本发明涉及路径规划技术领域，具体涉及一种移动机器人的路径规划方法、设备及存储介质。
背景技术：
随着机器人领域的不断发展，移动机器人已经与人类生活密切相关，在众多领域中得到广泛应用。路径规划作为移动机器人研究领域的核心问题之一，是移动机器人完成各项任务的重要基础。所谓路径规划，便是让移动机器人在规定的已知环境下找到一条从起点至终点的安全无碰撞且最优或次优的路径。根据对环境信息的掌握程度，可将路径规划划分为全局路径规划和局部路径规划两种。全局路径规划根据搜索算法分类主要可分为图搜索类算法、群体智能优化算法和随机采样类算法等。局部路径规划有人工势场法、模拟退火算法和神经网络算法等。
在1998年由lavalle等人提出一种基于随机采样的路径规划算法(rrt算法)，该算法的优势在于它能有效地将非完整约束考虑在算法内部，由此避免了复杂的运动学约束的考虑，从而将路径规划问题简单化。该算法是一种概率完备但是非最优的路径规划算法。所谓概率完备，即是指假如在规划路径的起点和终点之间确实存在着有效的路径，那么只要采样点和规划时间足够，就一定能找到有效路径；而非最优则是该算法能找到有效路径，但不保证是最优路径。rrt(经典快速探索随机树)路径规划算法具有无需对空间进行建模或预处理、搜索与避障能力强、能快速探索地图上的未知区域等优点，但同时也有搜索具有盲目性、随机性强、稳定性差等缺点。
技术实现要素：
本发明的目的在于克服上述技术不足，提供一种移动机器人路径规划方法、设备及存储介质，解决现有技术中移动机器人路径规划时搜索具有盲目性、随机性强、稳定性差的技术问题。
为达到上述技术目的，本发明采取了以下技术方案：
第一方面，本发明提供一种移动机器人的路径规划方法，包括如下步骤：
s1、获取移动机器人的起点和目标点，建立第一随机树和第二随机树，其中，所述第一随机树以所述起点为根节点，所述第二随机树以所述目标点为根节点；
s2、分别对第一随机树和第二随机树进行碰撞检测，确定离障碍物最近的第一待生长节点和第二待生长节点后，分别将第一待生长节点和第二待生长节点加入第一随机树和第二随机树；
s3、分别对所述第一随机树和第二随机树进行节点扩展随机采样，获取两颗随机树随机采样的随机概率值，根据两棵随机树的随机概率值与预设的固定概率获取两颗随机树的随机采样点；
s4、根据两棵树的随机采样点获取两棵树的新节点，对所述新节点与其对应的随机树上的最近的树节点进行碰撞检测，当没有检测到障碍物时，将所述新节点加入其对应的随机树上，当检测到障碍物时，对所述新节点的坐标位置进行改进，得到改进后的新节点后，将改进后的新节点加入其对应的随机树上；
s5、重复步骤s3至s4，直至第一随机树和第二随机树上最新的节点的距离在预设范围内时，选出两颗随机树上最新的节点连通后生成的最优路径作为所述移动机器人的规划路径。
优选的，所述的移动机器人的路径规划方法中，所述s2具体包括：
分别以所述目标点和起点作为终点，对所述第一随机树和第二随机树进行碰撞检测，当检测到障碍物时停止，并根据检测到的障碍物，确定离障碍物最近的第一待生长节点和第二待生长节点后，分别将第一待生长节点和第二待生长节点加入第一随机树和第二随机树。
优选的，所述的移动机器人的路径规划方法中，设定所述随机概率值为p，所述预设的固定概率为p0，所述步骤s3中，两颗随机树的随机采样点的获取方法具体为：
当p0<p<1时，随机生成所述随机采样点，以引导随机树生长；
当0<p≤p0时，根据第一随机树上最后一个生长节点以及第二随机树上最后一个生长节点之间的欧式距离、起点和终点之间的欧式距离计算出概率比例系数pvar后，根据概率比例系数pvar、随机概率值p以及预设的固定概率p0获取所述随机采样点。
优选的，所述的移动机器人的路径规划方法中，所述概率比例系数的计算方法为：
其中，pvar为概率比例系数，xt1end和xt2end分别为第一随机树和第二随机树的最后一个生长节点，xstart和xgoal分别为起点和目标点。
优选的，所述的移动机器人的路径规划方法中，所述根据概率比例系数pvar、随机概率值p以及预设的固定概率p0获取所述随机采样点具体包括：
当p0pvar<p<p0时，将另一随机树作为所述随机采样点，其中，当第一随机树进行随机采样时，另一随机树为第二随机树，当第二随机树进行随机采样时，另一随机树为第一随机树；
