1.一种基于动态变策略informed‑RRT*的无人车路径规划方法，其特征是按如下步骤进行：步骤1：

初始化无人车路径地图信息，利用地图信息膨胀技术对障碍物进行膨胀，构建地图模型；

步骤2：

采用动态步长和变策略人工势场法相结合在传统informed‑RRT*算法的基础上在栅格地图中进行采样以获取初始路径；将无人车的初始位置x1和目标点位置x2带入到公式计算引力和斥力，并结合得到无人车当前位置的合力及方向；

步骤3：

采用变策略人工势场法，当无人车距离目标点较远时，由于引力会过大而斥力相对较小，无人车容易碰到障碍物，针对该问题提出通过修正优化引力函数来解决，避免距离过大导致引力过大：式中：ε为引力尺度因子，x1为无人车的初始位置，x2为目标点位置，x3为障碍物位置，ρ(x1,x2)为一个矢量，表示无人车的初始位置x1与目标点位置x2的欧几里得距离，矢量方向是从无人车的初始位置指向目标点位置，Uatt1为无人车距离目标点较远时的优化引力函数，在基础引力函数基础上增加限定范围，给定一个阈值d限定无人车与障碍物的距离，对应负梯度也就是引力Fatt1相应的变为：当无人车附近有障碍物时，斥力将非常大而引力较小，无人车很难到达目标点，针对该问题引入一种新的斥力函数：式中：η是斥力尺度因子，ρ(x1,x3)为一个矢量，表示无人车的初始位置x1与障碍点位置x3的欧几里得距离，矢量方向是从无人车的初始位置指向障碍点位置，ρ0表示障碍物斥力影响的半径，在原有的斥力场基础上，加入无人车与障碍物距离的影响，当无人车靠近障碍物时，虽然斥力在不断增大，但同时距离在不断减小，所以可以起到对斥力场的拖拽作用，相应斥力变成：式中：

采用动态步长策略，步长在一定程度上决定了算法的探索效率，在障碍物数量少时，过短的步长会增加不必要的搜索，在障碍物数量多时，过长的步长会导致搜索效率降低，针对这一问题提出了动态步长策略，以无人车附近障碍物的数量来确定步长λ，设立初始步长λ0，障碍物参数l和阈值r，当障碍物参数l小于等于阈值r时，动态步长λ等于两倍λ0，当障碍物参数l大于阈值r时，动态步长λ等于λ0；

根据动态变策略informed‑RRT*算法得出新节点xnew的位置为：式中：λ为向路径随机节点方位生长的动态步长，k为人工势场法斥力与引力共同作用产生的合力的尺度因子，xnear为RRT随机扩展树每次扩展时在节点与最近的节点，xrand为每次拓展随机树时在自由区域随机选取的节点，xgoal为随机拓展树目标节点，xnew为每次拓展实际新增加的拓展节点，||xrand‑xnear||代表欧拉范数定义的xrand与xnear之间的距离||xgoal‑xnear||代表欧拉范数定义的xgoal与xnear之间的距离；

步骤4：

对于经过基于动态变策略informed‑RRT*剪枝后形成的有效节点集xnods，在有效节点集xnods中根据各个节点间的关系，逆行连接有效节点集xnods中的各个节点，输出初始路径；

步骤5：

随着传统informed‑RRT*搜索树的不断剪枝，椭圆采样范围也在不断地缩小，采样时间也随之减少，由此，大幅度节省传统informed‑RRT*的计算时间；

步骤6：

判断迭代是否结束，若没有则返回步骤5，迭代结束得到渐进最优路线；

步骤7；

对步骤6生成的路径点进行6次B样条曲线拟合优化路径，得到可实际应用的平滑路径，结束规划。