1.一种改进A‑RRT的移动机器人路径规划方法，其特征在于，步骤为：S1、全局路径规划改进：

S1‑1、在RRT*算法中引入目标人工势场，由此来引导随机生长树的生长趋势向目标点方向生长；

S1‑2、引入膨胀半径，使得机器人在真实环境中移动时能够避开狭窄的移动路线，安全达到目标点；

S2、基于Minimum Snap轨迹规划的A‑RRT*算法路径平滑处理：S2‑1、控制移动机器人的加加加速度变化率最小，通过将四阶倒数的积分值作为代价函数，并且以最小化代价函数来实现损耗能量最小，通过对轨迹上的所有端点进行约束；

S2‑2、然后再根据代价函数和约束条件得到二次规划的一般形式，最终获得一条满足约束条件的光滑轨迹；

S3、局部路径规划的动态窗口法：采用动态窗口法进行规划，机器人在移动的过程中根据自身所处的环境信息从而做出相应的决策，完成局部调整动作。

2.如权利要求1所述的改进A‑RRT的移动机器人路径规划方法，其特征在于，所述步骤S1融合人工势场的RRT*算法中，RRT*算法新节点的生成步骤为：S1‑11：找到距离qrand最近的节点qnear，并连接qrand与qnear，以qnear为起点向qnear截取步长λ；

S1‑12：连接qnear与qgoal，以qnear为起点向终点qgoal截取步长kλ；

S1‑13：引入人工势场法的合力生成思想得到新节点qnew，连接qnew与qnear，如果qnew与qnear之间无障碍物，则将qnew加入随机生长树。

3.如权利要求2所述的改进A‑RRT的移动机器人路径规划方法，其特征在于，所述步骤S1中新节点qnew的公式表示为：设定向目标点qgoal方向扩展的节点q1，向随机点qrand方向扩展的节点为q2；

人工势场法的引力场函数为：

其中a为引力场系数，Xg为目标点的位置，引力Fatt(X)： 则目标点qgoal方向扩展的节点q1为：

其中k为目标点对移动机器人的引力系数，λ为扩展步长；

向随机点qrand方向扩展的节点为q2有：

最后加入目标引力势场后新节点qnew的数学表达式为：

4.如权利要求3所述的改进A‑RRT的移动机器人路径规划方法，其特征在于，所述步骤S1中引入膨胀半径后整体融合算法的具体流程如下：S1‑21：算法初始化，设置移动机器人的起始点与终点、障碍物的膨胀半径以及其他相关参数；

S1‑22：在空闲的状态空间中随机生成一个采样点qrand，遍历随机搜索树T中的所有节点，随机树中找到一个距离qrand最小的一个节点qnear，并连接qrand与qnear，且以qnear为起点向qrand方向扩展一个步长λ，然后连接qnear和终点qgoal，并以qnear为起点向目标点qgoal扩展kλ的长度，k为终点对移动机器人引力系数；

S1‑23：通过引入人工势场法的合力生成的方式得到新节点qnew，连接节点qnew和qnear并判断两点之间是否存在障碍物，如果存在放弃此次生长，反之将节点qnew加入随机搜索树；

S1‑24：搜索qnew固定范围内的节点，重新选择qnew的父节点，并对整个随机树进行剪枝；

S1‑25：判断qnew是否到达终点，若没达到则转步骤S1‑22；反之转步骤S1‑26；

S1‑26：从终点到起点遍历随机生长树，得到一条完整路径，并对该条路径进行平滑处理，得到最终路径，算法结束。

5.如权利要求3所述的改进A‑RRT的移动机器人路径规划方法，其特征在于，所述步骤S2中，在二维平面中两个端点之间的连续轨迹一般用n阶多项式表示，即其中P0,P1…Pn为多项式系数，i为多项式的阶数；

整个轨迹可以视为由N段轨迹组合而成：

加加加速度Snap(t)可表示为：

将式(0.6)代入式(0.5)，可表示出整段轨迹的Minimum Snap最小化目标函数定义为加加加速度变化率的平方在每段轨迹相应时间段内的积分，则通式可表示为:其中P是各段的参数矩阵，Q为权重矩阵，i和l为矩阵的行索引和列索引，索引从0开始；

整个轨迹的Minimum Snap最小化目标函数的表达式为:

6.如权利要求5所述的改进A‑RRT的移动机器人路径规划方法，其特征在于，所述步骤S2‑2中构建等式约束方程：S2‑2‑1连续性约束：

相邻轨迹连接处首尾两段轨迹满足位置、速度、加速度、加加速度相等，从而构建为连续性等式约束：其中：Pj,i，Pj+1,l分别表示为第j段轨迹和j+1段轨迹段首的多项式系数；

S2‑2‑2光滑性约束：

整段轨迹的每两段连接处的速度、加速度、加加速度都能够满足某一特定值，从而构建到光滑性等式约束：将式(0.9)、式(0.10)代入式(0.8)联合求解，分别对x轴和y轴求解基于Minimum Snap的目标函数，将计算得到的每段轨迹系数P代入各段状态方程中，而得到整段轨迹的每个方向的状态量。

7.如权利要求6所述的改进A‑RRT的移动机器人路径规划方法，其特征在于，所述步骤S3中动态窗口法运行步骤如下：S3‑1、速度采样，根据机器人速度、加速度限制及大减速下的安全限制，在机器人线速度和角速度空间进行采样(dx,dy,dθ)；

S3‑2、轨迹模拟，根据机器人的运动模型，对每一个采样速度进行计算，模拟在该采样速度下，机器人在一小段时间里的运动轨迹；

S3‑3、轨迹评价，使用评价函数对步骤S3‑2中模拟的轨迹进行评价打分，评价相关函数；

S3‑4、速度选择，根据评价函数选择得分最高的轨迹，该轨迹下的速度即为最优速度，下发速度至下位机；

S3‑5、判断是否到达目标，如果未到达跳转至步骤S3‑1继续执行，否则结束。