随着社会生产生活向着自动化、智能化的方向发展,移动机器人的应用越来越广,因此具有自主能力的移动机器人成为研究重点。而定位以及路径规划问题是自主移动机器人领域的关键问题。仅依靠单一传感器数据定位,存在估计不准确且抗干扰性差的问题,因此本文着重研究融合多个传感器的定位方法。对于路径规划问题,由于快速随机扩展树（Rapidly-exploring Random Trees,RRT）算法具有规划速度快且能够方便的考虑进机器人的非完整性约束,因此本文将其作为研究重点并对其进行改进。本研究内容对于提升移动机器人的自主定位以及路径规划能力具有重要意义。本文首先介绍了所使用的多传感器硬件系统,建立了编码器的测速方程、IMU的误差方程以及力学方程,并推导了由激光里程计推算载体位姿的方程。通过对比分析扩展卡尔曼滤波算法（Extended Kalman Filter,EKF）和无迹卡尔曼滤波算法（Unscented Kalman Filter,UKF）,确定选用UKF作为本文多传感器融合算法的滤波器。然后设计了一种基于分层结构的多传感器融合定位算法,在局部滤波部分,将UKF作为子融合系统的滤波解算方法,先把IMU和编码器的测量数据进行融合得到局部估计1。然后再融合编码器和激光雷达的数据得到局部估计2。在全局滤波部分,基于最小方差准则和加权融合原理推导了一种多传感器融合方法,将两个局部估计结果进行融合,从而得到系统位姿的全局最优估计。另一方面,针对RRT算法随机性过大且规划的路径不利于机器人执行的问题进行改进,首先通过引入一种全新的偏向目标的采样策略,在保证算法具备足够随机性的同时提升算法的规划效率。然后依据机器人的运动约束进行随机树的扩展,进而得到满足实际运动约束的路径。最后,在保证机器人运动约束的基础上对所规划的路径进行剪枝,并使用B样条曲线对剪枝后的路径进行拟合,从而得到最终路径。为了验证本文融合定位算法的有效性,首先在ROS上实现了所提算法,并进行了静态和动态定位实验。对于路径规划算法的验证,设计了三种不同的环境地图,分别验证了本文改进的路径规划算法在各种不同环境地图中的规划性能,并与几种主流的路径规划算法进行对比。然后在MATLAB和Apolo平台上实现本文算法,并进行融合定位与路径规划联合实验,验证了本文所提算法联合使用的有效性。最后在实体机器人上实现本文改进算法,验证了改进的路径规划算法和融合定位算法在实际机器人上的有效性。实验结果表明,本文融合定位算法在融合多个传感器数据后,定位精度得到了明显提高,整个系统的抗干扰性更强。对于改进的路径规划算法,其改进效果显著,能够在各种不同复杂度的环境中规划出一条满足机器人运动学约束的无碰撞路径。并且,在实体机器人上的实验结果与仿真实验的结果相符。