智能无人系统的应用模式正在从零散部署、单个遂行任务向规模化运用、智能化协同转变,群体运动规划是实现这一应用模式转变的核心问题之一。传统事先“预设”的协同方法基于对任务目标、环境等的可预期性和不变假设性,需要事先获得任务和环境的全面、具体的信息,相应系统仅限于执行那些专门为其设计的任务,无法适应超出程序设计或（机器学习）训练以外的情况。与之相反,真实环境中态势瞬息万变,各种可预期和非预期的因素都可能出现,某些层次上的任务目标也可能发生变化,事先“预设”的无人系统群体智能很难有效应对。深度学习技术基于其多层神经网络架构、海量的数据输入以及当前更高效的硬件支持,通过组合低层特征形成更加抽象的高层表示属性,以发现数据的内在特征表示。本文以多机器人运动规划为研究对象,以深度学习方法为基本手段,针对智能无人系统的避障规划、应对动态环境协同能力的学习以及协同过程中的容错问题展开研究。本文首先提出了基于异构机器人优势互补的群体路径规划方法,用特征融合技术将多机器人的视图汇聚以进行避障规划;进而提出了基于深度强化学习的多机器人协同动态环境探索方法,以应对动态环境的变化;最后提出基于多头注意力机制的协同探索噪声容错方法,使得多机器人能够在强噪声环境中分辨有用信息以协同完成探索任务。本文的主要工作如下:（1）设计了基于多机器人视觉特征融合的路径规划方法。针对具有不同能力、不同视角的机器人协同行进场景,本课题提出了基于异构机器人优势互补的路径规划思路。在此基础上,选取多机器人森林路径跟随这一具体任务,实现了基于多机器人视觉特征融合的路径规划方法,提升了系统的鲁棒性。（2）设计了基于深度强化学习的协同动态环境探索方法。针对传统事先“预设”协同方法很难有效应对各种可预期和非预期因素的问题,本课题提出利用“学习”的方法训练多机器人掌握协同策略,无需事先获得任务和环境的全面、具体的信息。同时引入注意力机制来帮助机器人在沟通时选择对自己有价值的信息,以有效应对动态障碍物的干扰。（3）设计了基于多头注意力机制的协同探索噪声容错机制。针对多机器人在强噪声环境下执行探索任务的过程中,难以学习到有效协同策略的问题,本课题提出多头注意力机制,帮助机器人在沟通的过程中筛选出正确且有价值的信息,进而正确地完成状态价值估计过程,以应对噪声环境。本课题基于上述实现方案和机制,在多机器人协同探索仿真环境以及现实环境中展开了实验,证明了提出方法的有效性及优势。