近年来无人驾驶技术在国内外高速发展,路径规划作为整个无人驾驶系统中的重要一环,规划结果的好坏能够对后续车辆跟踪精度产生影响,从而影响车辆的稳定性和舒适性。论文将RRT算法作为路径规划的基础算法,针对其在车辆运动学约束和搜索效率等问题上的缺陷进行优化和改进研究,使其能够输出合理的行驶路径。论文结合路径规划算法国内外研究现状,对多种较为常用的路径规划算法进行比较分析,基于RRT算法所具有的概率完备性以及适用于非完整约束下的多种移动平台等优点,选取其作为基础算法,开展路径规划研究。首先,为了解决RRT算法在车辆受到运动学约束的情况下存在局部路径无法适用的问题,论文在对车辆运动学建模的基础上,针对其受到的运动学转向约束,在RRT算法中对新节点的扩展策略进行改进,即结合车辆最小转弯半径和最小通过圆半径,对新产生的节点90))是否在最小通过圆范围内进行判定,从而判断其路径是否符合车辆转向约束条件,剔除掉不符合约束条件的节点,使最终生成的路径满足车辆运动学约束。其次,论文针对RRT算法在复杂场景下搜索效率不高的问题,对最近点的搜索算法进行改进,将k-d树数据结构和RRT算法结合,利用k-d树在二维空间中的最近邻搜索方法对随机点(（69）（9）的最近点进行搜索,缩小搜索范围,提高搜索效率。最后针对路径转折次数较多,不便于跟踪的问题,对路径进行了平滑优化,通过三次B样条曲线的拟合,使得路径规划系统输出的路径更加合理。论文利用Matlab软件中的自动驾驶工具箱以及车辆控制器搭建Simulink模型,对改进后的RRT算法进行多种场景的对比仿真试验,后利用智能小车对改进算法在实际场景中的应用能力进行了试验。试验表明,相比于标准RRT算法,改进算法具有航向角突变小、路径平滑、搜索效率高等优点,应用到仿真道路场景以及实际场景中可以较好地完成路径规划任务,满足无人驾驶汽车的行驶需求。