机器人路径规划是移动机器人研究领域中的一个重要课题，经过几十年的研究，涌现出一批高效的算法：如路标法、基于栅格划分的A*算法、可视图法、势场法等。但当配置空间维数随机器人自由度增加而增加时，上述算法的性能急剧下降，甚至导致维数灾难。基于随机采样的路径规划在上世纪九十年代应运而生，致力于解决多自由度机器人的路径规划难题。其通过对配置空间的随机快速采样获得配置空间的连通性。近年来，随机性方法广泛应用于工作环境中存在障碍物的路径规划：如随机路标法，快速搜索随机树法等，对高维数配置空间中的路径规划非常有效。然而当机器人工作空间中存在较多障碍物或者未知位置的狭窄通道时，这些方法的运算时间就特别长，甚至很难找到合适的路径。针对这一问题，本文在对工作环境中狭窄通道进行识别的基础上，进行了相关路径规划方面的研究，主要包含以下几个方面的内容：（1）提出了星形试验法，提高了算法对狭窄通道的识别能力，避免路标分布于障碍物的凹陷死角内。在此基础上，对均衡采样、高斯采样、桥试验法以及本文所提出的星形试验法等四种随机路标采集方法的狭窄通道识别性能进行分析，并以仿真验证了星形试验法的有效性。（2）提出基于星形试验法的三树RRT算法，用于求解具有狭窄通道的多自由度机器人路径规划问题。通过星形试验法发现的标记配置点启发式地引导树扩展算法在狭窄通道中进行更多的采样，从而使RRT树既能够覆盖开阔的自由配置空间，又能够获得良好的连通性。算法具有简单、通用的特点，并通过大量仿真验证了该算法的性能比双树结构的RRT-CONNECT算法更高。（3）针对狭窄通道中路标采集难的问题，提出了基于狭窄通道识别的混合路标规划法。新提出的路径规划器的关键策略在于星形试验法，它能提高狭窄通道中的路标密度以改善路标连接树的扩展速度。星形试验法可以看作是一种过滤狭窄通道的工具，在全局范围内筛选出狭窄通道区域，在标识出的区域内使用均衡采样器作局部的路标采集，提高局部区域的路标密度。在全局和局部交替采集路标，最终使路标的分布理想化，减少了路标规划所必需的路标总数，进而加快了连接树的扩展速度。（4）提出了基于地图学习的多任务规划算法，利用高斯采样器生成三分之一的样本用以检测障碍物，用星型试验法生成三分之一的样本用以检测配置空间中的狭窄通道，同时在全空间均匀采样三分之一的样本点。通过混合采用三种采样方式，学习环境地图。在此基础之上，提出了一种改进的扩展随机树算法，使得算法即能够探索开阔的自由空间，也能有效地识别配置空间中的狭窄通道，同时使得机器人能够在这个框架下完成多任务。最后在2维及3维笛卡尔空间中的多自由度刚体机器人上进行仿真，验证了该算法的有效性。