综合了自动控制、电子、计算机等多学科最新研究成果的移动机器人是当前控制和人工智能等领域的研究热点之一。这些研究不但具有重要的理论价值,而且在国防、生产、航天、军事等领域都有着广泛的应用前景。近年来在机器人研究领域,基于无线通信网络的移动机器人／机器人编队轨迹估计问题成为了核心研究课题之一。机器人根据自身配备的传感器以及网络传感器提供的测量信息,可以估计自身以及编队中其他机器人的状态信息(距离、角度、速度等)。根据这些状态信息,机器人可做出相应的决策并进一步生成控制信号,从而完成机器人／编队控制任务。在机器人轨迹估计问题中,扩展卡尔曼滤波是一种常用并且有效的工具。该方法是以线性系统的卡尔曼滤波为基础发展而来的非线性状态估计技术。其核心思想是利用非线性函数的局部线性化技术,将非线性估计问题转化成近似线性估计问题加以解决。该方法被广泛地应用于各种非线性状态估计问题之中。本文研究了网络环境下,基于扩展卡尔曼滤波的移动机器人／机器人编队的轨迹估计问题。主要分为三个部分：本文的第一部分研究了网络环境下运动目标的状态估计问题,即：根据由传感器通过网络远程提供的有关运动目标信息(如：位置坐标),对目标的状态进行实时估计与预报。我们运用扩展卡尔曼滤波技术,提出了移动机器人状态估计的算法,并证明了该算法的均方误差是指数有界的。然后,我们考虑了网络具有随机时延的情况,对上述扩展卡尔曼滤波算法做出了相应的修正。本文的第二部分,研究了移动机器人编队的状态估计和定位问题,该编队中有一个领航机器人和两个跟随机器人,每个机器人配的传感器可测量与邻居或地标的相对信息。为了得到编队的位置与姿态信息,本文提出两级状态估计算法。第一级：两个跟随机器人根据自带的传感器来估计它们相对地标的相对位置与姿态信息；第二级：领航机器人通过本地传感器获取的信息以及两个跟随机器人提供的状态信息来估计自身位置与姿态信息。该算法与集中式的机器人编队状态估计的算法相比,减少了每个机器人计算量和通信负荷。本文的第三部分,针对双机器人编队中的状态估计问题提出了一种分布式协同定位与状态估计算法。编队中每个机器人都配备传感器,可检测自身的状态、与邻居的相对位置等信息。同时机器人具备一定的通信能力,交换各自的估计信息。在此基础上我们研究了编队中每个机器人的状态估计算法。这个算法具有分布式结构,编队中的机器人根据自身传感器获取的信息和邻居通过通信信道传来的估计信息,对自身的状态进行估计。该协同扩展卡尔曼滤波算法的校正部分包含了邻居的状态估计信息,从结构上更容易扩展到多机器人编队的情况。最后,本文通过仿真以及在机器人实验平台上进行试验,验证了三种算法的有效性和可实现性。