群体机器人系统的目标搜索和围捕任务作为智能机器人领域一个典型的复杂问题,近年来越来越受到学术界的关注。单体机器人处理复杂任务的能力通常被认为是有限的,而群体机器人系统可以通过局部交互的方式协作完成复杂任务。因此,与单体机器人系统相比,群体机器人系统具有适应性强、扩展性强、可靠性高等优点。类似与自然界生物群体中的集群现象,群体机器人可以通过生成与转换整个集群的形态来实现穿越窄道、货物运输、目标的搜索与围捕等任务。目前,群体机器人系统被广泛应用于多种现实场景中,各类群体机器人控制算法也层出不穷。然而,大多数现有的群体机器人控制算法依赖于一些不现实的假设,如可靠的通信链接、全局坐标信息、已知的环境信息以及机器人之间的中央协调控制。然而,在真实的应用环境中,这些算法大多难以获得良好的效果。为此,本文提出了一种基于共识主动性的群体机器人控制框架,用于在未知和通信受限的环境中搜索和围捕目标。该框架受细胞发育机制和生物集群行为的启发,对传统反蚁群算法进行了改进,并将其与基于径向基隐函数（Radial Basis Implicit Function,RBIF）的分层基因调控网络（Hierarchical Gene Regulatory Network,H-GRN）进行了结合,以信息素为媒介,实现了群体机器人的协作。具体而言,该框架分为目标搜索、目标跟踪和目标围捕三个阶段。在第一阶段,机器人使用其传感器感知环境并搜索目标,然后根据改进的反蚁群算法在移动过程中释放信息素。每个机器人都通过环境中残留的信息素进行间接交流。在第二阶段,部分发现目标的机器人将会跟踪目标并释放信息素,其余邻域机器人则会沿着信息素聚集到目标周围。在第三阶段,在机器人群聚集在目标周围之后,环境中的信息素信息将会被作为RBIF模型的输入,用以自动生成柔性围捕模式。最后,改进的H-GRN模型的下层将会生成方向矢量,引导机器人进入围捕模式。对不同场景的仿真实验表明,群机器人能够快速找到未知环境下的目标,并协同完成对目标的围捕,证明了所提框架相较于传统方法具有更好的性能表现。