改进RRT算法的无人驾驶车辆路径规划研究

针对基础快速扩展随机树（Rapidly-exploring Random Trees,RRT）应用于无人驾驶车辆路径规划时缺乏导向性，收敛速度慢，路径平滑性差及规划结果并非最优解等问题，提出了一种基于RRT的路径规划改进算法。首先，设计了启发式采样策略：提出基于权重分配的目标指向的局部扩展方式，解决了节点盲目扩展的问题，避免了因目标偏向而出现路径陷入局部最小值的情况，并通过设置转角阈值约束节点转角范围，同时采用变步长采样策略，提高了算法局部避障能力；其次，对已得路径进行后处理：提出了节点优化策略，并用B样条曲线进行路径拟合，实现了路径长度的优化并满足平滑性要求，路径末端与目标点采用Reeds-Shepp曲线连接，解决了车辆抵达目标点时的航向问题。最后利用Matlab软件，将改进算法与基础RRT及其衍生算法进行了对比分析，验证了所提算法的有效性和优越性。