无人驾驶的关键技术包括环境感知、导航定位、路径规划以及决策控制等,是一个非常复杂的系统。RRT算法作为一种应用范围非常广的路径规划算法,经常被应用于无人驾驶车辆的路径规划问题。本文通过对RRT算法的改进提出了基于多向搜索随机树的路径规划算法——MT-RRT算法,并对其规划出来的通路进行平滑后处理。本文具体工作如下:首先,研究了RRT算法及其后来各种针对性改进算法,总结了各个改进后RRT变种算法的优势与不足。建立位姿空间,分析无人驾驶车辆在运动的过程中受到的动力学约束,可知一般具有阿克曼转向的车辆在运动过程中会受到非完整性条件约束,在满足其约束的条件下建立相应的运动学模型。其次,提出了MT-RRT路径规划算法。针对RRT算法收敛速度慢,采样节点的利用率低等问题,在原始RRT算法的一个根节点的基础上扩展为多个根节点,通过计算一定数量的引导根节点与起始节点,目标节点一起作为根节点分别开始进行多棵树的扩展,最终连接成为一棵同时包含起始节点与目标节点随机树,实现对路径的规划。在MATLAB中分别实现RRT算法,RRT-Connect算法,以及一种基于人工势场扩展域的改进RRT算法,并分别在具有少量障碍物的地图,具有狭窄通道型的障碍物地图以及具有密集型障碍物的地图进行实验,比较了收敛速度,节点利用率以及规划出的通路长度,仿真结果表明MT-RRT算法的收敛速度更快,节点的利用率更高,得到路径的长度也更短。最后,提出了一种改进的路径平滑算法。路径平滑算法就是通过去掉不必要的节点,使路径尽可能的减少折角和拐点,得到一条相对平滑的路径。在无人驾驶路径规划问题中,地图遍历面积广,环境复杂,得到路径长度较长,折角也过多。为了节省路径平滑的用时,将二分查找的思想融合到路径平滑算法中对MT-RRT算法得到的通路进行平滑后处理,减少对一部分不必要节点的碰撞检测。在MATLAB上进行仿真实验,仿真结果表明该算法可以在得到同样平滑的路径的情形下,算法的收敛速度得到了大幅度的提升。