1.一种改进人工势场算法的智能车路径规划方法，其特征在于：包括采集起点、目标点、障碍物的位置参数，构造引力势场函数和斥力势场函数，根据引力势场函数和斥力势场函数计算得到智能车在当前位置点所受的合力，根据合力牵引智能车向目标点前进生成相应路径；

当智能车陷入局部极小值点时执行逃离局部极小值点的步骤：设置X＝S，S为局部极小值点，以点X为圆心、半径为步长ΔX的圆上取一随机点X1，根据设定要求从随机点中找出满足要求的运动点，直至最后的运动点满足逃离局部极小值点条件，再将之前各个运动点组成备选路径后暂存，缩减步长ΔX的值，重置X＝S重复上述步骤获得若干备选路径，上述步骤中在设置X＝S后引入点的势能T，势能T由迭代算式生成并且迭代递减，当势能T小于设定阈值时，停止生成备选路径并根据之前各备选路径最后的运动点的势能T，选择势能最低点对应的路径为最终结果，并从该结果中最后的运动点开始继续牵引智能车向目标点前进生成相应路径。

2.根据权利要求1所述的一种改进人工势场算法的智能车路径规划方法，其特征在于：逃离局部极小值点的步骤具体如下：

S1、设置X＝S，S为局部极小值点；

S2、设置表示势能的T，T的迭代计算式为T(t)＝αT(t-1)，0.85＜α＜1，初始状态设定T＝T0，T0为设定值并大于0，t为迭代次数；

S3、ΔX为设定步长，Tf为设定阈值，当满足T≥Tf时产生一个随机点X1＝X+ΔX，否则转到步骤S9；

S4、计算U(X1)和-U(X)，即点X1和X处的势场，并进一步计算势场差值Δ，Δ＝U(X1)-U(X)；

S5、判断是否有Δ≤0，若是则认为X1为有效的随机点，否则执行下一步；

S6、计算概率 并设定取值范围在0到1之间的随机概率a，当P＞a时认为X1为有效的随机点，否则认为无效，重新设置随机点X1，重复步骤S3-S6；

S7、得到有效随机点后将其设为下一步的运动点，并设置X＝X1；

S8、判断U(X1)≤U(S)是否成立，成立说明一步的运动点已成功逃离局部极小值点，记录之前各运动点组成的路径为备选路径，缩减步长ΔX后转回步骤S1，若不成立则转到步骤S2；

S9、根据各备选路径最后的运动点的势能T，选择势能最低点对应的路径为最后逃离局部极小值点的路径。

3.根据权利要求2所述一种改进人工势场算法的智能车路径规划方法，其特征在于：牵引智能车向目标点前进生成相应路径的具体步骤如下：步骤一、采集起点、目标点、障碍物的位置参数，设置规划路径中的起点，终点和障碍物点；

步骤二、分别根据智能车与目标点和障碍物点位置构造出引力势场函数和斥力势场函数；

步骤三、分别对引力势场函数和斥力势场函数求负梯度得到智能车所受引力和斥力；

步骤四、根据步骤三中得到的引力和斥力计算该点所受的合力，依据合力牵引智能车向目标点前进以生成相应路径。

4.根据权利要求3所述一种改进人工势场算法的智能车路径规划方法，其特征在于：在生成路径过程中存在当前引力和当前斥力形成合力为0的点，判断该点是否为目标点，如果不是则判定在该点智能车陷入局部极小值点。

5.根据权利要求3所述一种改进人工势场算法的智能车路径规划方法，其特征在于：所述步骤二中：引力势场函数Uatt的公式为：上式中，katt表示引力增益系数，q为智能车的坐标点，qg为目标点的坐标点，q-qg为智能车与目标点的距离；

斥力势场函数Urep的公式为： 上式中，Krep为斥

力增益系数，ρobs(q)＝||q-qobs||，qobs为障碍物坐标，ρ0为最大影响距离，若障碍物与智能车距离大于ρ0，则将斥力场视为0；点X的势场U(X)＝Uatt+Urep。

6.根据权利要求5所述一种改进人工势场算法的智能车路径规划方法，其特征在于：所述步骤三中对势场求负梯度得到智能车在该势场中受到的力：智能车当前所受引力Fatt的公式为：

上式中 为引力势场的负梯度，Fatt的方向指向目标点，与智能车当前位置到目标点位置的距离成线性关系；

智能车当前所受斥力Frep的公式为：

Frep的方向指向障碍物点的反方向。

7.根据权利要求6所述一种改进人工势场算法的智能车路径规划方法，其特征在于：所述步骤三中对力的求取方法为：Fatt可以分解为x轴方向的力与y轴方向的力：

Fattx＝-Katt(x-xg)，

Fatty＝-Katt(y-yg)，

Frep可以分解为x轴方向的力与y轴方向的力，如下所示：