现阶段,移动机器人技术是科学研究的热点问题之一,路径规划算法是移动机器人的一个重要研究方向。随着其应用范围的不断拓宽,移动机器人将会朝着更加智能化和人性化的方向发展,这就使得移动机器人对路径规划的准确度要求越来越高。基于采样的快速扩展随机树(Rapidly-exploring Random Tree,简称RRT)算法由于不需要环境建模,具有较强的搜索性而得到广泛的应用,但是其自身的随机性强、收敛速度慢等问题制约着移动机器人路径规划的效率。因此,本文以路径规划RRT算法作为研究对象,完成了算法的优化和改进,实现了轮式机器人的路径规划功能。主要研究内容如下:首先,针对RRT算法自身的随机性强,收敛速度慢等问题提出改进RRT算法,通过改变关键节点的选取范围,在变概率指导策略的基础上对路径进行优化,并通过不同的实验环境验证改进算法的效果,实验结果表明其加快了收敛速度、有效改善了路径的质量。其次,为了进一步降低无效节点数量,提高算法的收敛速度,提出了改进双向RRT(Bidirectional RRT,简称Bi-RRT)算法。通过对扩展树Ta新节点Xnew的选取设置范围,找出几何距离值最小的节点Xnew’,并将其作为扩展树Ta的临时目标点构建扩展树Tb,实验结果表明改进Bi-RRT算法降低了无效采样点的数量,缩短了算法的运行时间。最后,在自主搭建的轮式机器人平台上,通过ROS系统中的Gmapping功能包构建真实环境地图并配置路径规划关键参数,验证了实际场景下改进算法的可行性和实用性。