无人驾驶汽车的推广是保障交通安全和提高交通效率的有效解决方案。在无人驾驶汽车局部路径规划中,采样类算法无需对环境空间离散建模、规划效率高,但是随机采样策略会导致算法搜索过程盲目,是影响规划路径非最优的重要原因;环境感知信息扰动会导致规划路径在障碍物两侧发生跳转,是影响车辆安全平稳行驶的潜在隐患。本文以无人驾驶汽车作为研究对象,针对局部路径规划算法中的上述问题展开研究,提出了基于采样、基于优化的改进算法,并通过仿真验证了两者在无人驾驶汽车局部路径规划中的适用性。主要工作和成果如下:首先,针对采样类算法采样效率低的问题,提出了基于全局路径引导的改进RRT*算法,通过在采样过程中加入偏向于全局路径的非均匀采样行为,使随机树拓展具备导向性,以此提高规划算法的快速性和工效性。该算法首先根据全局路径先验信息确定引导点位置,提出滚动窗口的分段规划方法收束采样空间以提高采样质量,随后在滚动窗口内采用随机树双向拓展策略以加快拓展速度,最后采用三次样条曲线以平滑规划路径。其次,针对优化算法无法考虑环境感知信息扰动的问题,提出了基于前向拓扑通道约束的改进优化算法,通过前向拓扑通道约束路径求解空间,以此提高规划路径的时空一致性。该算法采用分层规划的结构,上层规划通过全局路径点的横向采样生成通行区间,并采用启发式A*算法搜索前向拓扑通道;下层规划设计双边界惩罚函数解决规划路径紧贴通道边界的问题,并通过求解优化目标函数得到保证安全性、舒适性和工效性的规划路径。最后,将上述两种改进算法用于无人驾驶汽车的局部路径规划,并进行了多场景的仿真验证。相比于标准的RRT*算法和目标偏向采样的RRT*算法,基于全局路径引导的改进RRT*算法表现出更好的规划快速性和工效性;相比于改进A*算法,基于前向拓扑通道约束的改进优化算法表现出更好的规划一致性。仿真结果表明,本文提出的改进RRT*算法与改进优化算法在无人驾驶汽车的局部路径规划中具有潜在的适用性。