当0<p≤p0pvar时，将各个随机树的终点作为随机采样点，其中，所述第一随机树的终点为目标点，所述第二随机树的终点为起点。
优选的，所述的移动机器人的路径规划方法中，所述s4中，所述对所述新节点的坐标位置进行改进具体包括：
获取距离障碍物最近的树节点，计算终点对所述距离障碍物最近的树节点施加的引力，其中，当所述新节点为第一随机树上的节点时，所述终点为目标点，当所述新节点为第二随机树上的节点时，所述终点为起点；
获取距离所述距离障碍物最近的树节点最近的障碍点的坐标，计算距离所述距离障碍物最近的树节点最近的障碍点对所述距离障碍物最近的树节点施加的斥力；
基于距离所述距离障碍物最近的树节点最近的障碍点的坐标、引力和斥力，计算出改进后的新节点的坐标。
优选的，所述的移动机器人的路径规划方法中，所述引力的计算方法为：
其中，fatt表示引力，p表示随机树单次生长的基础步长，xfinish表示终点的坐标，xclosest表示距离障碍物最近的树节点的坐标；
所述斥力的计算方法为：
其中，frep表示斥力，p表示随机树单次生长的基础步长，xclosest表示距离障碍物最近的树节点的坐标，xobstacle表示距离所述距离障碍物最近的树节点最近的障碍点的坐标。
优选的，所述的移动机器人的路径规划方法中，所述改进后的新节点的坐标的计算方法为：
xnew＝xclosest fatt frep，
其中，xnew表示改进后的新节点的坐标，xclosest表示距离障碍物最近的树节点的坐标，fatt表示引力，frep表示斥力。
第二方面，本发明还提供一种移动机器人的路径规划设备，包括：处理器和存储器；
所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述处理器执行所述计算机可读程序时实现如上所述的移动机器人的路径规划方法中的步骤。
第三方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上所述的移动机器人的路径规划方法中的步骤。
与现有技术相比，本发明提供的移动机器人的路径规划方法、设备及存储介质，针对rrt算法中路径生长无目的性、收敛速度慢等缺陷，在路径规划前期加入生长预处理算法，降低了不必要的路径生长计算量，提高了路径规划效率；对两棵生长树的生长方向进行自适应调整，在路径生长的不同时期以不同概率选择不同目标点作为生长方向，加快了路径收敛速度；而且改进生长树在触碰障碍物后的生长方式，提高生长效率，避免再次无效生长，尤其在窄通道环境中生长效率显著提升。随机性较小，收敛速度较快，所需路径节点较少、避障能力较强。
附图说明
图1是本发明提供的移动机器人的路径规划方法的一较佳实施例的流程图；
图2是本发明提供的移动机器人的路径规划方法中，随机树的生长预处理的示意图；
图3是本发明提供的移动机器人的路径规划方法中，改进的新节点生长的示意图；
图4a是一般复杂环境下，采用传统rrt算法进行路径规划的一较佳实施例的模拟仿真图；
图4b是一般复杂环境下，采用人工势场法进行路径规划的一较佳实施例的模拟仿真图；
图4c是一般复杂环境下，采用双向目标偏向性rrt算法进行路径规划的一较佳实施例的模拟仿真图；
图4d是一般复杂环境下，采用本发明路径规划方法进行路径规划的一较佳实施例的模拟仿真图；
图5a是窄通道陷阱环境下，采用传统rrt算法进行路径规划的一较佳实施例的模拟仿真图；
图5b是窄通道陷阱环境下，采用人工势场法进行路径规划的一较佳实施例的模拟仿真图；
图5c是窄通道陷阱环境下，采用双向目标偏向性rrt算法进行路径规划的一较佳实施例的模拟仿真图；
图5d是窄通道陷阱环境下，采用本发明路径规划方法进行路径规划的一较佳实施例的模拟仿真图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参阅图1，本发明实施例提供的移动机器人的路径规划方法，包括如下步骤：
s1、获取移动机器人的起点和目标点，建立第一随机树和第二随机树，其中，所述第一随机树以所述起点为根节点，所述第二随机树以所述目标点为根节点。
具体来说，常规的rrt算法是一种增量式采样的搜索算法，其主要思想是以路径起点为树的根节点，通过在空间中随机采样来设置新节点，不断扩展随机树，直至随机树扩展至目标点的步长检测范围之内，便生成了一条可行路径。算法的主要步骤如下：
