机器人自主探索能够自主建立周围环境的地图模型,从而为之后的机器人自主定位和导航提供基础,因此是机器人迈向真正意义上自主性的关键一步。在机器人自主探索的多种方法中,基于边界的探索方法是其中应用最为普遍的一类方法,而该类方法的核心则是如何快速搜索出当前环境地图中的边界位置（已知无障碍物区域和未知区域的分界线）。其中一种有效的边界搜索方法利用了快速探索随机树的思想,通过判断快速探索随机树生长的边上是否存在边界点来搜索边界。这种边界搜索方法较之传统的基于图像处理中边缘提取技术来搜索边界的方法,能够更加有效地搜索大范围和三维环境地图中的边界位置。但是该方法需要占用大量的存储资源,并且在现实中经常存在的传统快速探索随机树不易生长的环境（在本文中称为不利环境）下搜索边界缓慢。针对以上边界搜索方法存在的问题,本文提出了一种基于采样的多树融合边界搜索方法。该方法虽然同样利用了快速探索随机树的思想,但是充分认识到了快速探索随机树在探索中用来搜索边界和在路径规划中用来寻找机器人可行运动路径所发挥作用的不同,从而改进了快速探索随机树的生长方式:当其新生长的节点和边均位于已知区域内时,即使该边上存在障碍物区域,仍然视该节点为有效树节点并保留其信息。因此,通过允许快速探索随机树在已知区域内跨越障碍物生长,其在不利环境下生长缓慢从而导致边界搜索困难的问题得以解决。同时,由于边界搜索并不需要像路径规划中那样通过保留边的信息来保留机器人可行运动路径信息,本文在利用新生长的边搜索边界后将抛弃该边的信息,只保留树节点的信息用于快速探索随机树之后的生长,从而节省了内存资源。其次,由于快速探索随机树中位于靠近边界位置的外部树节点在边界搜索中较之内部树节点具有更大的作用,因此本文提出了块的结构来删除大量位于内部块中的冗余树节点,从而大大降低了算法对存储资源的需求。最后,本文将两种不同生长方式的快速探索随机树进行融合,从而在保证地图中所有边界都能被找到的基础上加快对新产生的边界和距离机器人较近的边界的搜索速度。本文分别在仿真环境和真实环境下进行了多次实验来验证本文提出的基于采样的多树融合边界搜索方法在不损失探索性能的同时大大降低了对内存资源的占用,并在传统快速探索随机树不易生长的不利环境下呈现出更好的表现。