随着科学技术的发展,新能源汽车的普及,自动驾驶逐渐成为学术界、产业界研究的热点,成熟的自动驾驶,在具备遵守交通规则前提下,在道路环境中具有规划路径,驱动车辆依据规划路径跟踪行驶并准确避障等功能,能有效降低交通事故的发生率,提高通行效率。在自动驾驶轨迹中,围绕着轨迹规划问题有许多研究,如何自动驾驶车辆在复杂动态环境中规划合理、高效的、安全的道路路线难点重重。快速扩展随机树（RRT）算法作为局部路径规划算法,不依赖于地图分辨率大小,对复杂环境具有很好的适应性,但同时快速扩展随机树算法生成的路径具有无导向性、搜索效率低等问题。本文主要基于快速扩展随机树算法,对其改进研究,并在虚拟平台下构造了车辆模型,对其进行障碍物检测与路径仿真,论文的主要研究工作:（1）自动驾驶车辆的路径研究。以自动驾驶车辆本体作为研究对象,构建车辆运动学模型,并使用五次多项式表征其轨迹方程,研究路径跟随算法。通过实验对比线性二次调节器（LQR）算法和Stanley跟踪算法,两者算法优劣。提出了一种快速扩展随机生成树（RRT）的改进算法,用于车辆局部路径规划,该算法在RRT的基础上加入启发函数,以其生成的路径作为参考路径,变换到Frenet坐标下,以参考路径两侧固定步长等距点,搜索最短街区距离的无碰撞路径作为其路径。（2）自动驾驶车辆的避障研究。在ROS/Gazebo仿真环境中检测障碍物与识别物体,使用视觉识别车道线,以及卷积神经网络识别道路元素。并模拟激光雷达采集点云数据,通过直通滤波,使用去除地平面算法,获得孤立点云,聚类获得障碍物,确定其位置。最后在仿真环境中实现了LQR算法跟踪轨迹方程以及所提出规划算法,并在构建的典型场景中与道路规划路径,低速均速行驶,避开障碍物。从自动驾驶车辆的路径研究和避障研究结果表明,本文提出的方法在局部路径规划能改善RRT路径曲率多变情况,以及无导性问题,同时在仿真道路中能避开障碍物。