(1)在已知地图中设置起点为随机树的根节点xstart；
(2)生成一个随机采样点xrand，遍历随机树所有节点并找出距离xrand最近的节点xclosest。
(3)判断xrand是否处于节点xclosest的步长限制范围之内，否则计算两者中间点xnew替换xrand。
(4)对xnew和xclosest进行碰撞检测，即判断两者之间是否存在障碍物。
(5)若满足以上条件，将xnew加入随机树中，并将xclosest设置为xnew的父节点。
(6)判断xnew是否处于终点的步长限制范围之内，并对两者进行碰撞检测。
(7)若满足以上条件，则将xnew设置为终点的父节点，并将终点加入随机树中，并从终点反向搜索父节点，规划出一条从起点至终点的可行路径。否则重复步骤(2)～(6)，直至满足条件为止。
常规的rrt算法只有一颗随机树，因此，运行效率较低，故本申请在常规的rrt算法的基础上再加入一棵随机探索树，两棵生长树各自从起点和终点向外探索拓展，直到两棵树相遇时算法收敛，进而提高rrt算法的运行效率。
s2、分别对第一随机树和第二随机树进行碰撞检测，确定离障碍物最近的第一待生长节点和第二待生长节点后，分别将第一待生长节点和第二待生长节点加入第一随机树和第二随机树。
具体来说，所述步骤s2具体包括：
分别以所述目标点和起点作为终点，对所述第一随机树和第二随机树进行碰撞检测，当检测到障碍物时停止，并根据检测到的障碍物，确定离障碍物最近的第一待生长节点和第二待生长节点后，分别将第一待生长节点和第二待生长节点加入第一随机树和第二随机树。
请参阅图2，由于rrt算法的随机性较强，在路径生长过程中会在非障碍区域生成很多冗余路径，造成一些不必要的搜索和计算使得收敛速度变慢。因此，本发明实施例在随机探索树的路径生长前期对其做一次预处理。首先将两棵随机树的根节点分别以各自终点为目标，分别进行一次碰撞检测，检测到障碍物时停止；然后分别计算出一个距离障碍物合适距离的待生长节点，避免待生长节点离障碍物过近而导致下一次生长时与障碍物发生碰撞；最后分别连接两个根节点和各自的待生长节点，初步得到两棵生长树。在特殊情况下，若连接起点和终点的直线方向无障碍物，则可直接得到最终路径。
由此，可以在一定程度上减少随机采样点的采样点数量，以加快路径收敛速度，使随机生长素一次性快速通过路径生长前期的非障碍区域，减少不必要的生长和计算。
s3、分别对所述第一随机树和第二随机树进行节点扩展随机采样，获取两颗随机树随机采样的随机概率值，根据两棵随机树的随机概率值与预设的固定概率获取两颗随机树的随机采样点。
具体来说，所述步骤s3中，两颗随机树的随机采样点的获取方法具体为：
设定所述随机概率值为p，所述预设的固定概率为p0，所述步骤s3中，两颗随机树的随机采样点的获取方法具体为：
当p0<p<1时，随机生成所述随机采样点xrand，以引导随机树生长；
当0<p≤p0时，根据第一随机树上最后一个生长节点以及第二随机树上最后一个生长节点之间的欧式距离、起点和终点之间的欧式距离计算出概率比例系数pvar后，根据概率比例系数pvar、随机概率值p以及预设的固定概率p0获取所述随机采样点。
其中，所述概率比例系数pvar的计算方法为：
其中，pvar为概率比例系数，xt1end和xt2end分别为第一随机树和第二随机树的最后一个生长节点，xstart和xgoal分别为起点和目标点。
进一步的，所述根据概率比例系数pvar、随机概率值p以及预设的固定概率p0获取所述随机采样点具体包括：
当p0pvar<p<p0时，将另一随机树作为所述随机采样点，其中，当第一随机树进行随机采样时，另一随机树为第二随机树，当第二随机树进行随机采样时，另一随机树为第一随机树；
当0<p≤p0pvar时，将各个随机树的终点作为随机采样点，其中，所述第一随机树的终点为目标点，所述第二随机树的终点为起点。
具体的，在goal-biasing(目标偏向)rrt算法中，每次随机采样时以一定概率选取目标终点作为采样点，引导生长树向终点生长，在一定程度上解决了rrt算法随机性强的问题。但goal-biasingrrt算法每次选择目标点的概率以及目标点的坐标位置是固定不变的，当两棵生长树快要相遇时，若仍以各自终点作为随机采样点可能会影响到最终收敛速度。
