移动机器人路径规划作为机器人领域的热门研究,正吸引着越来越多学者的参与。在众多路径规划算法中,基于采样的RRT及其相关算法可以不需要对整个状态空间进行建模,从而大大减少高维空间下路径规划的计算量,有效地解决了高维空间和复杂约束条件下的路径规划问题。基于此,本文将RRT算法作为研究重点,并提出了两种改进算法。首先,针对RRT-Connect算法在路径规划效率上较低且采样随机树节点时具有随机性的问题,提出了基于RRT-Connect的改进算法。该算法主要改进点包括:1)在RRT-Connect中增加第三节点,使改进的算法可以在扩展中同时生成四棵随机树,加速随机树对状态空间的探索速度;2)加入一种自适应步长调节函数,该函数使随机树在探索无障碍物空间时不断增加扩展步长,从而提高随机树的扩展速度;3)在RRT-Connect算法的基础上加入目标偏置策略,使改进后的算法在无障碍区域时不需要随机采样,而探索障碍区域时则自动采用随机采样的方式探索,加速算法扩展速度并避免陷入局部最优。其次,针对RRT*及其改进算法B-RRT*算法收敛速度缓慢的问题,提出了一种EB-RRT*算法,该算法融合改进的RRT-Connect算法,主要改进点包括:1)在原始B-RRT*的基础上,加入了一种智能的采样函数,在DRRT-Connect算法的基础上使算法可以在采样第三节点时更智能,从而降低路径生成时间,增强随机树在扩展时的方向性并提高路径最终生成路径的平滑性;2)在EB-RRT*算法中加入快速扩展策略,避免随机树在探索无障碍空间时消耗大量的时间,从而大幅提高算法的扩展效率,而在存有障碍物的空间探索时,则使用经改进后的RRT*算法进行扩展,从而保证随机树生成路径的最优性,同时也可以防止算法陷入局部最优。最后,通过对改进后的算法分别进行仿真实验,并以RRT、RRT-Connect、RRT*、B-RRT*等典型算法作为对比,结果表明改进后的算法在路径规划效率、迭代次数、路径长度等方面相较于原始算法均具有明显优势。其中相较于RRT-Connect算法,改进的DRRT-Connect在路径规划效率上提高了37.9%,迭代次数降低了19.3%。相较于B-RRT*算法,改进的EB-RRT*算法在路径规划效率上提高了73.0%,迭代次数下降了46.0%,路径长度降低了9.5%。