1.一种基于神经网络模型的机器人避障方法，其特征在于，包括以下步骤：

(1)机器人在运动过程中，当设置在机器人上的红外感应器感应到前方存在障碍物时，机器人停止运动，设置在机器人上的图像采集器采集前方图像，并将采集到的图像进行二值化处理，转化为二值图像；

(2)将二值图像进行傅里叶变换，得到频谱图，将频谱图上的频率信号作为外部输入信号，输入神经网络模型；

(3)所述神经网络模型包括左兴奋性神经元集群和右兴奋性神经元集群，分别对应二值图像的左、右两侧，当外部输入信号输入神经网络模型，会对相互竞争的左兴奋性神经元集群和右兴奋性神经元集群产生刺激，在模型阈值保持不变的情况下，二值图像中存在障碍物的一侧所对应的集群所产生的刺激会大于另一集群，刺激较强的集群会首先到达模型阈值，最终产生一个与障碍物所在位置相反的偏转信号，机器人根据该偏转信号向不存在障碍物的一侧偏转，从而实现避障。

2.根据权利要求1所述基于神经网络模型的机器人避障方法，其特征在于，在步骤(1)中，所述二值图像是由0和1组成的二维矩阵。

3.根据权利要求2所述基于神经网络模型的机器人避障方法，其特征在于，在步骤(2)中，所述傅里叶变换为二维傅里叶变换。

4.根据权利要求1所述基于神经网络模型的机器人避障方法，其特征在于，所述神经网模型包括4种相互联通的神经元集群：左兴奋性神经元集群EL、右兴奋性神经元集群ER、抑制性神经元集群I和无选择性神经元集群NSE，ER和EL均包含n个兴奋神经元，I包含m个抑制神经元，NSE包含l个兴奋神经元，各神经元通过突触相互联系形成神经回路，每个神经元均受到由NSE引入的呈泊松分布的背景噪声的作用，只有ER和EL中的二者之一能够在外部输入信号的作用下通过增加自身的活性到达模型阈值，并通过与I的相互作用产生脉冲，赢得竞争，而其他集群最终均被抑制。

5.根据权利要求4所述基于神经网络模型的机器人避障方法，其特征在于，神经元模型采用Integrate-and-fire模型，突触模型采用电导突触模型，则神经网络模型的表达式如下：式(1)中，Cm、V(t)、Isyn(t)、gL、VL分别为膜电容、膜电位、突触电流、膜电导、静息电位；

Isyn(t)＝Istimulus(t)+Irecurrent(t)+Inoise(t)+IEFS(t)   (2)式(2)中，Istimulus(t)为视觉刺激电流、Irecurrent(t)为电路中其他神经元电流、Inoise(t)为背景噪声电流，IEFS(t)以及为外部输入信号电流；

根据式(1)和(2)，建立外部输入信号电流IEFS(t)与膜电位V(t)的关系，在外部输入信号电流IEFS(t)作用下，ER和EL中的二者之一的膜电位到达阈值电位，赢得竞争。

6.根据权利要求5所述基于神经网络模型的机器人避障方法，其特征在于，建模三种类型的突触受体：AMPA受体、NMDA受体和GABA受体，则将式(1)所示的神经网络模型的表达式转化为下式：式(3)中，VE为常数，VI为逆转电位，[Mg2+]为细胞外镁浓度，gAMPA为介导神经元信号的AMPA受体电导，gNMDA为介导神经元信号的NMDA受体电导，gGABA为介导神经元信号的GABA受体电导，sAMPA(t)为AMPA受体的门控变量，sNMDA(t)为NMDA受体的门控变量，sGABA(t)为GABA受体的门控变量，sAMPA(t)、sGABA(t)和sNMDA(t)关于时间t的求导如下：上式中，τAMPA、τNMDA、τGABA为常数，分别表示AMPA受体、NMDA受体和GABA受体的衰减常数，α为常数，δ(t-tk)为狄拉克函数，tk为突触前脉冲的时间，上标k表示第k个时刻。