因此，本发明采用了双向自适应goal-biasing算法，首先设定一个固定概率p0，随机采样点的每次采样概率为0～1之间的随机值p；当p0<p<1时，在地图中随机生成采样点xrand引导随机树生长；当0<p≤p0时，计算第一随机树的最后一个生长节点和第二随机树的最后一个生长节点之间的欧式距离，用该数值除以起点与目标点之间的欧式距离的值，得到一个随着两棵生长树的生长而不断变化的值pvar。一般情况下pvar是一个大于0且小于1的值，若出现大于1的特殊情况，可将其转换为1/pvar或不做处理。当p0pvar<p<p0时，选择生长树的最后一个生长节点引导另一棵生长树向其生长；当0<p<p0pvar时，选择该生长树的目标终点xstart或xgoal作为采样点引导其生长。
在路径规划前期，两棵随机树相距较远，目标偏向概率会更多地选择目标终点引导随机树向其生长；随着随机树的不断生长相互靠近，目标偏向概率逐渐更多地选择另一随机树的最后一个生长节点引导向其生长，因此可以加快两棵随机树的最终收敛速度。
s4、根据两棵树的随机采样点获取两棵树的新节点，对所述新节点与其对应的随机树上的最近的树节点进行碰撞检测，当没有检测到障碍物时，将所述新节点加入其对应的随机树上，当检测到障碍物时，对所述新节点的坐标位置进行改进，得到改进后的新节点后，将改进后的新节点加入其对应的随机树上。
具体来说，在随机采样点引导生长树向外扩展的过程中，生成的待生长节点有可能会落到障碍物区域，对于rrt算法而言，其思想是将该节点剔除，然后重新随机采样。但重新随机采样后新生成的待生长节点依然有可能落在障碍物中或无法远离障碍物向目标点靠近，消耗大量时间和计算量。
因此，本发明引力与斥力思想融入进rrt算法中，首先通过随机采样点xrand计算得到待生长节点xnew，然后对待生长节点xnew与生长树上的最近树节点xclosest进行碰撞检测，若检测到障碍物，则使用引力和斥力引导生长树的路径生长。
具体的，所述s4中，所述对所述新节点的坐标位置进行改进具体包括：
获取距离障碍物最近的树节点，计算终点对所述距离障碍物最近的树节点施加的引力，其中，当所述新节点为第一随机树上的节点时，所述终点为目标点，当所述新节点为第二随机树上的节点时，所述终点为起点；
获取距离所述距离障碍物最近的树节点最近的障碍点的坐标，计算距离所述距离障碍物最近的树节点最近的障碍点对所述距离障碍物最近的树节点施加的斥力；
基于距离所述距离障碍物最近的树节点最近的障碍点的坐标、引力和斥力，计算出改进后的新节点的坐标。
进一步的，所述引力的计算方法为：
其中，fatt表示引力，p表示随机树单次生长的基础步长，xfinish表示终点的坐标，xclosest表示距离障碍物最近的树节点的坐标；
所述斥力的计算方法为：
其中，frep表示斥力，p表示随机树单次生长的基础步长，xclosest表示距离障碍物最近的树节点的坐标，xobstacle表示距离所述距离障碍物最近的树节点最近的障碍点的坐标。
进一步的，所述改进后的新节点的坐标的计算方法为：
xnew＝xclosest fatt frep，
其中，xnew表示改进后的新节点的坐标，xclosest表示距离障碍物最近的树节点的坐标，fatt表示引力，frep表示斥力。
具体来说，请参阅图3，由目标终点对最近树节点xclosest施加引力作用，计算距离xclosest最近的障碍点坐标xobstacle，由最近障碍点对树节点xclosest施加斥力作用，树节点xclosest在引力与斥力的合力作用下绕过障碍物向目标终点生长。
当使用随机采样方式生成的新节点未通过碰撞检测时，使用引力和斥力的思想改进新节点的生成方式，可以使生长树沿障碍物边缘平滑的向目标点生长，尤其在通过狭窄通道时，能有效避免下一次生长的新节点再次落在障碍物中，大大提高了两颗生长树的收敛速度。
s5、重复步骤s3至s4，直至第一随机树和第二随机树上最新的节点的距离在预设范围内时，选出两颗随机树上最新的节点连通后生成的最优路径作为所述移动机器人的规划路径。
具体来说，在获取了新节点后，重复步骤s3至s4，依次获取新节点，最后第一随机树和第二随机树上最新的节点的距离在预设范围内时，表示路径搜索完毕，此时，选出两颗随机树上最新的节点连通后生成的最优路径作为所述移动机器人的规划路径。
