1.一种基于PSO参数整定的移动机器人平滑轨迹规划方法，其特征在于，所述方法包括以下步骤：步骤S1、获取室内场景的全局静态栅格地图，栅格地图的每个节点代表当前位置是障碍物或可通行区域，并确认起始点和目标点,建立移动机器人工作环境的二维地图模型，确定起始点、目标点和障碍物坐标；

步骤S2、在二维地图模型中，为避免路径规划中出现对角线方向上的路径与障碍物发生碰撞采用改进A*算法进行领域搜索，以提高生成路径的合理性；同时，通过引入障碍物比重信息改进代价函数，进而在保证搜索效率的前提下得到参考路径；

步骤S3、生成可行轨迹：根据上述的改进A*算法路径规划后得到的路径中的控制节点利用纯跟踪算法实现参考轨迹跟踪控制，其控制算法的参数通过PSO依据不同环境智能化调试从而对轨迹进行平滑优化处理，即生成一条适应环境下的符合机器人自身模型特点并满足曲率约束的可行轨迹；

所述步骤S2中，评价函数设计如下：

在扩展当前节点的子节点时舍弃与上一个节点生成对角线和障碍物接触的子节点，以此避免路径规划中出现对角线方向上的路径与障碍物发生碰撞从而保证机器人与障碍物节点之间的安全距离；

引入障碍物占比p(n)来影响启发函数h(n)在不同环境下的权重，假设一局部区域中障碍物的数量为b，所有栅格数量为B，设当前节点的坐标为(nx,ny)，目标点的坐标为(gx,gy)，则B由式(1)表示B＝[1+abs(nx‑gy)]×[1+abs(ny‑gy)] (1)则p(n)如式(2)表示

P(n)＝b/B (2)

初始评价函数如式(3)所示：

f(n)＝g(n)+h(n) (3)

改进后的启发式函数为：

其中n代表当前节点,f(n)表示移动机器人在当前节点的评价函数,g(n)表示移动机器人从起始点到当前点的实际代价，h(n)为启发函数；w1,w2分别表示为距离函数权重和障碍物占比权重；

所述步骤S3的过程如下：

步骤S3.1、取全段路径规划得到的全路段路径中的控制节点；

步骤S3.2、纯跟踪算法轨迹跟踪拟合，

g点为预瞄点，ld为车辆后轴中心至预瞄点的距离，即前视距离，α为车身姿态与后轴中心和预瞄点之间连线的方向之间的夹角，δf为前轮偏角，l为轴距，根据正弦定理，有下式成立：化简上式，得到：

其中路径曲率 所以上式写为：

根据轮式移动机器人的运动学模型，有

则

另外，定义横向误差为机器人当前姿态和预瞄点在横向上的误差，并考虑小角度误差：所以纯跟踪本质上是一个P控制器，且由式(10)得前视距离与轨迹跟踪效果密切相关，是纯跟踪算法的重要参数，前视距离过大会降低控制精度，但跟踪产生的轨迹会更平滑；前视距离小，追踪拟合更精确，但容易产生振荡；定义前视距离为关于速度的一次多项式，如下式所示：ld＝kvv+ld0  (11)

计算加速度：

a＝kp×(vs‑v)/dt  (12)其中设vs为目标恒定速度，v为当前跟踪速度；

步骤S3.3、基于PSO算法的纯跟踪参数整定优化，包括：根据式(11)，(12)可知需要调试的参数有：kv,kp,ld0PSO算法公式如式(13)(14)所示：vi+1＝w×vi+c1r1(Pi‑xi)+c2r2(Gi‑xi)  (13)xi+1＝xi+vi+1  (14)

其中，i为粒子序号；xi为第i个粒子位置；w为惯性权重；c1，c2均为学习因子；r1，r2是[0,

1]范围内的随机数；Pi是到i时粒子搜索到的最优位置；Gi是到i时粒子群搜索到的最优位置在笛卡尔坐标系中，参考点与真实点间在X、Y轴方向的误差：dx＝x‑xdes,dy＝y‑ydes  (15)计算横向误差：

f(k)＝dy×cosθdes‑dx×sinθdes (16)设计适应度函数如下式：

其中k表示实际跟踪的序列点，r表示该条轨迹序列点的平均曲率；

所述PSO算法流程如下：

Step1：迭代次数为n＝1,在搜索空间随机初始化粒子群，第i个粒子的位置向量为速度向量 1≤i≤m,1≤d≤D,m为粒子种群数量，D为搜索空间维数；

Step2:将每个粒子的位置向量元素依次作为参数kv,kp,ld0,然后对系统进行仿真后计算其适应度函数值Step3:用每个粒子的当前适应度值 与其本身最好适应度值Pbesti进行比较,若则 局部最优粒子Step4:用每个粒子的当前适应度值 与粒子群的全局最好适应度值Gbesti进行比较,若 则 全局最优粒子Step5:按照式子(14)和(15)更新粒子的位置 和速度Step6:迭代次数n＝n+1,返回Step2，直至达到最大迭代次数N；

按照以上算法进行迭代，求得纯跟踪控制的最优参数kv,kp,ld0。