1.一种机器人的路径规划方法，其特征在于，包括：根据机器人对应的环境信息确定初始的搜索树，并确定所述搜索树的初始点和目标点，其中，所述环境信息包括障碍物信息；

确定预先设置的多个采样点，根据所述环境信息确定所述多个采样点对应的障碍物密度和路径平滑度，以根据所述障碍物密度和所述路径平滑度确定最优采样点；

根据所述环境信息确定目标点引力和障碍物斥力，以根据所述最优采样点、所述目标点引力和所述障碍物斥力确定策略模型；

通过所述策略模型进行碰撞检测，以确定新节点，并根据所述新节点对所述搜索树进行多次更新，以通过多次更新后的所述搜索树确定所述机器人的路径；

根据所述环境信息确定所述多个采样点对应的障碍物密度和路径平滑度，具体包括：根据所述障碍物信息确定所述多个采样点对应的最小障碍物距离，并根据所述最小障碍物距离计算所述障碍物密度，所述障碍物密度的计算公式为：其中， 为所述障碍物密度， 表示第i个采样点， 表示所述最小障碍物距离对应的障碍物，表示障碍物的总体积；

确定所述搜索树的节点，根据所述搜索树的节点确定采样点对应的多个节点距离，并根据所述多个节点距离确定最近节点，以根据所述最近节点计算所述路径平滑度，所述路径平滑度的计算公式为：其中， 为所述路径平滑度， 表示所述最近节点，表示第i个采样点与所述最近节点的直线与直线 的夹角， 表示的父节点；

根据所述环境信息确定目标点引力和障碍物斥力之前，所述方法还包括：确定所述机器人对应的引力势场和斥力势场，所述引力势场的计算公式为：其中， 为所述引力势场， 为预先设置的引力系数，表示所述机器人，表示所述目标点， 表示所述机器人与所述目标点之间的距离， 为所述机器人到达所述目标点的阈值；

所述斥力势场的计算公式为：

其中， 为所述斥力势场， 为预先设置的斥力系数， 表示所述最小障碍物距离对应的障碍物， 表示所述机器人与所述最小障碍物距离对应的障碍物之间的距离， 为所述机器人到达所述障碍物的阈值，为预先确定的距离影响因子；

根据所述环境信息确定目标点引力和障碍物斥力，具体包括：根据所述引力势场计算所述目标点对所述新节点的目标点引力，所述目标点引力的计算公式为：其中， 为所述目标点引力；

根据所述斥力势场计算所述障碍物对所述新节点的障碍物斥力，所述障碍物斥力的计算公式为：其中， 为所述障碍物斥力；

根据所述最优采样点、所述目标点引力和所述障碍物斥力确定策略模型，具体包括：根据所述目标点引力和所述障碍物斥力计算势场合力，并根据所述势场合力确定所述策略模型，所述势场合力的计算公式为：其中， 为所述势场合力；

所述策略模型的表达式为：

其中， 表示所述新节点， 表示所述采样点的最近节点， 表示所述采样点， 为所述采样点对所述新节点的引力影响因子， 为所述势场合力对所述新节点的引力影响因子， 为所述势场合力的大小。

2.根据权利要求1所述的方法，其特征在于，根据所述障碍物密度和所述路径平滑度确定最优采样点，具体包括：确定预先设置的质量影响因子，根据所述质量影响因子、所述障碍物密度和所述路径平滑度计算所述多个采样点对应的采样质量，以根据所述采样质量确定所述最优采样点，所述采样质量的计算公式为：其中， 为所述采样质量， 为所述障碍物密度对应的质量影响因子， 为所述路径平滑度对应的质量影响因子。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：根据所述新节点和所述最近节点确定路径，并根据所述环境信息确定障碍物；

根据所述路径与所述障碍物确定是否存在碰撞；

若存在碰撞，则将所述新节点进行舍弃；

若不存在碰撞，则将所述新节点加入至所述搜索树中，以对所述搜索树进行更新，并将所述新节点作为根节点进行扩展搜索，以确定所述路径。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：根据所述环境信息计算所述机器人对应的环境复杂度，所述复杂度的计算公式为：其中，为所述复杂度，为环境体积， 为静态障碍物的数量， 为动态障碍物的数量， 为静态障碍物的体积， 为动态障碍物的体积， 为静态障碍物的复杂度影响因子， 为动态障碍物的复杂度影响因子， 且 。

5.一种机器人的路径规划设备，其特征在于，包括：至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述一种机器人的路径规划设备能够执行：如权利要求1‑4任一项所述的一种机器人的路径规划方法。

6.一种非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：如权利要求1‑4任一项所述的一种机器人的路径规划方法。