突。仿真及实体实验结果均表明,随着机器人数量的增多,全局平均闲置时间逐渐降低,系统性能逐渐提高。与最新的五种分布式巡逻算法的比较显示了EGAI算法能表现出更好的性能,且更适用于执行机器人数量较多时的巡逻任务。(3)针对EGAI算法在机器人数量较少的情况下巡逻顶点之间的访问频率差异较大的问题,设计了一种新的分布式巡逻算法(CVFV)。仿真及实体实验结果表明CVFV算法对提高巡逻顶点的访问频率有明显效果,最终使每个顶点都以近乎相同的频率被访问。此外,以平均点频率作为评价标准时,与几种最新的算法相比,在机器人数量较少的情况下,CVFV算法性能最优;而在机器人数量较多的情况下,EGAI算法性能最优。