1.一种基于威胁估计的智能车辆路径规划方法，其特征在于，包括以下步骤：步骤1、根据智能车辆当前位置及终点位置进行全局路径规划，获得全局最优路径；具体包括：利用卫星导航、惯性导航装置或其组合来实现智能车辆的定位和状态估计，并确定智能车辆行驶的终点，然后与地图数据库匹配，进行全局路径规划；采用路网地图模型实现环境构建，用A*最短路径搜索算法实现全局最优路径规划；

步骤2、建立基于贝叶斯网络的智能车辆威胁估计模型，计算外部环境中的各目标对智能车辆的威胁指数；

步骤3、建立基于威胁指数的外部环境中的各目标对智能车辆的斥力势场模型，与智能车辆行驶终点对智能车辆的引力势场模型融合，得到智能车辆的综合势场模型；

步骤4、对步骤3建立的综合势场模型求解，搜索原始局部最优路径；

步骤5、对原始局部最优路径进行优化处理，得到智能车辆最终的行驶路径；

原始局部最优路径进行以下优化处理：

(1)路径危险点排除

部分路径点因为处于外部环境中的目标的威胁范围内而变成危险点，这种路径点需要排除；建立的势场是一种以目标中心为圆点，以威胁指数为半径的圆形势场，因此可判定：当路径点位于圆内或圆上时则该点为危险点，并进行排除；当路径点位于圆外时则该点为安全点，保留不做处理；

(2)路径缩短化处理

采用路径遍历拉直的方法对路径进行缩短化处理：通过遍历原始路径的任意两点，当两点之间不与目标相交时，即可对此区间的路径进行拉直处理，否则继续遍历其他的两点，直至路径处理完成；

(3)路径平滑处理

采用内切圆进行曲线拟合的方法，对路径进行平滑处理，以保证路径的平滑度；

步骤2包括了智能车辆威胁建模步骤与威胁估计步骤；

智能车辆威胁建模的步骤主要包括：

(1)确定影响智能车辆威胁评估的因素，包括外部环境中的目标的类型与运动特征、环境参数；

(2)根据步骤(1)的上述影响因素，确定贝叶斯网络拓扑结构；

(3)分析各因素对智能车辆威胁的影响程度，确定局部条件概率表；条件概率表的获得通过参数学习获得，具体步骤如下：

1)初始值设定：根据经验或者任意地初始化条件概率表，并设计一组场景，根据已有文献和专家经验构造训练数据；

2)威胁指数评估：选择一个场景，选取单个威胁因素作为变量，计算在该威胁因素影响下智能车辆的威胁指数；

3)参数比较和修正：将步骤2)中的威胁指数与训练数据进行对比，逐步调整对应的条件概率表，得到可信度较高的条件概率数据；

4)在步骤2)简单模型中逐步添加其他的威胁因素节点形成新的评估模型，重复步骤

2)、3)，直至整个网络的条件概率得到修正。

2.根据权利要求1所述的基于威胁估计的智能车辆路径规划方法，其特征在于，所述智能车辆威胁估计的步骤主要包括：(1)采集威胁因素的实时数据，经模糊化后作为贝叶斯网络模型各输入节点提供证据信息；

(2)对环境中的每一目标，根据贝叶斯网络的推理算法计算威胁指数节点的后验概率，即各目标对智能车辆的威胁指数。

3.根据权利要求1所述的基于威胁估计的智能车辆路径规划方法，其特征在于，所述步骤3智能车辆行驶终点对智能车辆的引力势场模型定义为式中：ξ为位置增益系数；q为智能车辆中心位置[x,y]T；qgoal为终点的位置[xg,yg]T；ρ(q,qgoal)为智能车辆当前位置与终点位置的相对距离；

外部环境中的目标对智能车辆的斥力势场模型是基于得到的威胁指数来构建的，第i个外部环境中的目标对智能车辆的斥力势场模型定义为式中：i∈(1,2,…,m)，m为外部环境中的目标的总数；η是位置增益系数；qi为第i个目标的位置[xi,yi]T；ρ(q,qi)是智能车辆与第i个目标之间的距离；ρ0是目标的临界影响半径，即在目标ρ0范围之外不会受到目标斥力影响；pi是目标的威胁指数。

4.根据权利要求3所述的基于威胁估计的智能车辆路径规划方法，其特征在于，所述智能车辆的综合势场模型为：智能车辆在q位置的综合势场模型定义为m个外部环境中的目标对智能车辆的斥力势场与智能车辆行驶终点对智能车辆的引力势场的叠加