路径规划是生成从源位置到目的位置的路径的一个过程。路径规划会结合其适用对象及应用场景根据一定的衡量标准(如路径长度、运行时间等)在存在障碍物的情况下找到一条无碰撞的最优路径。在生产生活的实践中,移动机器人和智能车辆通常处于实时可能发生变化的动态环境中,如可移动的障碍物的存在或追踪移动的目标,这要求移动机器人或智能车辆必须具备动态路径规划的能力。动态路径规划作为移动机器人和智能车辆开展各项工作的基础技能,一直处于重要研究课题的位置。经典A~*算法总是能找到那条成本最小的最优路径,但该算法仅适用于静态路径规划且运行时间较长,工作效率较低,因此有必要来改进传统A~*算法以提高其运行效率。概率路线图方法通过随机采样的方法利用为数不多的采样点来确定一个可行解,虽然这个解不是最优的,但其规划时间大大缩短,路径也接近最优。因此,为了改善A~*算法的工作效率,将搜索路径最优的~*A算法与搜索速度快的基于概率路线图方法相结合可以开发出路径规划混合算法。分布式共识算法使用控制理论工具也为路径规划问题的解决提供了新的思路,但该算法仅适用于计算量大且运行时间长的网格地图,其工作的结果限于静止的环境,并且在具有多变性的动态环境中可能会失败。本文主要有三个研究内容:首先,将A~*算法与概率路线图方法相结合基于随机产生的工作地图进行静态路径规划,以改进A~*算法,改善其工作效率,缩短运行所耗费的时间。此外,将基于概率路线图的分布式最小共识算法用于解决静态路径规划问题,显著改善了静态路径规划的效率。其次,为了解决偏倚最小共识算法在网格地图中计算量大,运行时间长的问题,本文提出将概率路线图方法和偏倚最小共识算法相结合的混合算法,将网格图转变为随机地图以提高其运行效率,并用以解决迷宫型问题,避开U型障碍物以及移动机器人的动态规划,如追踪移动目标和在具有不断变化的障碍物的情况下追踪移动目标。最后,本文针对智能车辆在运行时可能遇到的具体问题对偏倚最小共识算法进行改进,然后将改进的算法与概率路线图方法结合提出一种适用于智能车辆的混合动态路径规划算法。考虑到道路状况(拥挤指数,是否发生事故等)和欧几里得距离,改进了偏倚最小共识算法使其满足智能车辆实时需要规划路径的需求,使得智能车辆即使处于实时可能发生变化的动态环境中始终能保持在最佳路径上行驶,如驾驶过程中前方路段由于交通事故导致拥堵,智能车辆也有能力及时重新规划路径,通过改变前进路线以避开拥堵。