路径规划问题是移动机器人导航研究中的基本和关键的课题,机器人根据某一性能指标自主地搜索出一条从起始状态到目标状态的最优或次优无碰撞路径。许多路径规划算法在环境先验信息已知情况下能够良好地规划出路径,但在未知环境特别是存在各种不规则障碍的复杂环境中,很多算法很可能失去效用。随着移动机器人复杂性提高与应用范围增大,对路径规划的要求也逐渐增高,局部规划应用受到传统规划方法的制约。本文对人工势场法展开研究,分析传统人工势场的局限性,对改进人工势场法进行探讨,提出一种新的改进人工势场算法,提高局部路径规划算法的适用性与规划效率。人工势场法(Artificial potential field,APF)引入广义虚拟势场概念,构造基于目标引力与障碍斥力的势场模型,机器人在势场中根据环境势能差进行滑动,其轨迹是势场中沿势函数下降的方向曲线。本文建立移动机器人仿真模型并构造实验环境地图,完成基于传统人工势场法的路径规划算法并实现仿真验证。传统人工势场法适用于移动机器人的实时避障和局部路径规划,具有计算量小、实时性高、规划轨迹平滑等优点,但是却存在两个固有缺陷:目标不可达问题和局部极小值问题。针对障碍物与目标点过近导致的目标不可达问题,提出斥力势场函数改进模型,引入移动机器人和目标点的相对距离并增加调节因子实现势场调控,使得目标点始终为全局势场最小势能点。针对障碍物与目标点引力、斥力平衡导致的局部极小值问题,提出基于移动机器人运动范围的检测方法,利用临时子目标等多个策略逃离局部极小点,改进算法优化处理了机器人避障规划路径。引入基于采样的快速扩展随机树算法(Rapidly exploring random tree,RRT),该算法具有概率完备性、随机采样、收敛性能好等特性。分析算法规划原理,探讨其改进策略,在改进人工势场法的基础上,提出APF-RRT算法,融合APF与RRT算法特性,使用RRT的随机采样解决APF的局部极小值问题,将APF的目标引力思想引入RRT的搜索树扩展阶段,为RRT算法的节点增长函数添加目标导向因子,降低扩展随机树的搜索复杂度从而解决RRT算法规划路径随机性大的问题。本文采样相同的仿真模型与环境地图进行多个算法的对比实验,验证结果表明APF-RRT路径规划算法良好结合了 APF与RRT算法特性并有效改善了相关缺陷,具有良好的有效性与适用性。