1.一种基于JPS引导HybridA*的移动机器人路径规划方法，其特征在于，包括如下步骤：

步骤1：全局地图初始化；其方法为：进行环境建模并建立二维坐标系，对环境中的所有障碍物进行离散化并用均匀分布的点集合来表示，设障碍物数量为k，组成障碍物集合为{OBSi}，即步骤2：参数初始化；其方法为：在地图中设置初始位姿Start(xinit,yinit,θinit)，终点位姿Goal(xend,yend,θend)，构建节点采样函数Expansion_pattern、待探索列表Openlist、已探索列表Closedlist，以及移动机器人运动学模型；其中，(x*,y*)为移动机器人运动学模型的质心在*条件下绝对坐标系下的坐标，θ*表示在*条件下移动机器人航向角；

步骤3：从待探索列表Openlist中选择代价值最小的节点作为当前节点，通过前向模拟寻找下一个扩展结点，判断扩展节点与终点的距离是否小于阈值，若是，则继续步骤6，否则继续步骤4；

步骤4：计算起始点到扩展结点的代价值gextend以及扩展结点位姿到终点位姿并同时考虑移动机器人运动学约束及避障条件的启发值hextend，并计算扩展节点的总代价值fextend；

步骤5：将扩展结点与其总代价值fextend放入待探索列表Openlist中，返回步骤3继续；

步骤6：使用Reeds‑Sheep曲线将扩展结点与终点连接，同时判断曲线上是否有障碍物，若是，则返回步骤3继续；否则，返回路径点集合；

步骤7：对路径点集合进行重采样，输出优化路径。

2.根据权利要求1所述的基于JPS引导HybridA*的移动机器人路径规划方法，其特征在于：所述步骤2中，构建节点采样函数Expansion_pattern的具体过程为：算法先在φ∈{‑φmax,0,φmax}，v∈{‑vmax,vmax}的范围内进行均匀采样获得采样值，然后在单位时间内按照采样值[v,φ]前向模拟移动机器人前进过程来判断该采样值是否符合碰撞条件；其中，v为前行速度，φ为移动机器人前轮偏转角，φmax为移动机器人前轮的最大偏转角，vmax为最大前行速度。

3.根据权利要求1或2所述的基于JPS引导HybridA*的移动机器人路径规划方法，其特征在于：所述步骤3中，前向模拟寻找扩展结点的具体过程为：

通过前向模拟计算公式扩展当前节点，并用Reeds‑Sheep曲线将节点相连；当前节点位姿为Ncurrent(xcurrent,ycurrent,θcurrent)，扩展节点位姿为Nexpend(xexpend,yexpend,θexpend)，前向模拟计算公式如下所示：xexpend＝xcurrent+cosθcurrentvdtyexpend＝ycurrent+cosθcurrentvdt式中，Lw为移动机器人运动学模型前后轴的距离；N为常数。

4.根据权利要求1所述的基于JPS引导HybridA*的移动机器人路径规划方法，其特征在于：所述步骤4中，计算扩展结点的总代价值fextend的具体过程为：fextend＝gextend+hextend

其中：

gextend＝gcurrent+Csimu+pbias+pv_change+pv_reverse+pphy_change式中，gcurrent为起始点扩展到当前节点的代价值，Csimu为每次扩展子节点时叠加的前向模拟代价值，pbias为扩展结点偏离引导路径的惩罚，pv_change为移动机器人前行速度v改变时引入的惩罚，pv_reverse为移动机器人前行速度v方向改变时引入的惩罚，pphy_change为改变移动机器人前轮偏转角φ时引入的惩罚；

hextend＝β*max(hnonholonomics,max(hcollision_avoidance1,hcollision_avoidance2))式中，β为启发值的权重系数，hnonholonomics为使用Reeds‑Sheep曲线在不考虑避障条件下估算从扩展结点位姿到终点位姿的启发值，hcollision_avoidance1为JPS算法在二维网格下从扩展结点到终点的启发值，hcollision_avoidance2为扩展结点到终点的曼哈顿距离。

5.根据权利要求1所述的基于JPS引导HybridA*的移动机器人路径规划方法，其特征在于：所述步骤3中前向模拟以及步骤6中判断曲线上是否有障碍物中均采用了碰撞检测方法，所述碰撞检测方法中将每个路径点作为移动机器人后轴轴心，通过计算移动机器人四个顶点坐标构建简单运动学模型来进行边界碰撞检测。