无人车的路径规划指的是已知车辆的起点位置、终点位置和环境中的障碍物分布,规划出一条与障碍物不相碰撞的路径。近年来新的路径规划算法不断出现和发展,在路径规划领域最具有代表性和最常见的路径规划算法主要分为基于地图的路径规划算法、基于仿生学的路径规划算法以及基于采样的路径规划算法。基于采样的搜索算法有概率图算法和快速扩展随机树算法(Rapidly-exploring Random tree,RRT)。快速扩展随机树算法优点在于其不需要对规划的空间进行建模,是一种随机采样的算法,同时考虑了无人车客观存在的约束,因此得到了广泛应用。基本快速扩展随机树算法在进行路径规划时也存在以下缺点:(1)随机生成路径,路径具有偏差性;(2)随机树在搜索过程中无导向性;(3)收敛速度迟缓,搜索效率低等。本文以快速扩展随机树算法作为研究对象,在分析研究基本快速扩展随机树算法的基础上,通过指向性和启发函数改进基本快速扩展随机树算法,实现车辆的路径优化。基于车辆进行运动学分析,建立车辆坐标系和车辆运动转向模型,通过转向约束,使规划路径符合车辆行驶需求,为后续路径规划试验研究奠定基础。针对快速扩展随机树算法缺点,采用双向随机树和多棵局部随机树的探索与合并。增加引力分量,使双向随机树朝着各自目标方向生长,减少了算法的随机性;基于障碍物周围生成根节点,对根节点增加斥力扰动,生成多棵局部随机树。快速寻找可通行的路径,减少扩展过程中对障碍物的检测时间,使算法的收敛速度加快,改善了算法的偏差性。研究分析快速扩展随机树算法随机点的生成方式,采用循环交替迭代和双向随机树协同的搜索方式生成新节点,进一步优化基本快速扩展随机树算法,缩减了无效采样点的数量。为了提升路径规划的质量,对生成的路径进行优化,去除多余的节点,减少了节点的数量,缩短了路径的长度,提高了路径的有效性。采用B样条曲线,插入局部端点,对路径进行平滑度处理,使生成的路径更加符合车辆的行驶条件,改善了路径的质量。通过CarSim/Matlab联合仿真试验,对生成的路径进行追踪,验证了改进算法的有效性,生成的路径符合车辆的行驶需求。搭建ROS智能车试验平台,将改进的算法移植到智能小车上,通过轨迹规划,验证了算法的可行性。