1.一种采用混合势场-蚁群算法的车辆路径规划方法，其特征在于，包括如下步骤：步骤1：获取车辆自身与环境信息；

步骤2：通过分析车辆自身与环境信息，得到车辆当前所受虚拟势场力，建立改进后的车辆虚拟势场力模型；

步骤3：初始化蚁群算法的参数；

步骤4：路径规划初期，在蚁群算法中引入改进后的虚拟势场合力作为启发信息函数；

针对规划路径的路面附着系数和车辆行驶速度对路径选择的影响，引入权重系数，改进蚁群算法的转移概率函数，使其受到距离和改进虚拟势场合力的双重启发作用；降低改进后的蚁群算法用于路径搜索的迭代次数；

步骤5：随着路径规划的深入，信息素浓度和距离启发共同发挥作用；此时，逐渐降低改进势场合力的作用，使用改进的蚁群算法进行路径规划；

步骤6：按照步骤4和5所规划的路径由电子控制单元控制车速以及转向盘转角；

步骤7：当车辆沿规划路径接近障碍物并开始避障时，由电子控制单元将车速控制在

40km/h以内，远离障碍物时，车速恢复正常；

步骤8：单位时间之后，重复步骤1至7直到车辆到达安全地点。

2.根据权利要求1所述的一种采用混合势场-蚁群算法的车辆路径规划方法，其特征在于，步骤1中所述的环境信息包括：当前行驶道路前方障碍物信息；当前传感器检测盲区信息；当前交通信号灯信息；当前行驶道路侧向障碍物信息；目标点位置信息；所述的车辆自身信息包括：车辆速度、转向盘转角、车辆当前位置。

3.根据权利要求1所述的一种采用混合势场-蚁群算法的车辆路径规划方法，其特征在于，步骤2中所述的改进后的车辆虚拟势场力模型包括：(1)前方障碍物虚拟斥力模型：

式中，freject-front为前方车辆对后车的斥力系数；μroad为辨识的前方道路-轮胎附着力特性信息；vi(t)为智能车车速；β(t)为智能车质心偏转角度； 为智能车相对于前方障碍物的速度； 为智能车相对于前方障碍物的相对距离，为障碍物与车辆理论安全距离，Ssafe-front为智能车避免与前方障碍物碰撞所需的安全距离；

(2)检测盲区斥力模型：

式中，freject-blin为检测盲区对智能车的斥力系数； 是智能车相对于盲区的相对速度；Sm-s-o是其他车辆避免与智能车碰撞所需安全距离； 是智能车相对于盲区边界的相对距离；μroad为辨识的前方道路-轮胎附着力特性信息；Ds-blind为智能车与盲区边界理论安全距离；

(3)交通信号灯信号虚拟斥力模型：

式中，fr-light为交通信号灯对智能车的斥力系数；Mlight为交通信号灯信息，Mlight＝1表示交通信号灯为红灯； 为智能车相对于交通信号灯的相对速度；Ssafe为智能车能够在停止线前能够停止的最小距离； 为智能车相对于交通信号灯的相对距离；μroad为辨识的前方道路-轮胎附着力特性信息；

(4)智能车侧向虚拟斥力模型：

式中，freject-y为侧向障碍物对智能车的斥力系数； 为智能车相对于侧向障碍物的相对速度；visinβ(t)为智能车车速在侧向上的分量；β(t)为智能车质心偏转角度； 为智能车左右两侧与最近物体的距离；μroad为辨识的前方道路-轮胎附着力特性信息；Ssafe-为智能车避免与侧向障碍物碰撞所需要的安全距离。

4.根据权利要求1所述的一种采用混合势场-蚁群算法的车辆路径规划方法，其特征在于，步骤3中，初始化蚁群算法相关参数包括：

基本蚁群算法转移概率函数为：

式中： 表示节点j信息素浓度；α为信息素浓度因子；β为启发信息因子；allowed k(t)表示除去已访问节点后下一步可以选择的节点； 表示节点m到节点n的距离启发信息函数；dmn表示节点m到节点n之间的距离。

蚂蚁完成一次循环，利用下式更新各路径的信息素浓度：τmn(t+δ)＝(1-ρ)τmn(t)+Δτmn式中：ρ(0＜ρ＜1)表示信息素浓度挥发系数；Δτmn表示本次循环中路径(m，n)上信息素浓度增量；Δτmn表示第k只蚂蚁在本次循环留在路径(m，n)上的信息素浓度Q为信息素因子；

Lk为第k只蚂蚁搜索的路径长度。

5.根据权利要求1所述的一种采用混合势场-蚁群算法的车辆路径规划方法，其特征在于，步骤4的具体实现方法包括：

首先判断规划路径上的信息素浓度，若浓度低，则引入改进后的虚拟势场合力启发信息函数；引入权重系数，以考虑规划路径的路面附着系数和车辆行驶速度对路径选择的影响；

由半经验道路-轮胎数学模型可知：

μ代表路面附着系数；s是滑移率；c1，c2，c3是由实验得出的常量。

以车轮与路面接触点为原点，取四个方向(45°，135°，225°，315°)上的路面附着系数，估算出当前路面附着系数峰值为：式中，λ1、λ2、λ3、λ4表示权重系数，表示当前路面附着系数，μ1maxμ、2max、μ3max、μ4max表示接触点四个方向上车轮与路面接触点之间的峰值附着系数， 分别表示相邻路面的附着系数，以上参数满足下列关系：

对车辆行驶速度进行分级，判断避障路径规划过程是否行驶安全：其中

A：行驶过快；B：行驶正常；C：行驶缓慢。

6.根据权利要求5所述的一种采用混合势场-蚁群算法的车辆路径规划方法，其特征在于，所述步骤4中，蚁群算法的转移概率函数改进为：式中，dmn示节点m到节点n距离；dng示节点n到目标点距离； 表示从节点m到节点n车速的变化量； 表示距离启发信息函数； 表示改进势场合力启发信息函数；γ为启发信息因子；Kmax为最大迭代次数；k为当前迭代次数；a＞1为常数；Ftotal表示势场合力；C1、C2表示权重系数；μmax代表最大路面附着系数；Lv表示车辆行驶速度等级；θ表示势场合力与可选路径方向的夹角，夹角越小， 越大，转移概率越大，越容易向着该路径方向移动。

7.根据权利要求1所述的一种采用混合势场-蚁群算法的车辆路径规划方法，其特征在于，所述步骤7中，路径规划过程中始终将转向盘转角控制在-23°～+23°内。

8.根据权利要求1所述的一种采用混合势场-蚁群算法的车辆路径规划方法，其特征在于，所述步骤7中，速度的控制模型为：

Do＝Dse+Ds

式中，λ为小于1的常系数，通常取λ＝0.4～0.6，Do为汽车与障碍物间的距离；Dse为从初始速度到安全速度这段制动过程中智能车行驶的距离；Ds为预留的安全距离；vs为避障制动开始时的车速；ve为制动结束时的车速；a(t)为制动减速度，是时间的一次函数；td为汽车从开始制动到制动加速度达到最大值所用的时间。