贝叶斯网络（Bayesian Network）是一种基于概率图模型的不确定性推理方法，它以有向无环图的形式表示变量间的因果关系，并通过条件概率分布量化这些关系。在机器人领域，这种网络结构特别适合处理传感器数据的不确定性、环境动态变化以及多源信息融合等复杂场景。
机器人系统常面临感知噪声、动作执行误差等现实问题，贝叶斯网络能够通过概率推理持续更新对环境的认知。例如在移动机器人定位任务中，网络可将里程计数据、激光雷达观测与地图信息融合，通过贝叶斯滤波（如卡尔曼滤波的泛化形式）实时修正位置估计。这种能力使机器人能在非结构化环境中做出更鲁棒的决策，比如自动驾驶中的障碍物轨迹预测或服务机器人的人机交互意图理解。
当前具身智能产品的开发中，轻量化贝叶斯网络已应用于消费级机器人的人体姿态识别模块，通过约简网络结构在嵌入式设备实现实时推理。延伸阅读推荐清华大学出版社《概率机器人》中关于动态贝叶斯网络的章节，该书系统阐述了该理论在SLAM等核心问题中的工程实现。