自动驾驶是目前科技领域的一个前沿热点技术,在谷歌、特斯拉、Uber等科技公司的刺激下,科研机构和汽车制造厂商纷纷调配资源来加快该技术相关的研发工作。路径规划技术是自动驾驶系统中必不可少的技术模块。路径规划依赖于高精度地图,规划车体行驶的最优路线,实现从起始点到目标点的任务需求。路径规划技术也被广泛运用在游戏线路搜索、扫地机器人、物流配送、仓储巡检等场景中,因此便需要路径规划算法能够适应更为复杂的环境地图,同时又能节省时间成本。从算法本身特点及环境复杂度出发,采取对单一算法的改进和多种算法的融合方法,对路径规划技术的研究具有重要意义。本文从全局路径规划和局部路径规划两部分着手,分别对这两部分的算法进行研究。根据全局路径规划A*算法的原理,仿真对比了A*算法中常用的四种不同启发函数的寻路效果,同时提出一种改进的加权曼哈顿距离启发函数,仿真验证该启发函数提高了A*算法的寻路效率,在搜索到的路径长度,搜索时间和搜索的结点数量方面均具有优越性;根据局部路径规划DWA算法的原理,对该算法评价函数中三项评价指标的权重值如何选取进行了仿真分析,通过将采用加权曼哈顿距离的A*算法和DWA算法融合,使融合后的算法尽可能贴近全局最优路径,有效避免了DWA算法容易陷入局部最优的缺点,同时缩短了算法的运行时间。根据自动驾驶系统的关键技术组成,对机器人底盘和激光雷达进行选型,搭建了无人车硬件平台;以ROS系统的工作框架和基本特点为基础,对导航包组织框架各模块作用的详细分析,研究了move_base包进行路径规划算法验证的具体方法,配置了本文研究的算法插件和机器人可视化模型;实验部分通过对move_base包中关键参数的配置,分别搭建静态和动态实验环境,完成路径规划的实验验证与结果分析,证明本文研究的算法具有一定的实用性。