机械臂在工业制造、医疗服务以及农业生产等领域都有广泛的应用，可以极大提高生产效率，减少人为因素产生的失误。目前电子及计算机领域不断的发展，人们对机械臂提出了更高的要求，尤其在自主规划避障运动路径方面。由于机械臂的工作环境复杂多变及其自身结构复杂，路径规划成为了机械臂应用中的一大难点。RRT(Rapidly-exploring Random Tree)算法在路径规划领域有广泛的应用，该算法具有概率完备性并且适用于高维空间，可利用这一特性研究RRT算法在机械臂路径规划的应用。本文以六自由度工业机械臂作为研究对象，主要开展对RRT算法的改进及其在机械臂路径规划应用的研究，主要内容如下：
　　1.对机械臂进行运动学分析。介绍笛卡尔空间中的坐标变换方法，引入D-H法建立六自由度机械臂运动学模型，获得六连杆的齐次变换矩阵，并对其进行正、逆运动学进行求解，为接下来的路径规划研究提供理论基础。
　　2.研究机械臂碰撞检测技术的改进方法。首先讨论不同包围盒算法的特点，选择适用于本文的方案。然后针对传统碰撞检测存在的检测精度不高的问题，采用旋转射线的思想来改进包围盒分离的方法。最后在Matlab的工具箱RobiticsToolbox进行仿真实验，结果表明此方法可以提高碰撞检测的检测精度。为后续的路径规划研究提供安全保障。
　　3.将强化学习用于RRT算法对路径规划策略的优化。对RRT算法树的扩展方式和路径形成过程进行研究，分析导致陷入局部极小值的原因，基于RRT算法采用一种改进算法Q-RRT，即在原有RRT算法上融合强化学习。首先通过构建机械臂的马尔科夫模型，利用搜索树与环境的互动产生的强化信号不断改善树的扩展，优化节点的选择策略来保证路径质量。然后采用B样条函数优化所得路径，使机械臂在满足自身运动学约束前提下，稳定高效的完成指定任务。最后分别进行算法实验和仿真实验，结果表明，该路径规划方法在缩短机械臂运动时间的同时也兼顾了运行的稳定性，符合运动要求。
　　改进后的RRT算法对于有避障要求的机械臂路径规划研究具有重要的应用前景。