随着机器人技术的快速发展，其应用领域从结构化的已知室内环境，拓展到危险区域的搜救、勘探、有毒物品的处理和军事应用等未知动态环境，在真实动态未知环境中移动机器人完成各种智能任务的首要前提是对未知环境进行有效探索及创建环境地图。 多个功能有限的机器人组成的多机器人系统远比单个功能复杂的机器人具有优势，可以完成单个机器人无法完成的任务，更加有效和可靠地完成任务，鲁棒性强。多机器人系统可以提高环境探索和环境地图创建的效率，多个机器人并行工作可减少探索所需时间，灵活性、可靠性及容错能力更强：通过融合多个机器人的感知信息，可以创建更精确的环境地图，获得更精确的环境认知。与在单个机器人环境建模和探索方面已经取得的相当成熟的研究成果相比，在未知环境中，在时间、能源、计算能力、通讯能力、感测能力、移动能力等各种约束条件下，实现多机器人的有效协同探索和环境地图创建是一个具有挑战性的问题，有许多难题亟待解决。本文主要针对多移动机器人系统的协同环境探索策略及多移动机器人的环境地图创建展开研究，主要研究内容如下： 首先，本文综述了多机器人系统环境探索和环境地图创建方面的研究现状，介绍了论文的研究背景和论文结构。 其次，在分析目前多移动机器人协同环境探索常用拍卖算法局限性基础上，应用多智能体的合同网协议实现分布式的多移动机器人协同环境探索，提高整个系统的容错性和可靠性，改进的多轮单物品拍卖算法可有效地为多机器人分配目标点，仿真结果验证了该算法可以实现多移动机器人有效的协同探索，并且与组合拍卖相比，计算量大大降低。 第三，针对多机器人环境探索中为多机器人分配多目标点的组合优化问题，利用遗传算法的全局搜索能力，解决多移动机器人的多目标点分配问题；引入免疫网络理论和克隆选择算法建立动态分布式的多机器人协同环境探索机制，尝试在多个机器人之间以及在机器人与未知环境之间建立智能，提高探索系统的冗余性和鲁棒性；针对传统遗传算法的早熟收敛局限，应用免疫遗传算法为多移动机器人分配多目标点，将遗传算法的随机全局搜索能力、并行性与免疫系统的抗体多样性相结合，免疫遗传算法能够更有效地为多移动机器人分配目标点。仿真结果表明了这一方法的有效性，特别是在复杂的环境中，其在目标分配上的时间大大减少。 第四，针对室内结构化环境地图创建，在对移动机器人固定配置的声纳传感器不确定信息的分析基础上，利用Hough变换对原始声纳数据进行直线特征提取，对声纳数据的预处理，不仅改善了地图的精度，而且减少了数据融合的计算量，提高了环境地图创建的效率；利用D-S证据理论对声纳数据进行融合，引入自适应的距离置信因子消除大量不确定信息，建立环境的栅格地图；通过PioneerⅢAT机器人实验，验证了算法的有效性。 第五，针对声纳数据的不确定性信息，基于粗集理论，引入分层约简方法处理声纳数据；在约简的基础上，应用多个神经网络进行目标识别，多神经网络的有效组合可以增强模式分类的有效性，局部并行网络结构可以增加识别精度，应用平均加权策略融合并行神经网络的输出以改善识别系统对于噪声、声纳数据丢失等的鲁棒性。仿真结果表明，与传统的基于声纳数据的目标识别算法相结合，该方法可以提高室内环境下移动机器人基于声纳数据的目标识别率，可以快速有效识别室内环境中的平面、锐角、转角、圆柱等典型目标。 第六，研究了在没有公共参考坐标系及机器人相对位置信息未知情况下的栅格子地图融合问题，在地图相异度概念基础上，采用一种基于免疫自适应遗传算法的移动机器人栅格子地图融合方法，搜索两个栅格子地图的最佳重叠区域。利用免疫算法的抗体多样性维持机制，克服遗传算法的早熟收敛问题；基于抗体相似度和矢量距计算选择概率，保证抗体的多样性；基于抗体的适应度实时调节交叉和变异概率，降低遗传算法陷入局部最优解的可能性。仿真研究结果表明，该算法具有较快的收敛速度和较强的全局搜索能力，能够有效地搜索到两个栅格子地图的最佳重叠区域，实现地图融合。 最后，论文对所取得的研究成果进行了总结，并阐述了下一步的工作。