1.一种基于改进RRT算法的机器人路径规划方法，其特征在于：包括以下步骤：步骤一、获取机器人周围的环境信息并构建坐标系；环境信息包括初始点Qstart、障碍物和目标点Qgoal的位置信息；将初始点Qstart作为随机树的根节点加入随机树；

步骤二、在构建的坐标系中获取采样点Qsample；采样点Qsample的方位角φ 和采样半径rlimit的表达式为：；

其中，a1为目标导向系数，a1>kmax‑kmin；θinitial为初始点Qstart和目标点Qgoal的连线与x轴形成的夹角；k为期望是零的随机数，k∈[kmin，kmax]；kmin和kmax分别为预设的随机数k的最小值和最大值；a2为弧度全局系数；a3为扩展系数；rmax为最大采样半径；a4为步长全局系数；

rnew为上一个新增节点 与初始点Qstart的欧氏距离；a5为与采样碰撞系数col相关的步长随机系数，a5=rand‑col；rand为预设范围的随机数；col为采样碰撞系数；Q为随机树上的节点；esp为最大生长步长，其表达式为：；

其中，s为预设的最小生长步长；xstep为步长系数；

若随机树上只有根节点，则以根节点作为上一个新增节点 ；根据采样点Qsample获取随机点Qrand；

步骤三、遍历随机树上的所有节点，计算各节点与随机点Qrand的欧氏距离，获取距离随机点Qrand最近的节点作为特征节点Qnear；根据随机点Qrand和特征节点Qnear获取新增节点Qnew；

步骤四、若新增节点Qnew与特征节点Qnear的连线碰撞障碍物，则重复步骤二和三，直至获取的新增节点Qnew与特征节点Qnear的连线没有障碍物，并将获取的新增节点Qnew加入随机树中；根据碰撞次数num更新步长系数xstep和采样碰撞系数col；

所述的步骤四中，步长系数xstep的更新方法为：在原有步长系数xstep的基础上加上微小步长Δxstep，微小步长Δxstep随碰撞次数num的增加而减小；采样碰撞系数col的更新方法为：在原有采样碰撞系数col的基础上加上微小系数Δcol，微小系数Δcol的初值为0，在连续两次碰撞后，每增加一次碰撞次数，微小系数Δcol增加固定值，直至微小系数Δcol达到预设的最大值；

步骤五、更新新增节点Qnew的父节点Qparent；

步骤六、遍历随机树上已存在节点，计算各节点与目标点Qgoal之间的欧氏距离；若存在节点与目标点Qgoal之间的欧氏距离小于最小生长步长s，则以该节点作为目标点Qgoal的父节点，并获取初始点Qstart移动至目标点Qgoal的路径，结束迭代过程；反之，则重复步骤二至五，继续对随机树进行扩展。

2.根据权利要求1所述的一种基于改进RRT算法的机器人路径规划方法，其特征在于：所述的步骤二中，若机器人能够三维空间移动，则还构建采样点Qsample的极角θ，极角θ的表达式为：；

其中，b1为目标导向系数，b1>kmax‑kmin；b2为弧度全局系数。

3.根据权利要求1所述的一种基于改进RRT算法的机器人路径规划方法，其特征在于：所述的步骤五中，在获取初始点Qstart移动至目标点Qgoal的路径后，去除路径中的冗余节点，去除冗余节点的方法如下：以目标点Qgoal作为终点，初始点Qstart作为起点，连接终点与起点；若起点与终点的连线与障碍物发生碰撞，则以起点的子节点Qchild更新起点，直至起点与终点的连线与障碍物没有发生碰撞；以更新后的起点作为终点，初始点Qstart作为起点，重复上述过程，直至终点与初始点Qstart的连线与障碍物没有发生碰撞。

4.根据权利要求3所述的一种基于改进RRT算法的机器人路径规划方法，其特征在于：所述的步骤五中，在去除冗余节点后，依次选取路径中的各节点作为移动节点Qchoose；先将移动节点Qchoose向其父节点移动，每次移动的平移向量d1为：；

直至移动节点Qchoose与其子节点的连线与障碍物碰撞或移动节点Qchoose到达其父节点后，停止向其父节点移动；再将移动节点Qchoose向其子节点移动，每次移动的平移向量d2为：；

直至移动节点Qchoose与其父节点的连线与障碍物碰撞或移动节点Qchoose到达其子节点后，停止向其子节点移动；在路径中所有节点移动后获取更新后的路径作为初始点Qstart移动至目标点Qgoal的最终路径。

5.根据权利要求1所述的一种基于改进RRT算法的机器人路径规划方法，其特征在于：所述的步骤二中，若在获取采样点过程中不存在势场Ureq，以采样点Qsample作为随机点Qrand；

反之，随机点Qrand的表达式为：

；

其中，Qreq为势场中心点；Freq为采样点Qsample受到的斥力。

6.根据权利要求5所述的一种基于改进RRT算法的机器人路径规划方法，其特征在于：所述的采样点Qsample受到的斥力Freq的表达式为：；

其中，kreq为势场增益系数；r为势场作用半径；n为调节因子系数。

7.根据权利要求5所述的一种基于改进RRT算法的机器人路径规划方法，其特征在于：所述的势场Ureq的确认方法如下：

若邻近节点集合Qneighbor[]中元素个数超过预设阈值，则以新增节点Qnew作为势场中心点Qreq，生成仅影响下一次随机点Qrand的势场Ureq，并重新赋值最大采样半径rmax和距离rnew，赋值后的最大采样半径 和距离 的表达式为：；

；

以赋值后的最大采样半径 和距离 作为下一个采样节点的最大采样半径rmax和距离rnew。

8.根据权利要求1所述的一种基于改进RRT算法的机器人路径规划方法，其特征在于：所述的步骤五中，更新新增节点Qnew的父节点Qparent的方法如下：以圆心为新增节点Qnew，半径为势场作用半径r的圆内所有节点作为邻近节点集合Qneighbor[]；获取邻近节点集合Qneighbor[]中各节点到新增节点Qnew的总代价cost：；

其中，Qneighbor为邻近节点集合Qneighbor[]中的邻近节点；costneighbor为初始点Qstart到达邻近节点Qneighbor的代价；

以邻近节点集合Qneighbor[]中各节点到新增节点Qnew的最小代价对应的节点作为最小代价节点Qmin；若最小代价节点Qmin与新增节点Qnew间无碰撞，则以最小代价节点Qmin作为新增节点Qnew父节点。

9.根据权利要求1所述的一种基于改进RRT算法的机器人路径规划方法，其特征在于：所述的步骤三中，获取新增节点Qnew的方法如下：

；

其中， 为随机点Qrand与特征节点Qnear间的欧氏距离。