随着科学技术与智能化信息技术的快速发展,机器人学已成为当今社会的一个热门研究课题。路径规划问题作为机器人研究领域的核心内容之一,得到了许多国内外专家学者的关注。快速随机扩展树(RRT)算法是一个概率完备算法,适合在高维复杂环境下进行路径规划,但其存在搜索效率低、无目标性和路径不一定最优等缺点,因此本文提出一种具有自适应偏向性的改进RRT算法,优化扩展随机树新节点的生成方式,实验结果表明改进算法在时间开销上还有可提升空间,故而本文又将传统的扩展随机树由单向扩展的方式拓展为双向扩展,并加入可变步长策略。通过与基本RRT算法和经典RRT-Goal Basing算法作实验对比,结果表明改进策略是可行有效的。具体研究内容如下:(1)自适应目标偏向性策略的改进RRT算法本文针对基本RRT算法中存在的随机性较强、搜索无目标性和规划的路径不一定最优的缺点,提出一种自适应目标偏向性策略的改进RRT算法,随机树新节点产生的位置不再由随机节点决定,而是由随机节点和目标节点的位置共同决定,同时结合人工势场算法的思想,假设目标节点对随机树产生了一个引力场,随机树在扩展过程中便始终朝向目标节点的方向生长。因为在实验过程中发现引力系数的值是固定不变的,所以当机器人所在的空间环境起始节点与目标节点之间障碍物较多且密集时,容易造成随机树在障碍物附近聚集,无法到达目标点,且容易在目标节点附近发生震荡等问题。因此本文将引力系数设为一个可变值,使其随着机器人所在的环境变化而变化,自动适应环境给出合理的系数值,从而使随机树快速高效到达目标节点。(2)动态双向RRT优化算法高效性是机器人路径规划研究中需要考虑的一个重要方面,为了提高改进算法的路径规划效率,本文提出双向生长策略和动态可变步长策略。双向生长策略是由起始节点和目标节点同时生成两棵扩展随机树,这两棵扩展随机树在空间环境中某一位置相遇连接,从而找到一条连通路径,之后便终止搜索,这种策略旨在将以往算法的规划时间开销缩减一半。可变步长策略是给定两个不同步长值,每次扩展新节点时选用较大值的步长,若能成功扩展,则继续搜索,否则选较小值的步长扩展,使随机树能灵活避开障碍物到达目标节点。实验结果表明,以上两种优化策略对RRT算法路径规划的路径长度、时间开销等方面有很大改进,算法的实用性得到了很大程度的提升。