近年来,随着移动机器人在服务、军事、娱乐等各个行业的快速发展,移动机器人的研究获得来自社会企业和科研单位的更多关注度。路径规划技术作为移动机器人研究领域的一项关键技术,其规划算法的优劣直接影响到移动机器人智能化和自主化程度的高低。因此,对路径规划算法的研究具有十分重要的实际意义。移动机器人路径规划主要考虑准确性和实时性问题,而传统的路径规划算法大多只能满足其一,因此,本文以快速扩展随机树(Rapidly-exploring Random Tree,RRT)算法为基础,分别从规划效率和路径质量两方面改进,使移动机器人能够满足在不同环境下高效率高质量地完成路径规划任务的要求。本文首先分析轮式移动机器人的运动学模型,在此基础上论证移动机器人的非完整性、可控性和局部稳定性,为算法的改进提供可靠的理论支持;其次,针对RRT算法规划效率低的问题,引入目标偏向RRT(Goal Biasing RRT,GB-RRT)算法使搜索具备启发性,面对复杂环境时,以GB-RRT算法为基础采用三种优化方法,第一种方法采用重复淘汰检测机制,能够解决原算法容易陷入局部极小值的问题,第二种方法采用Manhattan距离度量方法,能够降低算法复杂度,第三种方法加入邻近随机取点函数,能够降低计算量;最后,采用基于A~*引导域的改进RRT算法。该算法以A~*算法的最优性和完备性为基础,通过A~*算法规划出一条低分辨率的栅格路径,并在此路径周围生成一条设定宽度的引导域,将改进GB-RRT算法(Improved Goal Biasing RRT,IGB-RRT)的扩展限制在此引导域内,从而使规划出的路径近似于最优解。本文通过在不同环境的仿真实验证明IGB-RRT算法在越复杂环境下,相对规划时间越短,效率越高;验证基于A~*引导域的IGB-RRT算法规划出的路径质量近似于最优解。本文算法在规划效率和规划路径质量两方面都有不同程度的优化,对移动机器人路径规划研究具有一定的参考价值。文中共有图26幅,表12个,参考文献57篇。