随着现代科学技术的飞速发展,机器人的开发与应用范围的不断扩大。对于不同的工作任务和不同的工作环境,尤其是一些大型复杂的工作任务及环境,单体机器人在信息的获取、处理及控制等方面能力有限的问题日益突出。因此,需要利用多机器人协作来提高工作能力。 多机器人系统是当前机器人技术领域的一个研究热点,具有多学科交叉融合的显著特点。本文以多机器人系统为研究背景,结合MAS(即多智能体系统)的体系结构以及协调与合作技术,针对多机器人系统中信息的融合,多机器人协调中的任务分配与规划,对抗环境下的多机器人协调等问题对进行了深入研究,提供了有效的解决方案,主要工作和贡献如下: 1.从分析和研究多Agent的体系结构入手,提出了一种基于多Agent的信息融合模型,每个Agent分别对局部环境进行观测,对局部环境信息产生各自的信念,融合中心对不同Agent的信念进行融合并得出最终的决策。在多Agent协调的学习与对策中,重点研究与分析了多Agent强化学习算法和Markov对策。 2.提出了一种多Agent的分布式决策方法,构建了基于证据推理的Agent信息模型和基于可传递置信模型的多Agent决策框架,并给出了相应的算法。通过在机器人足球赛中的应用,对赛场环境信息及对手态势进行分析,得出有效的决策结论。 3.提出了一种基于知识的强化函数设计方法。在实际应用系统中对强化学习算法进行了改进,将经验信息和先验知识引入到强化函数中,构建了综合终极目标的奖惩信息和Agent动作策略的奖惩信息的强化函数。在机器人足球赛中的应用和实验结果:表明,基于知识的强化函数的学习效果明显优于传统的强化函数。 4.提出了一种基于分布式强化学习的多Agent协调模型并给出了相应的算法。在研究和分析多Agent环境中的分布式强化学习的基础上,设计了一种多级模型来解决多Agent协调,利用协调级完成系统任务的分解与子任务分派,利用任务级完成各个子任务的执行。在机器人足球赛中的结果表明,本方法的效果要优于传统的强化学习方法。