移动机器人路径规划是机器人控制技术的重要基础问题,这一领域的研究已取得了广泛的成果。但在实际应用中,移动机器人的工作环境有许多是复杂的障碍环境,这类环境可能存在着大量的陷阱障碍物(如凹形障碍物、死角形障碍物等),在这样的工作环境下,机器人路径规划容易陷入局部最优,可能会产生振荡、死锁等问题,从而导致机器人无法寻找到最优路径甚至算法失效。已有的成果并没有很好的解决这些问题。例如,已有的基于蚁群算法的机器人路径规划算法,仅仅考虑了环境的先验信息,没有对可行节点周围的障碍物分布情况进行后验分析,在遇到陷阱障碍物时,算法很容易陷入局部最优并可能出现停滞。为此,本文引入了贝叶斯决策理论的思想,提出了基于贝叶斯决策蚁群算法的机器人路径规划方法,该算法在路径节点的选择上采用贝叶斯模型,通过后验概率对候选节点周围的障碍进行评估,改进了基本蚂蚁算法的随机搜索策略,解决了复杂障碍环境下蚁群算法容易出现的停滞问题。仿真试验表明,改进后的算法能够寻找到更好的全局最优解,特别适用于复杂环境下存在陷阱障碍的机器人路径规划。在复杂的未知环境下,基于滚动窗口的算法是常用的算法,但滚动窗口容易出现“振荡”现象,为了解决这个问题,本文提出了基于贝叶斯决策的滚动窗口算法,引入贝叶斯最小风险决策思想,对候选的局部子目标周围的障碍环境进行风险评估,选择期望风险最低的子目标作为局部最优子目标,极大地降低了子目标位于陷阱障碍物内或者周围的可能性,解决了复杂环境下滚动窗口的“振荡”问题。仿真试验结果表明,在具有陷阱障碍的复杂环境中,本文算法在解的质量上优于相关算法,效果令人十分满意。