智能车辆由于其在民用领域及军事领域的巨大优势和广阔的应用前景,具有重要的研究价值。智能车是一个包含了环境感知、决策和控制的复杂系统,路径规划是其中的关键内容。本文面向智能车路径规划方法中的快速扩展随机树(RRT)算法,在前人工作的基础上进行了进一步的研究,并提出了几种改进方法。主要研究工作和创新点如下:(1)提出并实现了基于最邻近可达点的改进RRT和基于最大拐角约束的Goal-biasing RRT两种改进方法。在研究和实现基本RRT算法的基础上,针对RRT节点扩展过程中运算量大以及盲目随机搜索的缺陷,提出了一种优先扩展最近邻可达点、并在扩展时向终点方向收敛的节点扩展方法,对所得路径用剪枝函数进行优化。Goal-biasing RRT在一定程度上削弱了 RRT在扩展节点时的盲目性,在此基础上根据车辆运动模型加上车辆的最大转弯角约束,使算法在加速收敛的同时能获得更符合车辆实际的运动轨迹的规划结果。(2)提出并实现了一种基于人工势场引导的快速RRT路径规划方法。借鉴人工势场法中障碍物产生的斥力和目标点产生的引力对自主车的引导作用,将RRT中均匀分布的概率模型改为人工势场引导的概率分布模型,使RRT中盲目随机的搜索方式改为沿着势场下降方向进行搜索;同时,将扩展子节点限制在8邻域栅格内,根据每个邻域栅格的权值,利用轮盘赌选择法随机出下一个扩展点。该改进方法每次扩展节点时只需要计算8个邻域栅格的权值,有着运算量小的优点,同时,沿着势场下降方向的搜索方法加速了算法的收敛;最后用两种基于几何学的路径优化方法,进一步提高了路径质量。(3)提出并实现了一种基于蚁群算法的RRT路径优化方法。RRT的随机性会导致规划路径的不稳定性,而蚁群算法能使路径收敛到全局较优解。将若干RRT规划路径作为蚁群算法中的初代种群,以规划路径长度为主要评估依据,设置不同的信息素数量。较差路径在每次迭代过程中,由于路径上的信息素挥发快且累积慢逐渐被蚁群舍弃,最终收敛到一条较优路径,完成了对RRT结果路径的优化。(4)介绍了一个智能车路径规划系统平台及其中的硬件、软件子系统,并以此为实验平台,验证了本文改进算法的有效性。