移动机器人路径规划是目前机器人领域中的研究热点。移动机器人路径规划指的就是移动机器人以某种性能指标,根据路径规划算法搜索出一条从起始点到终止点的路径,同时在移动的过程中根据避障模块实时的完成障碍躲避和环境监测。本文对传统人工势场法进行分析和讨论,对人工势场法进行改进,并融合RRT*算法与RRT*-Smart算法,提出两种算法:基于人工势场法的RRT*-Smart优化算法、人工势场法与RRT*结合的优化算法,解决局部极小值问题,同时提高路径规划效率。人工势场法建立虚拟的人工势场模型,在引力势场与斥力势场的共同作用下,移动机器人向着人工势场内的低势能点运动。传统人工势场法存在两大问题:目标不可达问题与局部极小值问题。本文针对局部极小值问题引入子目标点,改进人工势场法函数,使移动机器人先向子目标点移动,再向最终目标点移动,逃离局部极小值点。通过研究采样的快速扩展随机树算法(RRT算法)的基本原理和步骤,分析算法的优势和缺陷,接着引入改进算法RRT*算法与RRT*-Smart算法。提出两个融合算法:基于人工势场法的RRT*-Smart优化算法、人工势场法与RRT*结合的优化算法。基于人工势场法的RRT*-Smart优化算法将RRT*-Smart的思想引入了改进人工势场法;人工势场法与RRT*结合的优化算法首先将人工势场法与RRT*算法融合,再用RRT*-Smart的路径优化思维对全路径进行优化,将RRT*算法的简化后的随机采样过程融入到人工势场法中,同时具有人工势场法的高效性与RRT*算法的快速扩散的优点。本文对两种算法在静态环境与动态环境下进行了多次对比试验,实验表明,基于人工势场法的RRT*-Smart优化算法在在解决人工势场法局部极小值的前提下,极大的提高了人工势场法的效率。人工势场法与RRT*结合的优化算法可以在未知的复杂环境中逃离局部极小值,结合了人工势场法与RRT*算法特性并有效改善了相关缺陷,具有良好的适用性。