Diese Dissertation behandelt die Aufklärung und Überwachung von Umweltfeldern mit kleinen autonomen Unterwasserroboter (µAUVs). Trotz jüngster Fortschritte sind recheneffiziente Methoden für Planung, Lokalisierung und Regelung von µAUVs weitgehend unerforscht. Die im Rahmen dieser Arbeit entwickelte µAUV-Plattform HippoCampus und seine Regelarchitektur erlauben agiles Manövrieren auf engstem Raum. Zu diesem Zweck wird ein Selbstlokalisierungssystem entwickelt, das visuelle, elektromagnetische und akustische Signale zur räumlichen Lokalisierung verwendet. Basierend auf Methoden der informationstheoretischen Regelung wird abschließend wird eine recheneffiziente Architektur zur autonomen Feldaufklärung mit mehreren Robotern vorgeschlagen. Diese kombiniert Deep-Reinforcement Learning mit einer stochastischen Feldmodellierung.