随着多机器人系统的广泛应用，如何提高系统的智能性，实现更加高效的多机器人控制以应对这逐渐复杂、动态的任务环境成为众多研究的关注点。而多机器人系统的智能一方面体现在其本身的机器智能，包括各种硬件的配置以及相应的算法设计等，另一方面体现在作为操控者的人类智能。针对前者，目前主流的方法便是基于机器学习使多机器人系统拓展丰富自己的智能化水平，而后者则是借助人类智能实现人在回路的多机器人共享控制。本书以多机器人控制为主线，以三种典型的多机器人任务环境为背景，分别提出三种控制方案，并搭配充分的仿真实验与实物实验验证其效果。针对典型的应用环境，无论是在仿真还是在实物实验中都能体现出较当前主流方法的优越性，为不同任务场景下多机器人系统的控制方案选择提供重要参考。本书的读者对象包括从事多机器人系统或人机共享控制研究的科研工作者。

第1章 绪论
1.1 研究背景和意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究现状与发展趋势
1.2.1 多机器人系统的体系结构
1.2.2 多机器人系统的主要研究方向
1.2.3 多机器人系统的新兴技术
1.3 本书的主要研究内容与组织结构
第2章 多机器人协同探索与打击的动态任务分配
2.1 探索与打击任务动态分配问题的数学描述
2.1.1 参与主体：机器人与任务
2.1.2 任务描述：探索与打击
2.2 基于市场竞拍的动态任务分配算法
2.2.1 任务分配原则
2.2.2 任务分配过程
2.2.3 算法框架
2.3 基于空闲链的动态任务分配算法
2.3.1 可分配任务集合的确定
2.3.2 任务分配策略
2.3.3 分配冲突处置
2.3.4 算法框架
2.4 基于深度Q学习的动态任务分配算法
2.4.1 环境信息描述
2.4.2 任务分配与奖励反馈
2.4.3 算法框架
2.5 实验验证与结果分析
2.5.1 仿真系统框架
2.5.2 仿真实验设计
2.5.3 不同设置下的实验结果
2.5.4 实验结果分析
2.6 小结
第3章 基于观点动力学的人-多机器人系统共享控制框架
3.1 基于差异化世界模型的人-多机器人系统策略共识
3.1.1 差异化世界模型
3.1.2 决策论
3.1.3 本章涉及的不同策略形式
3.2 基于机器人位置分布生成单机器人策略
3.2.1 预测对手即将采取的进攻策略
3.2.2 预测对手即将采取的防守策略
3.3 基于观点动力学模型融合多机器人策略
3.3.1 策略共识的观点动力学模型
3.3.2 影响矩阵的周期性更新
3.4 基于BcI概率分布形式表达人类观点
3.4.1 人类接受推荐策略
3.4.2 人类拒绝推荐策略
3.4.3 人类参与的重决策
3.5 实验验证与结果分析
3.5.1 半实物仿真系统框架
3.5.2 被试的SSVEP-BCI表现
3.5.3 半实物仿真实验评估算法表现
3.6 小结
第4章 基于意图场的人-多机器人系统共享控制框架
4.1 基于共享控制协同完成抢险救灾任务的问题描述
4.1.1 分层共享控制框架
4.1.2 差异化世界模型
4.2 多机器人系统本地自主控制
4.2.1 起火点选择(机器人意图)
4.2.2 编队控制
4.2.3 障碍物规避
4.3 基于脑机接口的人类意图表达
4.3.1 人类意图的表达
4.3.2 人类意图的传播
4.4.1 上层：意图场模型
4.5 实验验证与结果分析
4.5.1 基于仿真环境的半实物仿真实验
4.5.2 基于全向移动地面机器人平台的实物实验
4.6 小结
参考文献