1.一种引入人工势场的强化学习路径规划方法，其特征在于：包括以下步骤：S1、建立格栅地图，引入引力场函数初始化状态值，获得用于训练强化学习智能体的仿真环境；

S2、初始化算法参数；

S3、采用动态因子调整策略选择动作；

S4、执行动作，更新Q值；

S5、重复执行第三步、第四步，直到达到一定步数或一定收敛条件为止；

S6、每一步选择Q值最大的动作，得出最优路径；

S7、把最优路径发送给移动机器人的控制器，控制移动机器人按照最优路径行走；

步骤S1具体过程如下：对移动机器人获得的环境图像进行分割处理，将图像分割成20×20的栅格，采用栅格法建立环境模型，如果在格栅中发现障碍物，则定义该栅格为障碍物位置，机器人不能经过；如果格栅中发现目标点，则定义该格栅为目标位置，为移动机器人最终要到达的位置；其他的栅格定义为无障碍物的栅格，机器人可以经过，根据公式（1）计算每个格栅的引力值；

其中，ζ是大于0的尺度因子，用来调节引力大小；|d|为当前位置与目标点所在位置的距离；η为正常数，防止目标点处引力值出现无穷大；

步骤S2中，所述参数包括：学习率ɑ∈（0，1），折扣因子γ∈（0，1），最大迭代次数，奖励函数r，贪婪因子动态调整策略参数εmax，εmin，T，n；

利用公式（2）初始化Q值函数

， ， ，

其中，P（s |s，a）为从当前状态s和动作a确定的情况下转移到下一状态s的概率，V（s），为下一状态的状态值函数，V（s）=Uatt； 为当前状态s和采取动作a所获得的奖励值，中的S为状态集，Uatt为当前位置的引力值；

步骤S3中，贪婪因子调整策略如下：

其中tanh函数的具体形式如下：

e为自然对数的底，当自变量大于0时，tanh()的取值范围为（0，1）；stdn为连续n次迭代次数下的步数标准差；T为系数，与模拟退火算法中的温度值作用相反，T越大随机性越小；

εmax和εmin分别为所设置的探索率的最大值和最小值。

2.根据权利要求1所述的引入人工势场的强化学习路径规划方法，其特征在于：步骤S4中，执行第三步所选择的动作a，到达s，得到即时奖励R（s，a），利用引入人工势场的Q‑learning算法更新Q值函数，更新规则如式（5）

， ，

其中，（s，a）为当前状态‑动作对；(s ，a)为下一时刻的状态‑动作对；R（s，a）为状态s下执行动作a的即时奖励，ɑ为学习率，γ为折扣因子。

3.根据权利要求1所述的引入人工势场的强化学习路径规划方法，其特征在于：尺度因子ζ设置为0.6，常数η设置为1。

4.根据权利要求1所述的引入人工势场的强化学习路径规划方法，其特征在于：学习率ɑ=0.01，折扣因子γ=0.9，最大迭代次数设置为20000次,εmax=0.5，εmin=0.01，T=500，n=

10，奖励函数设置为：

。