1.一种无人驾驶车辆避障规划控制方法，其特征在于，包括：步骤S1，局部路径规划基于全局路径规划，利用激光雷达、摄像头和红外相机感知行驶车辆周围环境信息并构建行驶区域地图；

步骤S2，基于行驶车辆周围环境信息配置实时检测搜寻点，并根据行驶区域地图获取搜寻点信息，进而在构建的行驶区域地图进行局部路径规划；

步骤S3，实时获取无人驾驶车辆当前位置信息和环境感知目标搜寻点位置信息；

步骤S4，根据无人驾驶车辆当前位置信息、环境感知目标搜寻点位置信息以及行驶区域地图，利用A*算法计算最优避障路径；

步骤S5，指引无人驾驶车辆实现横向控制及纵向控制；

步骤S6，指引无人驾驶车辆按照最优避障路径行驶及执行最优避障控制策略，并在检测到障碍物时重新规划路径及执行控制策略；

所述步骤S2中，搜寻点包括激光雷达、摄像头和红外相机采集的图像数据动态点、静止点和参照点；搜寻点信息包括搜寻点位置信息及搜寻点之间的连通关系；具体包括：步骤S21，基于搜寻点位置信息及搜寻点之间的连通关系建立数据识别库；

步骤S22，从数据识别库中读取搜寻点位置信息及搜寻点之间的连通关系；

步骤S23，根据搜寻点位置信息及搜寻点之间的连通关系计算搜寻点之间的距离；

步骤S24，将搜寻点之间的距离作为权值，根据搜寻点之间的连通关系进行局部路径规划；

所述步骤S5中，根据最优控制策略通过MPC模糊预测控制器对无人驾驶车辆执行横向控制；

根据最优控制策略通过PID控制器执行纵向速度控制；

其中，通过MPC模糊预测控制器指引无人驾驶车辆方向盘进行转向控制，PID控制器指引电机转矩进行调整、对制动踏板进行控制和速度进行控制；

所述步骤S5中，MPC模糊预测控制器中的MPC算法实现对无人驾驶车辆执行横向控制，其车辆二自由度运动微分方程式如下：其中，

车辆横摆动力学模型：

其中，

将上式化为状态空间方程：

其中，

将车辆动力学模型中的精确量转化为模糊量，通常采用中心点法或梯形法进行模糊化；

根据实际情况制定模糊规则，用于描述车辆动力学模型的输入与输出之间的关系；

根据模糊规则进行推理，得到预测控制输出；

将模糊输出转化为精确输出，用于实际MPC模糊预测控制器的输入；

PID控制器中的PID算法实现对无人驾驶车辆执行纵向速度，PID算法时间连续公式如下：其中，

所述步骤S6包括：

步骤S61，指引无人驾驶车辆检测到障碍物时执行最优控制策略，并采集无人驾驶车辆周围环境信息；

步骤S62，根据无人驾驶车辆周围环境信息计算可行走宽度，并判断无人驾驶车辆是否能够绕开障碍物；

步骤S63，若无人驾驶车辆能够绕开障碍物时，指引无人驾驶车辆绕开障碍物后继续按照最优局部路径规划行驶；

步骤S64，若无人驾驶车辆无法绕开障碍物时，采取紧急停车避障策略，获取障碍物位置信息并将行驶区域地图中包括障碍物所在位置的连通关系删除，得到避障行驶区域地图；

步骤S65，获取无人驾驶车辆当前位置信息及下一个目标搜寻点位置信息，并根据避障行驶区域地图重新规划最优避障路径；

步骤S66，无人驾驶车辆无法规划避障路径时，生成报错信号并输出；

所述步骤S63中，无人驾驶车辆能够绕开障碍物时，可行走宽度满足如下关系式：其中，

2.根据权利要求1所述的一种无人驾驶车辆避障规划控制方法，其特征在于，所述步骤S1中，全局路径规划是指从起始点到终止点的路径，局部路径规划是在全局路径上的局部规划，具有矢量性，包含时间、速度大小和方向。

3.根据权利要求1所述的一种无人驾驶车辆避障规划控制方法，其特征在于，所述步骤S4包括：步骤S41，根据环境感知目标搜寻点位置信息和行驶区域地图，计算得到每个目标搜寻点与其他目标搜寻点之间的最短路径；

