1.一种越野环境下基于改进的A*算法的路径规划方法，其特征在于，包括以下步骤：A1：将智能车辆的工作空间划分成大小相同的栅格，采用数值矩阵来储存环境信息，通过建立障碍物模型 威胁模型 和道路模型 并融合得到最终的越野环境模型其中， 障碍物模型， 为威胁模型， 为道路模型；

A2：分析子节点与障碍物的位置关系，建立子节点的选择区域(i,j)；

A3：在子节点区域中引入方向变化惩罚规则并通过量化局部区域的信息建立所述越野环境 下的评估函数：f(n)＝Rt(g(n父)+η*Step)+Ro(h(n))

其中，f(n)为全局评估函数，g(n父)为节点n父节点的真实代价值，D_P为方向变化惩罚，Step为移动代价， 为在节点坐标(i,j)越野栅格地图值，h(n)为节点n的预估代价，ε为环境威胁敏感度，dnt为节点到目标点的距离，dst起始点到目标点的距离；Rt和Ro是自适应调节系数，Qo和Qt为威胁率和通过率，η为调节系数；

A4：设置防碰撞安全距离D实现路径优化，保证所述安全距离D与威胁物的距离L满足L≥D：其中，D为安全距离， 为在节点坐标(i,j)越野栅格地图值，celld为单元栅格的长度。

2.根据权利要求1所述的一种越野环境下基于改进的A*算法的路径规划方法，其特征在于：步骤A1所述的障碍物模型表示为：其中， 障碍物模型，O障碍物区域，(xij,yij)为越野栅格模型的坐标点，R和C是所设置地图大小的长和宽,Mij是地图上的每个栅格上数值；

所述威胁模型 表示为：

其中， 为威胁模型，T为威胁物，Z为威胁等级，r为威胁范围半径，R和C是所设置地图大小的长和宽,Mij是地图上的每个栅格上数值；

所述道路模型 表示为：

其中， 为道路模型，H越野道路，k为道路通行系数,R和C是所设置地图大小的长和宽，Mij是地图上的每个栅格上数值。

3.根据权利要求1所述的一种越野环境下基于改进的A*算法的路径规划方法，其特征在于：步骤A2中所述子节点的选择区域需通过以下规则进行：Relu1：若子节点4或子节点12具有威胁(在越野环境栅格地图 中值≥1)，则子节点2、子节点6、子节点4、子节点5或子节点13、子节点9、子节点14、子节点11不作为预选点。

Rule2：若子节点16或子节点8具有威胁，则子节点2、子节点13、子节点15、子节点1或子节点6、子节点9、子节点10、子节点7不作为预选点。

Rule3：均无具威胁，则不做处理。

4.根据权利要求1所述的一种越野环境下基于改进的A*算法的路径规划方法，其特征在于：步骤A3中所述越野环境 下的评估函数的设计包括以下步骤：C1：引入方向惩罚规则：计算当前节点与该其父节点的方向Direction1和当前节点到其子节点的方向Direction2，计算方向变化D_Change＝|Direction1‑Direction2|，若D_Change>4，则将方向变化惩罚D_P置为无穷大，若D_Change≤4，则选择相应的方向变化惩罚系数；

C2：通过量化局部区域信息判断是否存在障碍物，若有障碍物，则根据威胁率Qo寻找更优路径；若无障碍物，则根据通过率Qt缩小搜索范围。

C3：将得到的方向变化惩罚D_P、局部区域的威胁率Qo和通过率Qt，在越野环境 下代入评估函数计算。

5.根据权利要求1所述的一种越野环境下基于改进的A*算法的路径规划方法，其特征在于：所述步骤A4中，保证所述安全距离D与威胁物的距离L满足L≥D，具体步骤为：D1：设置S为起始点，S坐标为(xS,yS)，正向Floyd算法，从起始点S开始，按步长k取下一路径点1，计算距离L与安全距离D并判断小大，若满足L≥D则取下一路径点2，直至存在不满足L≥D的路径点n，则重新设置点n‑1为开始点，继续取点循环以上步骤直至遇到终点T循环结束；

D2：反向Floyd算法，将终点T设置为起始点，按T→S的方向遍历所述D1中的路径点直至遇见起始点S循环结束；

D3：若正向Floyd算法优化路径与反向Floyd算法优化路径存在交点，则取交点作为路径拐点；若不存在交点，则取拐点数与路径长度和小的路径。

6.根据权利要求4所述的一种越野环境下基于改进的A*算法的路径规划方法，其特征在于：步骤C2所述的威胁率Qo和通过率Qt通过以下公式计算：其中，Qo为威胁率，Qt为通过率，Lo为局部区域， 越野环境栅格地图值，δt为环境敏感度，考虑到越野智能车辆，对于草地土路能够轻松驶过，设置为0.5，可根据车辆类型工作任务灵活选取。nL,nD为越野栅格地图中一行和一列均小于δt的条数，L和D为局部区域的行和列。