近年来,人工智能的迅猛发展使得无人驾驶成为切实可行的技术,无人驾驶技术的潜在价值巨大,它可以有效地改善交通拥堵、减少交通事故以及环境污染等问题。本文的主要研究对象为无人驾驶车辆的路径规划,主要目标是快速得到满足车辆正常行驶轨迹的无碰撞路径。快速搜索随机树(Rapidly-exploring Random Tree,RRT)是一种基于采样的路径规划算法,它凭借规划速度快的优点已经广泛应用于机器人领域,但是在应用于无人驾驶领域时还存在路径不满足车辆可行性要求、路径非最优等缺点,因此有必要对其继续深入研究。本文提出一种双向渐近最优快速搜索随机树(Bidirectional asymptotically optimal Rapidly-exploring Random Tree,B-RRT*)算法,用于解决无人驾驶车辆领域的路径规划问题,算法的主要优势在于可以快速规划出满足车辆各种约束的渐近最优的路径。论文的主要工作如下:首先,对快速搜索随机树算法进行改进。通过分析车辆的约束条件与快速搜索随机树应用于无人驾驶领域存在的问题,提出了修剪采样空间、扩大目标节点域的方法来加快搜索速度、提高搜索效率;提出了规则化车辆处理的方法有效的避免了无效的碰撞检测;提出了剪枝处理方法去掉多余的转折点使得路径满足最大转向角约束;采用B样条曲线平滑路径使得路径满足曲率连续的约束,仿真结果证明改进后的算法满足车辆的可行性要求。其次,针对改进的RRT算法规划路径非最优或次优的缺陷,提出了 B-RRT*算法。该算法采用双向搜索来加快搜索速度、提高搜索效率;采用渐近最优性质来克服随机采样过程的盲目性。改进启发式搜索以适应算法的双向搜索机制,分析影响算法的参数,得出令规划时间较短、路径质量较优的参数取值范围。最后,对本文提出的算法进行仿真分析。在不同的环境模型下利用MATLAB软件对算法进行仿真对比,通过分析规划时间与路径质量这两个指标来分析B-RRT*算法的优越性与有效性。仿真结果表明该算法可以快速规划出满足车辆各种约束的渐近最优的路径,有效的解决了无人驾驶车辆路径规划问题。