步骤S42，利用A*算法根据每个目标搜寻点与其他目标搜寻点之间的最短路径生成对目标搜寻点的最优避障路径，并根据最优避障路径执行最优控制策略。

4.根据权利要求3所述的一种无人驾驶车辆避障规划控制方法，其特征在于，所述步骤S4中，A*算法的计算公式如下：式中，

5.一种无人驾驶车辆避障规划控制系统，其特征在于，包括：环境感知模块，用于通过识别激光雷达、摄像头和红外相机采集的行驶车辆周围环境信息并构建行驶区域地图；

配置模块，用于基于行驶车辆周围环境信息配置实时检测搜寻点，并根据行驶区域地图获取搜寻点信息；

定位模块，用于实时获取无人驾驶车辆当前位置信息和环境感知目标搜寻点位置信息；

计算模块，用于根据无人驾驶车辆当前位置信息、环境感知目标搜寻点位置信息以及行驶区域地图，利用A*算法计算最优避障路径；

路径规划模块，用于根据搜寻点信息进行路径规划；

搜寻点包括激光雷达、摄像头和红外相机采集的图像数据动态点、静止点和参照点；搜寻点信息包括搜寻点位置信息及搜寻点之间的连通关系；具体包括：步骤S21，基于搜寻点位置信息及搜寻点之间的连通关系建立数据识别库；

步骤S22，从数据识别库中读取搜寻点位置信息及搜寻点之间的连通关系；

步骤S23，根据搜寻点位置信息及搜寻点之间的连通关系计算搜寻点之间的距离；

步骤S24，将搜寻点之间的距离作为权值，根据搜寻点之间的连通关系进行局部路径规划；

横向控制模块，用于控制无人驾驶车辆方向盘转角；

纵向控制模块，用于控制无人驾驶车辆制动踏板及电机转矩；

根据最优控制策略通过MPC模糊预测控制器对无人驾驶车辆执行横向控制；

根据最优控制策略通过PID控制器执行纵向速度控制；

其中，通过MPC模糊预测控制器指引无人驾驶车辆方向盘进行转向控制，PID控制器指引电机转矩进行调整、对制动踏板进行控制和速度进行控制；

MPC模糊预测控制器中的MPC算法实现对无人驾驶车辆执行横向控制，其车辆二自由度运动微分方程式如下：其中，

车辆横摆动力学模型：

其中，

将上式化为状态空间方程：

其中，

将车辆动力学模型中的精确量转化为模糊量，通常采用中心点法或梯形法进行模糊化；

根据实际情况制定模糊规则，用于描述车辆动力学模型的输入与输出之间的关系；

根据模糊规则进行推理，得到预测控制输出；

将模糊输出转化为精确输出，用于实际MPC模糊预测控制器的输入；

PID控制器中的PID算法实现对无人驾驶车辆执行纵向速度，PID算法时间连续公式如下：其中，

避障模块，用于指引无人驾驶车辆按照最优路径行驶及执行最优控制避障策略，并在检测到障碍物时重新规划路径及执行控制策略，其包括：步骤S61，指引无人驾驶车辆检测到障碍物时执行最优控制策略，并采集无人驾驶车辆周围环境信息；

步骤S62，根据无人驾驶车辆周围环境信息计算可行走宽度，并判断无人驾驶车辆是否能够绕开障碍物；

步骤S63，若无人驾驶车辆能够绕开障碍物时，指引无人驾驶车辆绕开障碍物后继续按照最优局部路径规划行驶；

步骤S64，若无人驾驶车辆无法绕开障碍物时，采取紧急停车避障策略，获取障碍物位置信息并将行驶区域地图中包括障碍物所在位置的连通关系删除，得到避障行驶区域地图；

步骤S65，获取无人驾驶车辆当前位置信息及下一个目标搜寻点位置信息，并根据避障行驶区域地图重新规划最优避障路径；

步骤S66，无人驾驶车辆无法规划避障路径时，生成报错信号并输出；

所述步骤S63中，无人驾驶车辆能够绕开障碍物时，可行走宽度满足如下关系式：其中，