1.基于RRT改进算法的机器人路径规划方法，其特征在于包括以下步骤：S1、获取需要进行路径规划的环境空间map的信息，包括map尺寸，障碍物的形状和位置，定义起始点source和目标点goal，设置终止路径探索阈值Threshold、扩展步长Step_Size、离散步长step_size以及节点的安全距离Constraint；

S2、利用bwdist函数，获取map中每一个坐标点与障碍物的最小距离，形成距离场distancefield；

S3、构建双向随机树并初始化，将起始点source和目标点goal作为根节点分别加入两棵树T1和T2中，goal作为T1的目标点，source作为T2的目标点，两棵树分别从根节点开始扩展，通过采样函数获取采样点；

S4、计算与当前树中的每个子节点的欧几里得距离，并进行对比，找到最近邻点，并选取新节点newPoint，进行安全距离判断，若满足安全距离则执行S5，不满足则回到S3重新采样；

S5、在和newPoint之间离散化，生成从到newPoint的离散化路径；

S6、在路径规划的逐步扩展中，设定局部节点扩展时的代价函数；

S7、基于局部节点扩展时的代价函数，循环迭代生成离散点代价，取最小代价值，寻找最优节点并插入当前树中，基于Threshold判断是否重新进行采样，若无需重新采样则继续进行迭代；

S8、经过多次的循环迭代，最终得到经过局部优化后的一条整体路径Path；

S9、离散化整个Path，进入全局规划部分，设定全局规划时节点的代价函数，通过迭代计算每个节点到前向的各个节点的代价，选取最小代价的节点进行重连，最终获得一条平滑有效的最优化路径。

2.根据权利要求1所述的基于RRT改进算法的机器人路径规划方法，其特征在于：所述的S1中，Threshold用于判断是否终止路径探索，当生成的两棵树的节点距离小于或等于Threshold时，认为已经找到了一条可行的路径，并停止进一步的探索；Step_Size决定了每次迭代中新节点与最近节点之间的最大距离；step_size决定了每次迭代时对路径中离散化节点与节点之间的离散点距离；Constraint为节点与障碍物的最小限制距离。

3.根据权利要求1所述的基于RRT改进算法的机器人路径规划方法，其特征在于：所述的S2中，bwdist函数是MATLAB中用于计算二值图像的距离变换的函数，距离场distancefield表示为：（1）；

式中，为点（x，y）距离障碍物边界的最小距离；为障碍物的边界点的集合，为其中的一个边界点。

4.根据权利要求3所述的基于RRT改进算法的机器人路径规划方法，其特征在于：所述的S3中，通过采样函数获取采样点的过程为：S3.1、在map中随机选择一个坐标点作为采样点，记为；

S3.2、设定一个随机点的采样函数，表示为：

（2）；

（3）；

（4）；

式中，为随机采样函数；代表目标点，此时目标点记作；α、β、γ为控制采样点靠近目标点的三个动态系数；、为中转函数；即为点距离障碍物边界的最小距离。

5.根据权利要求4所述的基于RRT改进算法的机器人路径规划方法，其特征在于：所述的S4中，进行安全距离判断的方法为，在以为起点、为终点的连线上，选取长度为Step_Size的新节点，即为newPoint，检测newPoint与的连线上是否存在障碍物，同时检测是否满足安全距离，即为newPoint距离障碍物边界的最小距离。

6.根据权利要求5所述的基于RRT改进算法的机器人路径规划方法，其特征在于：所述的S5中，生成离散化路径的步骤为：S5.1、计算离散化步数numSteps，并生成离散点比例因子waypoints，用于在和newPoint之间生成一系列均匀分布的路径点并保存到path；numSteps的计算公式为：（5）；

式中，为到newPoint的欧几里得距离；

S5.2、生成从到newPoint的离散点，表示为：

（6）；

式中，表示第k个离散点；表示第k个离散点对应的比例因子，k从1至numSteps中取值。

7.根据权利要求6所述的基于RRT改进算法的机器人路径规划方法，其特征在于：所述的S6中，代价函数表示为：（7）；

式中，表示当前树扩展至第k个离散点对应的代价函数；表示与的距离代价；表示与的平滑度代价；为的前一个节点；即为距离障碍物边界的最小距离；、、为对应的权重参数。

8.根据权利要求7所述的基于RRT改进算法的机器人路径规划方法，其特征在于：所述的S7中，最小代价值记为，迭代过程中，当前树扩展至第k个离散点时，对应的最小代价值表示为：（8）；

检查当前树最优节点与另一棵树节点的最小距离是否小于等于Threshold，满足条件继续执行迭代，否则重新进行采样处理。

9.根据权利要求8所述的基于RRT改进算法的机器人路径规划方法，其特征在于：所述的S9中，全局规划时节点的代价函数包括平滑度代价函数和安全性代价函数，分别表示为：（9）；

（10）；

式中，、分别表示当前节点i到前向节点j的平滑度代价函数、安全性代价函数；、分别表示当前节点i到前向节点j的平滑度代价、安全性代价；、为对应的权重参数；

综合平滑度代价函数和安全性代价函数得到全局规划时节点的代价函数，表示为：（11）；

式中，表示全局规划时当前节点i到前向节点j的代价函数。

10.根据权利要求9所述的基于RRT改进算法的机器人路径规划方法，其特征在于：在全局规划时节点的代价函数中引入Pareto决策理论，基于距离、平滑度和安全性三个目标，利用Pareto决策理论来实现不同目标之间的最佳平衡，通过计算每个节点到前向的各个节点的代价向量进行Pareto决策，选取Pareto最优解集合的节点进行重连，最终获得一条平滑有效的最优化路径。