无人驾驶车辆不仅能够降低交通事故的发生率,还能够提高汽车出行的效率,因此得到了科研机构和企业的广泛关注。而运动规划技术是无人驾驶车辆的核心技术之一,一直以来都是研究的热点和难点。无人驾驶车辆的运动规划需要考虑以下两个方面的问题。一方面,无人驾驶车辆需要实时地规划出满足车辆运动学约束的可行路径来应对快速变化的驾驶环境;另一方面,无人驾驶车辆运动规划算法应该具有较好的普适性,在多种不同的交通驾驶场景下都能够成功的进行运动规划。而现有的解决方案在解决上述问题时仍存在诸多不足,因此本文提出了基于引导域的参数化RRT(Rapidly-exploring Random Tree)运动规划算法。具体的研究内容如下:1)针对RRT算法生成的路径不满足无人驾驶车辆可行性约束的问题,本文提出了参数化节点生成方法。保证了 RRT算法生成的路径始终能够满足贝塞尔曲线参数化的条件,从而在理论上确保RRT算法规划出的路径是曲率连续的且满足无人驾驶车辆的可行性约束。2)为了能够降低RRT算法的规划时间,提高算法的实时性,本文提出了终点树策略和新的终止条件判断方法。一方面,通过将目标点扩展成具有一定数量节点的终点树,提高了随机树搜索到可行路径的概率。另一方面,在每生成一个新节点时都尝试与终点树进行可行性连接检测,进一步提高算法的规划效率。3)针对RRT算法采样盲目性大,生成路径长度不优的问题,本文提出了引导域机制。通过A*算法在低分辨率的栅格地图上生成引导域,然后限制RRT只在引导域内进行采样,优化了 RRT的采样空间,从而改善RRT算法生成的路径的质量。最后通过仿真对比实验和实车对比实验验证了本文提出的运动规划算法的优越性、有效性和实用性。