为验证本发明改进算法的有效性，将本发明改进算法，分别在一般复杂环境、窄通道陷阱环境两种地图环境下与人工势场法、rrt算法、双向目标偏向性rrt算法三种算法进行对比分析。仿真实验在windows10环境下使用编译工具matlabr2020a实现，运行于笔记本电脑上，处理器为amd(ryzen7)2.90ghz，内存为16g。设置地图环境大小为500×500，起点坐标为(10,490)，终点坐标为(490,10)，基础步长p＝10，每种算法实验次数为20次，假设移动机器人为理想圆点状，在一般复杂环境地图上的仿真图如图4a至图4d所示，其仿真结果如下表所示：
由上可知，在一般复杂环境中，rrt算法因其随机性较强、搜索无目的性，在地图中生成大量随机树节点，耗费大量计算时间，且最终路径较为曲折；人工势场法生成的路径较为平滑，但其极易陷入局部最优且很难跳出；双向目标偏向性rrt算法因其双向生长的特性和以一定概率朝向目标点生长，一定程度上降低了随机树节点数量和计算时间，但其生长的方向性仍不稳定，且避障效果不明显。本文改进算法在各项指标上均优于以上三种算法，相比于双向目标偏向性rrt算法，平均迭代次数降低60.2％，平均路径点数量降低47.2％，平均路径长度降低9.8％，平均规划时间降低62％。
在窄通道陷阱环境地图中的仿真结果如图5a至图5d和下表所示。
分析图5a至图5d和表2，在窄通道陷阱环境地图中，人工势场法规划的路径陷入局部最优而无法到达终点；由于穿过障碍物的通道较窄且存在陷阱环境，双向目标偏向性rrt算法和经典rrt算法都需要耗费大量采样点和计算时间来穿过障碍物，导致双向目标偏向性rrt算法相比于经典rrt算法只在迭代次数和规划时间上占有较大优势，而在路径点数量和路径长度上优化不明显；本文改进算法在该环境地图中通过生长预处理步骤，有效降低了路径生长前期的节点数，在窄通道环境中使用人工势场法思想引导未通过碰撞检测的节点进行生长，生长优势明显，大大提高了路径生长效率；使用自适应目标偏向性算法，克服了人工势场法无法通过陷阱区域的缺陷，加快了两棵生长树的相遇。相比于双向目标偏向性rrt算法，本文改进算法的平均迭代次数降低了94.7％，平均路径点数量降低了67.5％，平均路径长度降低了13.4％，平均规划时间降低了97.3％。
基于上述移动机器人的路径规划方法，本发明还相应的提供一种移动机器人的路径规划设备，包括：处理器和存储器；
所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述处理器执行所述计算机可读程序时实现如上述各实施例所述的移动机器人的路径规划方法中的步骤。
由于上文已对移动机器人的路径规划方法进行详细描述，在此不再赘述。
基于上述移动机器人的路径规划方法，本发明还相应的提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上述各实施例所述的移动机器人的路径规划方法中的步骤。
由于上文已对移动机器人的路径规划方法进行详细描述，在此不再赘述。
综上所述，本发明提供的移动机器人的路径规划方法、设备及存储介质，针对rrt算法中路径生长无目的性、收敛速度慢等缺陷，在路径规划前期加入生长预处理算法，降低了不必要的路径生长计算量，提高了路径规划效率；对两棵生长树的生长方向进行自适应调整，在路径生长的不同时期以不同概率选择不同目标点作为生长方向，加快了路径收敛速度；借用人工势场法的思想改进生长树在触碰障碍物后的生长方式，提高生长效率，避免再次无效生长，尤其在窄通道环境中生长效率显著提升。随机性较小，收敛速度较快，所需路径节点较少、避障能力较强。
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。
1.一种移动机器人的路径规划方法，其特征在于，包括如下步骤：
s1、获取移动机器人的起点和目标点，建立第一随机树和第二随机树，其中，所述第一随机树以所述起点为根节点，所述第二随机树以所述目标点为根节点；
s2、分别对第一随机树和第二随机树进行碰撞检测，确定离障碍物最近的第一待生长节点和第二待生长节点后，分别将第一待生长节点和第二待生长节点加入第一随机树和第二随机树；
s3、分别对所述第一随机树和第二随机树进行节点扩展随机采样，获取两颗随机树随机采样的随机概率值，根据两棵随机树的随机概率值与预设的固定概率获取两颗随机树的随机采样点；
