移动机器人对环境感知问题的研究是移动机器人技术中的重要内容,特别是在路径规划方面的运用具有重要意义。在路径规划技术的研究中已经发展了许多的算法,比如经典的A*、APF和RRT算法。大多数的算法在研究移动机器人的路径规划时并没有考虑移动机器人在感知外部环境信息中的不确定性因素,尤其是在狭窄通道环境中存在的不确定性因素。不确定性来源主要为:运动的不确定性、传感器的不确定性和地图的不确定性。路径规划过程中的不确定性问题在很大程度上影响路径规划的结果,为了解决狭窄通道环境内感知和运动的不确定性问题,论文研究了以下内容:（1）论文研究了经典的路径规划算法,对A*、APF和RRT算法的优缺点和仿真性能进行了系统分析。通过依据算法的特点和狭窄通道的环境,确定了利用RRT算法进行移动机器人路径规划的方案。（2）提出了利用部分可观察马尔科夫决策过程（Partially Observable Markov Decision Process,POMDP）解决狭窄通道环境内的不确定性问题。本文方法遵循一般的POMDP求解框架,其中的信念动力学用扩展的卡尔曼滤波器（Extended Kalman Filter,EKF）表示,值函数用轨迹附近的有效二次函数表示,利用线性二次高斯的方法在信念空间中进行值迭代求解,从而在信念空间上得到轨迹周围的局部最优线性控制策略。执行控制策略生成新的轨迹,并连续迭代此过程,直到迭代出最佳的轨迹路线。（3）提出了基于POMDP的分区采样策略。该策略的提出可以有效解决移动机器人在狭窄通道环境内的采样问题。首先,采用分区采样的方式将环境空间划分为自由空间和狭窄空间,接着在不同的空间内进行自适应采样。然后通过POMDP的求解计算出初始轨迹的局部最优解,从而迭代出移动机器人运动的最佳路线轨迹。本文通过狭窄通道的环境进行了实验仿真,实验结果展示了本文研究内容的有效性。验证了本文方法可在一定程度上提高移动机器人的路径规划效率,解决了狭窄通道内的不确定性问题。