多主体任务规划在给定环境下面向目标做出优化的多主体行动决策,在无人群体协同执行任务这类场景中,有着广泛的应用。随着自主无人群体智能应用的发展,环境动态、规模增长、任务多样等对多主体规划提出了新的挑战,亟需从以集中式走向分散式多主体任务在线规划方法。这主要表现在:第一,环境往往瞬息万变,具有动态不确定性,许多先验数据无法提前获得,此类场景下必须具有临机的在线规划能力;第二,分散式的规划具有实时性、可扩展性、鲁棒性等方面的优势,比集中式规划更适配在线方法。然而,分散式任务规划面临着环境信息缺失、无中心、通信条件受限等挑战因素,导致决策效能往往存在瓶颈,不能满足任务需求。针对分散式任务规划决策效能的瓶颈问题,本文以动态环境下自主无人群体协同任务为研究目标,系统研究了基于意图共享的分散式任务规划方法,通过设计合理的协同模式尽力得到行动决策的近似最优甚至最优解。其基本思路是,耦合在线的群体协同的观察、判断、决策和行动循环（Observation-Orientation-Decision-Action,OODA）,在决策环节通过富语义的异步通信进行意图共享,并以一种对等协商的方式实现高效规划,支撑群体任务的又快又好的迭代执行。论文的主要工作和创新点总结如下:（1）面向无人群体协同场景中的多主体信息收集问题,提出了一种融合意图共享与意图预测的分散式蒙特卡洛树搜索方法（Decentralized Monte Carlo Tree Search with Sharing and Prediction,Dec-MCTS-SP）。该方法将意图定义为可行动作序列的概率分布。各主体在共享彼此意图的基础上,依据对环境模型的部分观察,通过团队奖励引导的本地蒙特卡洛树搜索,结合贪婪启发式的意图预测来选择更优的多种可行动作序列,并基于概率群理论（Probability Collective,PC）更新每种可行动作序列的概率,完成意图更新。多主体通过多轮次地迭代执行以上步骤,基于意图共享完成各自的分散式规划,选取自身最优行动序列。本文把多主体信息收集问题建模为分散式部分可观察的马尔科夫决策过程（Decentralized Partially-Observable Markov Decision Process,Dec-POMDP）,理论上可以验证本地改进的树搜索算法依然可以维持探索利用的平衡,意图更新算法可在多项式时间收敛到最优。实验表明,Dec-MCTS-SP算法相比于基准算法,可在更少的通信消耗和规划时间下,获得更多的团队奖励。（2）面向无人群体协同场景中的多主体对抗巡逻问题,提出了一种基于循环行为模式的分散式蒙特卡洛树搜索方法（Decentralized Monte Carlo Tree Search with Useful Cycles,Dec-MCTS-UC）。Dec-MCTS-UC将意图抽象为一种循环行为模式（Useful Cycles）,多主体间基于循环行为模式表示的意图进行规划和协商。循环行为模式是与环境相关的空间层面的行为抽象,在巡逻场景中可以使得分散式规划更加高效。Dec-MCTS-UC在Dec-MCTS-SP框架的基础上,使用环形枝杈改进搜索树中的节点和边的结构,从而使得算法可以在线地发现循环行为模式,并在本地规划和全局协同中利用循环行为模式。基于理论分析可以证明发现环形枝杈算法能收敛到最优环。在多主体对抗巡逻实验场景中,验证了Dec-MCTS-UC算法相比于基准测试算法,可以更快地更大概率的捕捉到入侵者,并且规划满足实时性需求。（3）无人群体协同场景的许多问题中往往分布着大量的子目标（子任务）,具有丰富的语义。本文基于子目标在时间层面上进行意图抽象,设计了多主体协同的子目标协议,并且提出了分散式子目标树搜索方法（Decentralized Sub-Goal Tree Search,Dec-SGTS）,包括了子目标状态判定、子目标到子目标的连接、子目标到子目标的行动代价评估、子目标到子目标的行动策略评估、子目标状态序列编码和解码等。Dec-SGTS定义了子目标意图和子目标树的时间抽象,将子目标协议适配到分散式蒙特卡洛树搜索框架中,随着树的生长以一种动态的方式在线评估子目标到子目标的行动代价以及行动策略,从而在子目标的层面进行本地规划和全局协同。通过理论分析可以证明上述子目标评估方法具有收敛性。在多快递员取件的任务规划场景中,本文验证了Dec-SGTS算法相比于基准算法,规划效果更优,通信代价更低。