1.基于CNN与改进A‑Star算法的护理机器人路径规划方法，具体步骤如下，其特征在于,步骤1：医护人员向护理机器人输入目的地，护理机器人把目的地起点和终点发送给医院服务器；

步骤2：服务器读取顾客到达目的地的各条路径的视频图像信息；

步骤3：服务器对图像预处理和提取图像的特征信息作为训练数据的输入，并利用CNN计算人群密度；

所述步骤3中CNN网络训练时对图像的人头进行估算，并对人头进行标记，图像整体画面的标准和密度图函数可用公式分别表示为：F(ο)＝S(ο)*Gσ(p)   (2)其中，οi表示头部的某一点，人员标注为δ(ο‑οi)，n代表图像标注的总人数，Gσ表示是高斯核；

所述步骤3中提取的特征主要是图像的色调、色饱和度、灰度HSG信息；

所述步骤3中CNN算法选用激活函数和损失函数分别为：F(x)＝max(0,x)   (3)其中，x为输入数据值；

其中，D表示密度图，N为训练图像的总量，ei是网络输出的图像二维标准密度图，gi是二维标准密度图；

步骤4：服务器根据人群密度与行人速度的数学模型计算出路径的速度函数v，并对速度量化；

所述步骤4中人群密度与行人速度的数学模型为：v＝‑0.383D+1.507   (5)其中，D表示人群密度；

所述步骤4中行人速度的量化公式为：*

其中，floor表示向下取整，V＝0时，此区域可视为障碍物；

步骤5：护理机器人接收到路径行人量化速度后，并使用量化后的速度去改进A‑Star的评估函数；

所述步骤5中A‑Star的评估函数由传统的路径评估函数转化为时间评估函数具体公式为：其中，g(n)是起点到终点的最佳路径值，h(n)起点到终点的最佳路径的启发值；

步骤6：护理机器人对A‑Star加上直线优先约束，使用改进的A‑Star函数寻找最优路径；

所述步骤6中A‑Star的线性约束条件为：*

其中，d (i)表示第i步路径的行驶方向，d(i)min是第i次各方向时间评估函数最小值f(i)tmin对应的路径方向，dp是第i‑1次行走路径方向，dp方向在第i次对应的时间评估值为f(i)tp，T为阈值。