در این رساله مسئله کاوش روبات مورد توجه قرار می گیرد. در قسمت اول یک روش کارا و جدید برای نگاشت به هنگام محیط های ناشناخته درونی با استفاده از داده های حسگر مسافت یاب که توسط یک ربات متحرک جمع آوری شده اند، ارائه می گردد. الگوریتم توسعه یافته به طور سلسله مراتبی و با بهره گیری از تکنیک های خوشه بندی، نقاط قرائت شده را به خوشه هایی از نقاط و سپس به پاره خط و در نهایت به خط تبدیل می کند. علاوه بر استفاده از الگوریتم کلاسیک k-means برای خوشه بندی نقاط و شناسایی خوشه های مرغوب، الگوریتم خوشه بندی ترتیب رتبه (roc) نیز به کار رفته که در واقع این روش برای اولین بار در حوزه نگاشت مورد استفاده قرار می گیرد. مزیت نسبی roc در خوشه بندی این است که برخلاف سایر الگوریتم های خوشه بندی به مقدار از پیش تعیین شده ای برای تعداد خوشه نیازی ندارد. برای پیاده سازی roc ماتریس شاخص شباهت (sim) مورد نیاز توسط مجموعه ای از پنج تابع تعیین شباهت ساخته می شود. در قسمت دوم این رساله هم برنامه ریزی مسیر روبات در شرایطی که شناخت محدودی از محیط در دست است مورد توجه قرار می گیرد. شناخت ناقص به این معنی است که در زمان برنامه ریزی، اطلاعات دقیقی از بیشتر محیط در دست است اما در مورد وضعیت واقعی برخی از متغیرهای پنهان اطلاعات ناقصی وجود دارد. این اطلاعات ناقص به انسداد بالقوه (به عنوان مثال درب، باز / بسته یا راهرو انباشته شده با روبات و یا موانع دیگر) گلوگاه هایی در محیط دلالت دارند. در صورتی که روبات برای مقادیر ممکن این متغیرها توزیع احتمالی داشته باشد مسئله حاصل به صورت یک مسئله برنامه ریزی احتمالی در نظر گرفته می شود و به صورت یک مدل برنامه ریزی ریاضی خطی مدل می شود. علاوه بر این اگر بر روی مقادیر مختلف متغیرهای پنهان تابع اولویتی تعریف شده باشد، با کمک الگوریتم اکتشافی توسعه داده شده که متکی بر برنامه ریزی فرضی خوش بینانه است می توان با کاهش فضای حل مسئله، حتی در صورت وجود متغیرهای پنهان متعدد هم به صورت کارا برنامه ریزی مسیر را با شکاف بهینگی قابل قبول به انجام رساند. تابع اولویتی که بر روی مقادیر مختلف متغیرهای پنهان تعریف می شود در واقع از وجود دانش نسبت به عواقب حاصل از آشکار شدن مقادیر مختلف نشأت می گیرد. دو الگوریتم نگاشت و برنامه ریزی حرکت در قالب یک چارچوب یکپارچه همراه با یک الگوریتمی برای تبدیل نقشه های هندسی به نقشه های توپولوژیک با متغیرهای مخفی ارائه شده اند.