路径规划是移动机器人实现自主导航的关键技术。移动机器人路径规划的任务是:给定起始位置和目标位置,在工作环境中搜索一条从初始位置到目标位置的无碰撞路径。本文针对基于采样的算法在移动机器人路径规划中的一些关键问题,提出相应的改进策略,主要工作如下:1.针对概率路标图(PRM)算法在狭窄通道路径规划中存在的路标点分布不合理问题,提出一种基于凸形识别的混合采样方法,通过局部采样测试,在障碍物凸形边缘密集配置路标点,并在空旷区域配置少量路标点,使路标点在全局分布合理,以提高路径搜索效率。2.针对快速扩展随机树(RRT)算法在移动机器人路径规划中存在的距离度量不合理、收敛速度慢、路径曲折等问题,以两种典型的移动机器人——车辆和差动机器人为研究对象,提出相应改进方法。对于车辆,提出一种基于距离度量学习的RRT算法,引入满足车辆运动学约束的最短路径曲线作为距离度量,利用监督模型对该度量进行线下学习,以加快线上实时计算速度。对于差动机器人,提出一种改进RRT算法,距离度量考虑差动机器人转向约束,扩展步长动态调整以加快收敛速度,并对路径修剪和平滑处理,最终得到易于执行的平滑路径。3.为了提高基于RRT算法的路径重规划的实时规划效率,提出一种基于改进双向RRT算法的重规划方法,离线保存RRT算法规划过程得到的随机树,每次重规划时加载该随机树,删减与威胁体重合部分节点和边,得到两棵分离的随机树,在此基础上利用双向RRT算法生成新的路径。本文利用C++、QT、Python开发了仿真环境。在仿真环境下设计并开展了大量仿真实验,从路径搜索成功率、路径质量、路径搜索速度等方面,对上述所提方法的有效性和优越性进行了验证。