自主探索是一种机器人在任务过程中动态地发现周围环境并进行实时建图的方法,适用于测绘、灾区勘探和巡检等领域,特别是多机器人与单机器人相比,在大规模场景中更有优势。在多机器人协同探索过程中,每个机器人都要识别其下一个探索目标点,还要与其他机器人进行协调,其目的是减少探索过程中的冗余信息,实现在最短的时间内覆盖一个初始完全未知的环境。本文重点研究了探索过程中,如何对机器人的目标点进行有效地评价,以及如何在三维场景下实现高效的机器人运动规划等问题,以实现未知环境的快速三维重建。本文的主要工作归纳如下:（1）针对面向环境三维重建的探索任务,确定下一个探索目标点时必须同时考虑探索效率和重建质量的问题,提出了一种基于截断符号距离函数（Truncated Signed Distance Function,TSDF）的视点评价方法。该方法以相机成像原理为基础,将环境表示为截断符号距离函数地图（TSDF-Map）类型,并利用实时地图信息对候选视点的价值进行估计,通过定义分段的信息增益函数,对视点感知范围内已知区域的不确定性、未知区域的有效性进行分析,再结合机器人运动成本得到视点最终的总效用。该方法使机器人优先探索障碍物附近的区域和重建精度低的区域,提高了面向重建的未知环境探索效率和地图质量。（2）针对三维场景中的探索任务规划复杂,计算量较大的问题,提出了一种基于多棵快速随机搜索树（Multi Rapidly-exploring Random Trees,Multi-RRT）的多机器人协同探索方法。该方法包含探索和协调两大模块,首先,探索模块通过维护机器人局部RRT和全局RRT对局部和全局环境同时进行随机采样探索,探索得到的机器人候选视点用上述视点评价方法计算其价值;其次,协调模块将候选视点最优分配给各机器人,机器人用得到的视点扩展其局部RRT并维护、生成探索路径,再通过基于效用最大化的策略,对机器人之间的路径进行碰撞协调。该方法可以有效地减少多机器人的重复路径,实现三维场景下的高效探索。（3）本文在基于AirSim的仿真环境中对本文的方法进行了验证,首先搭建了基于AirSim的城市仿真场景和基于ROS的软件通信框架,然后在高度逼真的环境中进行了机器人的探索与重建实验,通过探索时间、探索覆盖率和累积信息增益等指标对本文提出的方法进行了系统性的分析和验证。