随着“工业4.0”观念的提出,移动机器人的路径规划技术在工业生产中得到突飞猛进的发展。而自动导引车（Automated Guided Vehicle,AGV）由于其自身具备高灵活性和高安全性,在智能化加工工厂、自动控制系统和电力巡逻安检系统的应用上逐渐地扩大。基于采样的快速搜索随机树（Rapidlyexploring Random Tree,RRT）算法,由于其自身具有无需建模、搜索能力强且能在给定足够的时间里搜索到可行路径等优点,在移动机器人路径规划的领域,该算法得到了广泛的应用与研究。本文提出一种面向AGV的目标导向快速搜索随机树（Goal-oriented Rapidly-exploring Random Tree,GO-RRT）算法和目标导向渐进最优双向快速搜索随机树（Goal-oriented asymptomatically optimal bidirectional Rapidlyexploring Random Tree,GOBI-RRT）算法,算法主要优势在于可以快速规划出满足AGV的渐进最优的路径。论文的主要内容如下:首先,对路径规划的定义进行简单的介绍,并对几种常见路径规划的方法分类,确定路径规划的主要任务并总结了路径规划算法的设计准则。同时,详细分析几种常见路径规划算法的优缺点,并提出了本文所要采用的基础RRT算法。其次,通过分析基础RRT算法应用于AGV领域中,存在自身算法的随机性强、目标导向性差、收敛速度慢且应用于AGV中存在未曾考虑其车体大小等问题,在采样点的选取范围中,提出了在变概率指导的基础上加入目标导向思想对路径进行优化,并提出了圆盘碰撞检测算法来有效的避免AGV车体与环境障碍物发生碰撞的现象,最后通过不同的实验环境在计算机中Matlab验证GO-RRT算法的效果,实验的结果表明其有效降低了采样点选取的随机性、加快了整体算法的收敛速度、有效改善了路径的质量。最后,通过分析GO-RRT算法,虽然相比RRT算法减少了采样点的个数,但是依然存在很多无效采样点,并且规划出来的路径虽解决了AGV车体与障碍物发生碰撞的现象,但出现多个拐点,使AGV运动出现“绕远路”的现象,为了进一步加快收敛速度,减少拐点对AGV在运动过程中的“绕远路”现象,提出了GOBI-RRT算法。该算法依然在变概率指导思想上,将不同于GO-RRT算法的目标导向思想加入到基础BI-RRT算法中,并对已经规划好的路径上通过贪婪算法对其进行平滑处理,通过目标点反向寻找路径中可以不用经过的节点,减少拐点对路径的影响,使路径更加平滑。实验在计算机中Matlab仿真并从路径规划多个重要参数分析证明了GOBI-RRT算法降低了无效采样点和拐点的数量,提高了算法的运行速度,平滑后的路径更加适合AGV运动。