1.一种基于遗传算法和改进人工势场法的机器人路径规划方法，其特征在于，所述机器人路径规划方法包括以下步骤：

利用人工势场法对移动机器人的工作区域进行环境建模，获得人工势场环境模型；

设置所述人工势场环境模型的合势场强度参数和遗传算法的编码参数；

根据所述合势场强度参数计算得到合势场强度，选择所述合势场强度的倒数作为遗传算法的适应度函数，并根据适应度函数计算适应度函数值；

具体包括：

根据势场函数的公式，计算得到机器人在虚拟势场中受到的引力势场强度和斥力势场强度，其中引力势场函数公式为：

其中，Uatt(X)为目标点对机器人的引力场强度，X为机器人的位置坐标，Xg为机器人的目标点位置坐标，Ka为引力势场比例系数；

对传统斥力势场函数进行改进，得到新的斥力势场函数公式为：其中，Urep(X)为障碍物对机器人的斥力场强度，d(j)表示机器人和第j个障碍物之间的距离，d0为障碍物的影响距离，X为机器人的位置坐标，Xg为机器人的目标点位置坐标，Kr为斥力势场比例系数；

根据所述斥力场强度和所述引力场强度，计算得到合势场强度为：Utotal(X)＝Urep(X)+Uatt(X)，其中，Utotal(X)为合势场强度，Urep(X)为障碍物对机器人的斥力场强度，Uatt(X)为目标点对机器人的引力场强度；

引入一个虚拟目标点来引导机器人远离局部极小区域，虚拟目标点的建立步骤包括：首先计算出机器人到各个障碍物之间的距离Li，找到距离机器人距离最短的障碍物坐标，接着连接两点得到直线L1，同时在直线L1的垂直平分线L2上取一点作为虚拟目标点，并且虚拟目标点距离L1的距离为d，d为大于0的常数，虚拟目标点的计算公式如下：式中，(x1,y1)为机器人坐标，(x0,y0)为障碍物坐标，(x,y)为虚拟目标点坐标；

在确定虚拟目标点后，为了使机器人更快离开局部极小点，选择高斯函数作为虚拟引力势场函数，具体如下：

其中，Kc、ds、σ为常数，根据高斯函数的特点，σ决定了曲线的尖锐程度，即虚拟引力势能下降的速度，ds决定了曲线的偏移量，在距离为ds的点处引力势能函数达到最大值，设局部极小点与虚拟目标点的距离为ds，则d＝ds，即取势能函数的最大值；

引入虚拟目标点后，得到新的合势场强度为：其中，Ui为新的合势场强度，Uadd(X)为虚拟势场函数，Xj表示第j个障碍物的位置坐标，为所有障碍物对机器人的斥力场，n为障碍物个数，i表示种群中第i个个体；

选择新的合势场函数的倒数作为适应度函数，即适应度函数为：fitness(i)＝1/Ui，将所述适应度函数引入遗传算法中，计算种群中个体的适应度函数值；

利用遗传算法的适应度函数值对所述遗传算法的编码参数进行寻优，获得最优参数，根据所述最优参数计算机器人的路径点，获得最优路径。

2.如权利要求1所述的基于遗传算法和改进人工势场法的机器人路径规划方法，其特征在于，所述利用人工势场法对移动机器人的工作区域进行环境建模，获得人工势场环境模型，具体包括：

设置一个起点坐标，并将机器人置于所述起点坐标位置，设置障碍物个数和障碍物位置坐标，设置目标点位置坐标；

所述障碍物对所述机器人产生斥力场，所述目标点对所述机器人产生引力场，所述斥力场和所述引力场共同构成人工势场环境模型。

3.如权利要求1所述的基于遗传算法和改进人工势场法的机器人路径规划方法，其特征在于，所述设置人工势场环境模型的合势场强度参数和遗传算法的编码参数，具体包括：所述合势场强度参数包括：引力势场比例系数Ka，斥力势场比例系数Kr，虚拟势场比例系数Kc，障碍物影响距离d0，机器人与目标点之间的评判距离ρa；

所述遗传算法的编码参数包括机器人下一步移动的方向角θ和步长L。

4.如权利要求1所述的基于遗传算法和改进人工势场法的机器人路径规划方法，其特征在于，所述利用遗传算法的适应度函数值对所述遗传算法的编码参数进行寻优，获得最优参数，根据所述最优参数计算机器人的路径点，获得最优路径，具体包括：S401、根据所述编码参数的格式和长度，随机生成一个初始种群，并设置进化计数器初始值k＝1；

S402、计算种群中每个个体的适应度函数值；

S403、根据所述适应度函数值对种群进行选择、交叉和变异，得到新一代种群；

S404、令k＝k+1；判断k是否小于最大进化代数g,若满足,则转到步骤S403继续进化，否则进入步骤S405；

S405、找出种群中的最优个体，将最优个体转换成机器人要移动的位置坐标，计算出该点和目标点的之间的距离Pg，判断Pg是否小于评判距离ρa，如果满足，路径规划完成，获得最优路径；否则转至步骤S402，继续规划下一步路径。