s4、根据两棵树的随机采样点获取两棵树的新节点，对所述新节点与其对应的随机树上的最近的树节点进行碰撞检测，当没有检测到障碍物时，将所述新节点加入其对应的随机树上，当检测到障碍物时，对所述新节点的坐标位置进行改进，得到改进后的新节点后，将改进后的新节点加入其对应的随机树上；
s5、重复步骤s3至s4，直至第一随机树和第二随机树上最新的节点的距离在预设范围内时，选出两颗随机树上最新的节点连通后生成的最优路径作为所述移动机器人的规划路径。
2.根据权利要求1所述的移动机器人的路径规划方法，其特征在于，所述s2具体包括：
分别以所述目标点和起点作为终点，对所述第一随机树和第二随机树进行碰撞检测，当检测到障碍物时停止，并根据检测到的障碍物，确定离障碍物最近的第一待生长节点和第二待生长节点后，分别将第一待生长节点和第二待生长节点加入第一随机树和第二随机树。
3.根据权利要求1所述的移动机器人的路径规划方法，其特征在于，设定所述随机概率值为p，所述预设的固定概率为p0，所述步骤s3中，两颗随机树的随机采样点的获取方法具体为：
当p0<p<1时，随机生成所述随机采样点，以引导随机树生长；
当0<p≤p0时，根据第一随机树上最后一个生长节点以及第二随机树上最后一个生长节点之间的欧式距离、起点和终点之间的欧式距离计算出概率比例系数pvar后，根据概率比例系数pvar、随机概率值p以及预设的固定概率p0获取所述随机采样点。
4.根据权利要求3所述的移动机器人的路径规划方法，其特征在于，所述概率比例系数的计算方法为：
其中，pvar为概率比例系数，xt1end和xt2end分别为第一随机树和第二随机树的最后一个生长节点，xstart和xgoal分别为起点和目标点。
5.根据权利要求4所述的移动机器人的路径规划方法，其特征在于，所述根据概率比例系数pvar、随机概率值p以及预设的固定概率p0获取所述随机采样点具体包括：
当p0pvar<p<p0时，将另一随机树作为所述随机采样点，其中，当第一随机树进行随机采样时，另一随机树为第二随机树，当第二随机树进行随机采样时，另一随机树为第一随机树；
当0<p≤p0pvar时，将各个随机树的终点作为随机采样点，其中，所述第一随机树的终点为目标点，所述第二随机树的终点为起点。
6.根据权利要求1所述的移动机器人的路径规划方法，其特征在于，所述s4中，所述对所述新节点的坐标位置进行改进具体包括：
获取距离障碍物最近的树节点，计算终点对所述距离障碍物最近的树节点施加的引力，其中，当所述新节点为第一随机树上的节点时，所述终点为目标点，当所述新节点为第二随机树上的节点时，所述终点为起点；
获取距离所述距离障碍物最近的树节点最近的障碍点的坐标，计算距离所述距离障碍物最近的树节点最近的障碍点对所述距离障碍物最近的树节点施加的斥力；
基于距离所述距离障碍物最近的树节点最近的障碍点的坐标、引力和斥力，计算出改进后的新节点的坐标。
7.根据权利要求6所述的移动机器人的路径规划方法，其特征在于，所述引力的计算方法为：
其中，fatt表示引力，p表示随机树单次生长的基础步长，xfinish表示终点的坐标，xclosest表示距离障碍物最近的树节点的坐标；
所述斥力的计算方法为：
其中，frep表示斥力，p表示随机树单次生长的基础步长，xclosest表示距离障碍物最近的树节点的坐标，xobstacle表示距离所述距离障碍物最近的树节点最近的障碍点的坐标。
8.根据权利要求7所述的移动机器人的路径规划方法，其特征在于，所述改进后的新节点的坐标的计算方法为：
xnew＝xclosest fatt frep，
其中，xnew表示改进后的新节点的坐标，xclosest表示距离障碍物最近的树节点的坐标，fatt表示引力，frep表示斥力。
9.一种移动机器人的路径规划设备，其特征在于，包括：处理器和存储器；
所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述处理器执行所述计算机可读程序时实现如权利要求1-8任意一项所述的移动机器人的路径规划方法中的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-8任意一项所述的移动机器人的路径规划方法中的步骤。
技术总结