如今,随着机器人技术的不断发展,移动机器人的应用领域越来越广,但是在实际应用中,寻求更优的路径规划和避障方法,仍旧是机器人研究的热点问题之一。本文在充分分析与比较了现有的多种类型的路径规划方法的前提下,针对动态环境下的路径规划这一实际问题,选择随机性强、使用灵活、动态性能好的RRT*算法进行研究。在分析了各类改进算法原理后,针对RRT*算法在应用中存在的明显的问题,比如在均匀随机采样中会导致运算量大幅上升,同一环境下的多次规划路径结果不一致等问题,提出了结合目标偏置采样与路径缓存偏置采样的思路,限制算法的采样区间,用有效方向进行节点生长的指导,进而减少算法在采样中所使用的节点数量,提高其动态性能与实时性。本文提出的基于RRT*算法的路径规划策略,首先在静态环境下进行路径初规划,为了降低RRT*算法本身具有的随机性,引入目标偏置采样进行运算。然后,在动态环境下应用该路径,并将初规划的路径作为路径缓存,当路径中出现新障碍物时,将无效路径进行裁剪修改并进行路径重规划,此时在进行节点采样时,有一定概率选择路径缓存中的点作为新节点,使得新路径更大程度上保持原有路径的趋势。最后,使用MATLAB在三种典型环境中分别进行多次初规划、重规划的仿真实验,与传统的RRT*算法进行了对比,在稀疏环境中,使用节点数量平均减少了42.5%,路径长度平均减少了58.79%,运算时间平均减少了13.71%;在狭窄环境中,使用节点数量平均减少了37.4%,路径长度平均减少了61.99%,运算时间平均减少了2.2%;在凹形环境中,使用节点数量平均减少了49.7%,路径长度平均减少了65.83%,运算时间平均减少了8.73%;仿真结果验证了新的改进算法可以达到预期的效果。最后,本文将改进之后的算法移植到REVV-B32型履带式移动机器人中进行实验,经过对比分析,实验结果证明了改进算法的有效性。实验与仿真结果表明本文提出的改进策略,在一定程度上改善了算法的动态性能,提高了节点利用效率,具有一定的工程实践价值。