群集机器人技术中的多智能体系统涉及相对简单的机器人协作，通过去中心化控制来实现复杂的任务。每个机器人（智能体）根据本地规则以及与附近智能体或环境的交互自主运行，而不是依赖于中央控制器。 这种方法实现了可伸缩性、灵活性和鲁棒性，因为系统可以动态适应变化，而无需显式协调。 例如，群集机器人可能会遵循诸如“与邻居保持最小距离”或“朝着传感器读数高的区域移动”之类的规则，从而导致涌现的集体行为，例如聚集、模式形成或分布式感知。
通信和协调通过诸如本地感知（例如，摄像头、红外线）、无线信号或环境标记（例如，留下虚拟的“信息素”）之类的机制来处理。一个常见的例子是 Kilobot 平台，数百个小型机器人使用红外信号来共享位置数据并协同调整它们的移动。任务分配通常通过信息素（通过环境的间接协调）来实现。在搜寻任务中，机器人可能会在资源位置处留下标记，引导其他机器人有效地收集物品。开发人员实施诸如基于共识的决策或基于梯度的导航之类的算法来启用这些行为，从而确保智能体在没有集中监督的情况下集体达成解决方案。
关键挑战包括确保可伸缩性（避免群集增长时的瓶颈）和保持容错能力（个体故障不应破坏系统）。 例如，在搜索和救援场景中，群集可以分布在灾区，使用热传感器来定位幸存者。 如果某些机器人发生故障，则其他机器人会自动重新分配任务。 实际应用包括农业监测（无人机绘制农作物健康状况）、仓库物流（亚马逊的 Kiva 机器人运输货物）和环境清理（海洋塑料收集）。 开发人员通常在部署物理系统之前使用诸如 ARGoS 或 ROS 2 之类的仿真工具来测试群集算法，从而平衡智能体复杂性、通信带宽和任务需求之间的权衡。