针对Informed-RRT(rapidly-exploring random tree)*算法收敛速度慢、优化效率低和生成路径无法满足实际需求等问题，开展了基于MI-RRT* (Modified Informed-RRT*)算法的路径规划研究，通过引入贪心采样和自适应步长的方法提高算法的收敛率，减少路径生成时间、降低内存占用；利用最小化Snap曲线优化的方法使路径平滑的同时动力也变化平缓，达到节省能量的效果，并提供实际可执行的路径。最后通过多组不同复杂度的实验环境表明，较Informed-RRT*算法MI-RRT*算法稳定性更高、所得规划路径平滑可执行，并且能够减少20%的迭代次数和25% 的搜索时间，得出在开阔以及密集环境中MI-RRT*算法较Informed-RRT*和RRT*算法有明显的优势。
