1.一种智能车辆路径规划方法，其特征在于包括如下步骤：S1、实时获取自动驾驶车辆GPS信息，结合车辆动力学模型和控制约束条件，生成规划范围的纵向和横向边界；

S2、获得车辆的最大作用距离dmax，在规划范围内按照不大于2dmax的采样间隔进行目标状态位置采样；

S3、在道路横向纵向分别进行m和n次采样，定义行车风险矩阵为m×n的矩阵DF，其第i行第j列的元素DFij为自车以当前状态在对应采样点处按水平视角和俯视视角混合标定的行车风险值；

S4、给定p×q的卷积核KN对DF进行卷积运算，结果CR为(m‑p+1)×(n‑q+1)的矩阵；

S5、选择CR中最小值的对应区域进行路径规划，若该区域包含可行路径，则停止遍历，该区域内最小化损失函数的路径即为本次规划的最优路径；反之取次小值的对应区域进行路径规划，直至求解出本次规划的最优路径。

2.根据权利要求1所述的智能车辆路径规划方法，其特征是：在步骤S1中，实时获取GPS信息、道路环境信息、环境感知信息和道路参与者的实时信息，包括道路边界及车道线坐标、道路限速、其他车辆的几何参数、速度及位置坐标。

3.根据权利要求1所述的智能车辆路径规划方法，其特征是：步骤S3中

S31，令

OF＝f(s,obsc)，              (1)其中s为自动驾驶车辆的当前状态，obsc为道路中其他车辆的状态，f为路径规划算法使用的场理论模型，OF为得出的自动驾驶车辆在s状态下的俯视行车风险。按照采样频率可得到m×n的俯视风险矩阵OM，其第i行第j列的元素OMij为通过式(1)计算得到的各目标状态的俯视行车风险；

S32、令fmax为所使用场理论f能产生的最大风险值，以水平视角从车辆当前所处位置对OM中各元素所对应的道路位置进行观察，若视线被障碍车辆遮挡，则该位置的风险值修改为fmax，反之不做改动，这样将OM进行水平视角的风险调整，获得的结果为行车风险矩阵DF。

4.根据权利要求1所述的智能车辆路径规划方法，其特征是：在步骤S2中，给定状态网格的轨迹预测时间为t秒，车辆最大制动减速度为amin，最大加速度为amax，当前速度为v，则对目标状态进行采样时沿道路行驶方向的规划范围应在smin和smax范围内，其中

垂直于道路方向的目标状态采样直接以左侧和右侧车道中心为边界，将车辆垂直于道路方向的目标位置记为[d1,d2…dm]，沿道路方向的目标位置记为[s1,s2…sn]，目标位置点集TPG＝{(di,sj)|i＝1,2…m；j＝1,2…n}。

5.根据权利要求4所述的智能车辆路径规划方法，其特征是：S311、将两车c1、c2之间的场力表示如下：其中， 为c1的自身属性， 和 为两车速度， 为两车距离，d0为驾驶人的跟车距离，dmin和dmax为场理论的距离判定参数。式6为按照多普勒频移效应对两车距离做出的调整， 和 分别表示车辆c1纵向和横向上与车辆c2的距离，假设两车均平行于x轴方向行驶，则ky＝1，kx定义如下：其中，

和 分别为两车在x轴上的坐标和速度，vmax为风险传播速度。

S312、令 为自动驾驶车辆的当前速度， 为障碍车速度， 为障碍车与TPG中点(di,sj)的距离，计算障碍车在该点产生的行车风险OF，将所有障碍车在该点的OF相加即为该点处的行车风险，令OMij为点(di,sj)处的行车风险。

6.根据权利要求5所述的智能车辆路径规划方法，其特征是：所述步骤S5具体包括：

S51、选定CR中最小元素CRgh，该元素对应[dg,…dg+p‑1]和[sh,…sh+q‑1]组成的DF中的相应区域；

S52、对于车辆横向运动规划问题，给定初始时刻t0＝0，初始状态 和目标状态 用于描述运动的五次多项式及其导数使用矩阵方程进行表示：其中，令t＝t0可解得 令t＝t1，此时根据式(8)可以对t0至t1时刻的车辆运动状态进行求解，由于纵向的车辆位置无需加以约束，可使用四次多项式求解车辆纵向运动过程，给定车辆的初始状态目标状态 当前时刻t0＝0，矩阵方程表示如下：与五次多项式同理，令t＝t0可解得 令t＝t1，令车辆横向目标状态 因无需考虑纵向目标位置，纵向规划中车辆目标状态只由位置的一、二阶导数给定并使用四次多项式进行描述，即 将[dg,…dg+p‑1]和[sh,…sh+q‑1]逐个带入上述过程即得各个目标的状态方程；

S53、将横向纵向目标的状态方程两两组合成p×q条备选路径，检查备选路径是否超出最大曲率和最大加速度及是否存在碰撞，若无可行路径，选择CR中的次小值重新进行上述运算；

S54、使用损失函数式14对通过检查的备选路径进行寻优，选择最小化Cost的路径为本次路径规划的最优路径，式中Clon和Clat分别为横向和纵向损失函数，dcenter为目标状态下车辆所在车道的中心坐标，k为比例系数；