1.一种用于神经网络训练的多路径规划数据集生成方法，其特征在于：所述方法包括以下步骤：步骤1：利用随机矩阵生成算法生成只含有0和1的地图矩阵，地图矩阵的横向纵向的大小均设定为正整数n，地图矩阵中0生成的概率为p，0

步骤2：运用循环方法对生成的地图矩阵进行二次遍历来保证数据集的准确性；

步骤3：利用随机函数在生成的地图矩阵中设置起点和终点的位置，分别构建为与地图矩阵同样大小的起点矩阵n*n和终点矩阵n*n，将起点矩阵标记为D2、终点矩阵标记为D3；

步骤4：运用传统A*寻路算法结合起点矩阵、终点矩阵以及地图矩阵信息进行单路径生成，包括以下步骤：步骤4.1：利用A*寻路算法对地图矩阵信息、任一起点以及对应的终点信息进行分析运行生成单路径；

步骤4.2：将单路径下每个路径点的位置信息保存到数组中；

步骤4.3：返回步骤4.1选择另一组起点和终点，直到当前地图矩阵下所有的起点和终点都找到两者间对应的单路径并保存到对应的数组中；

步骤5：引入时间维度进行多路径生成，对步骤4生成的单路径的路径信息进行二次遍历来防止碰撞发生，得到最终的路径矩阵信息，从而完成多路径生成并保存为n*n，包括以下步骤：步骤5.1：引入时间维度，在匀速或变速情形下，对步骤4.3中生成的所有单路径保存的数组进行二次遍历比较；

步骤5.2：如果在同一个时刻，有两个及以上的单路径位置信息重叠则说明发生了碰撞，返回步骤3重新进行起点和终点的选择；步骤5.3：直到所有的单路径信息在指定的速度情形下没有发生在任一时刻的位置重叠，则生成与矩阵地图相同大小的矩阵，将生成的所有单路径对应的位置信息在矩阵中设置为1，其他位置设置为0，将该矩阵保存为n*n；

步骤6：针对不同起点和终点、相同终点、相同起点三种情况，在步骤3中添加相对应的约束条件并继续进行步骤4和5，得到三种情况下的多路径矩阵并保存，不同起点和终点标记为D4、相同终点标记为D5、相同起点标记为D6；

步骤7：对步骤1～6循环进行M次，并将每次运行的结果保存，最终将D1，D2，D3的矩阵进行维度整合得到三维输入M*(n*n*3)，取D4，D5，D6中的任一组二维矩阵作为输出M*(n*n*

1)，传入到神经网络中训练。

2.根据权利要求1所述的一种用于神经网络训练的多路径规划数据集生成方法，其特征在于：所述步骤1中，随机矩阵生成算法是先利用python的numpy拓展库进行全为1的矩阵生成，再利用矩阵选择，基于设置的0生成的概率p，使得一部分为1的值改为0，最后通过numpy拓展库里的shuffle函数进行矩阵随机打乱，得到初始的地图矩阵。

3.根据权利要求1所述的一种用于神经网络训练的多路径规划数据集生成方法，其特征在于：所述步骤1中，n为5的倍数，p为0.6。

4.根据权利要求1所述的一种用于神经网络训练的多路径规划数据集生成方法，其特征在于：所述步骤2中，二次遍历为，以2x2的矩阵块遍历，对满足的矩阵 及满足

的矩阵 进行矩阵元素从0到1或

从1到0的替换，其中，i和j分别指代矩阵的x轴坐标位置以及y轴坐标位置。

5.根据权利要求1所述的一种用于神经网络训练的多路径规划数据集生成方法，其特征在于：所述步骤3包括以下步骤：步骤3.1：确定起点和终点的个数，起点和终点为一组或多组；

步骤3.2：利用随机函数在生成的矩阵地图中随机生成一个或多个不同的点，设置为起点，生成与地图矩阵相同大小的一个起点矩阵，将每个起点的位置设置为1，其他位置设置为0，将该起点矩阵保存为n*n，并标记为D2；

步骤3.3：新建一个跟地图矩阵完全相同的矩阵，将所述一个或多个不同的起点在该矩阵中对应的位置值也设为1，得到矩阵N；

步骤3.4：利用随机函数在步骤3.3中生成的矩阵N中随机生成一个或多个不同的点，设置为终点，生成与地图矩阵相同大小的一个终点矩阵，将每个终点的位置设置为1，其他位置设置为0，将该终点矩阵保存为n*n，并标记为D3。

6.根据权利要求1所述的一种用于神经网络训练的多路径规划数据集生成方法，其特征在于：所述步骤6中，对于不同起点和终点、相同终点、相同起点三种情况，在步骤3中添加约束；

针对相同终点，则随机生成一个终点和多个起点；

针对相同起点，则随机生成一个起点和多个终点；

针对不同起点和终点，则保证各个点不产生重复。

7.根据权利要求1所述的一种用于神经网络训练的多路径规划数据集生成方法，其特征在于：所述步骤7中，将每次运行的结果进行保存，将D1，2，3的矩阵进行维度整合得到三维输入M*(n*n*3)，其中一维n*n*1对应D1的矩阵，二维n*n*2对应D2的矩阵，三维n*n*3对应D3的矩阵，取D4，5，6中的任意一组二维矩阵作为输出M*(n*n)传入到神经网络中训练，循环结束，得到M个(n*n*3)矩阵作为输入，M个(n*n)矩阵作为输出。