1.一种智能环境下机器人路径的多神经网络控制规划方法，其特征在于，包括以下步骤：步骤1：对运载机器人运载区域构建全局地图三维坐标系，获取在全局地图三维坐标系下的可行走区域坐标；

运载区域地面中心点为原点，正东方向为X轴，正北方向为Y轴，垂直地面方向为Z轴；

所述运载机器人运载区域为一个楼栋内所有的地板连通区域，所述可行走区域是指从所有的地板连通区域中删除楼栋内的障碍物所在区域；

步骤2：获取训练样本集；

在全局地图三维坐标系中，设计至少200组可行走区域中不同的点到点的最优设计全局路径，以每条最优设计全局路径作为一个训练样本；

步骤3：构建运载机器人的全局静态路径规划模型；

利用全局训练样本集中每个全局样本的起点-终点坐标和对应的最优设计全局路径分别作为输入数据和输出数据，对模糊神经网络进行训练，得到基于模糊神经网络的全局静态路径规划模型；

其中，在全局训练过程中，模糊神经网络所使用的权值、隶属函数均值以及方差采用蝙蝠算法进行寻优获得；

步骤4：将运输任务中的起点和终点坐标输入至基于模糊神经网络的全局静态路径规划模型，获得对应的运载机器人最优规划路径。

2.根据权利要求1所述的方法，其特征在于，所述基于模糊神经网络的全局静态路径规划模型中模糊神经网络所使用的权值、隶属函数均值以及方差采用蝙蝠算法进行寻优获得的过程如下：步骤2.1：以蝙蝠个体的位置作为模糊神经网络的权值、隶属函数均值以及方差，设置蝙蝠种群参数；

蝙蝠种群规模M的取值范围为[120,300]，蝙蝠个体最大脉冲频度R0，取值范围为[0.45,

0.55]，最大脉冲声音强度A0的取值范围为[0.40,0.6]，蝙蝠搜索频度增加系数的取值范围为[0.03,0.05]，声音强度衰减系的取值范围为[0.90,0.95]，适应度方差阈值的取值范围为[0.01,0.05]，搜索脉冲频率的取值范围为[0,0.15]，最大迭代次数的取值范围为[300,

1000]，最大搜索精度的取值范围为[0.001,0.01]；

步骤2.2：随机初始化蝙蝠种群中每个蝙蝠个体的位置、速度和频率；

步骤2.3：设定适应度函数，并确定初始最优蝙蝠个体位置x*和迭代次数t，t＝1；

将蝙蝠个体位置对应的权值、隶属函数均值以及方差参数代入基于模糊神经网络的全局静态路径规划模型中，并利用蝙蝠个体位置确定的基于模糊神经网络的全局静态路径规划模型输出全局训练样本集中每个全局训练样本起点和终点对应的规划路径，将所有全局训练样本的规划全局路径和最优设计全局长度作商后，再取均值，作为适应度函数F1；

其中，M为训练样本数，n为输出的全局规划路径所经历的坐标点的个数，xi,j和xi,j-1为第i个全局训练样本使用该蝙蝠确定的基于模糊神经网络的全局静态路径规划模型得到的路径中第j点和第j-1点的X轴坐标，类似的，yi,j和yi,j-1分别为第j点和第j-1点的标Y轴坐标，第j点和第j-1点为相邻两点，L为人工设置的样本对应最优设计全局路径的长度；

步骤2.4：利用设定的脉冲频率更新蝙蝠的搜索脉冲频率、位置和速度；

步骤2.5：若R1＜Ri，则更新蝙蝠当前位置，否则对蝙蝠当前位置进行扰动，扰动后位置代替蝙蝠当前位置；

其中，R1为在[0,1]上均匀分布的随机数，Ri为第i只蝙蝠的脉冲频度；

步骤2.6：若R2＜Ai且F1(xi)＜F1(x*)，则利用步骤2.5得到的扰动位置，对第i只蝙蝠的脉冲频度和脉冲声音强度进行更新，否则，不对蝙蝠进行更新；

其中，R2为在[0,1]上均匀分布的随机数，Ai为第i只蝙蝠的声音强度；

步骤2.7：根据适应度函数对新的蝙蝠群体进行评估判定，找出当前位置最佳蝙蝠个体及对应的最优位置；

步骤2.8：判断是否达到最大搜索精度或者t最大迭代次数，若达到，则输出最优蝙蝠个体位置对应的模糊神经网络的权值、隶属函数均值以及方差，若未达到，则令t＝t+1，返回步骤2.4。

3.根据权利要求1-2任一项所述的方法，其特征在于，运载机器人依据得到的最优规划路径前行，执行运输任务时，在前行过程中，利用Kinect传感器实时获取的新增障碍物所在区域的起点和终点输入局部动态避障规划模型进行避障；

利用局部避障训练样本集中每个样本的起点和终点坐标作为输入数据，对应的最优设计避障路径为输出，对多核支持向量机进行训练，得到基于多核函支持向量机的局部避障模型；

其中，在训练过程中，多核函支持向量机的惩罚系数c、核参数g和核函数权值d采用蝙蝠算法进行思维进化算法寻优确定；

所述Kinect传感器获取的新增障碍物所在区域的起点和终点是通过Kinect传感器发出测量信号与接收到的设置在天花板的定位片位置信息计算获得；

所述局部避障训练样本集是在全局地图三维坐标系中，设计至少200组可行走区域中新增障碍物所在区域中不同的点到点的最优设计避障路径构成，每条最优设计避障路径作为一个避障训练样本。

4.根据权利要求3所述的方法，其特征在于，所述基于多核函支持向量机的局部避障模型中多核支持向量机所使用的惩罚系数c、核参数g和核函数权值d采用思维进化算法进行寻优获得的过程如下：步骤4.1：以思维进化算法中的个体作为多核支持向量机的惩罚系数c、核参数g和核函数权值d，设置个体种群参数；

个体种群规模N的取值范围为[100,400]，最大迭代次数的取值范围[400,1000]；

随机初始化种群中的个体，在解空间中随机生成M个个体；

步骤4.2：设定适应度函数，并确定初始最优个体和迭代次数t，t＝1；

将个体位置对应的变量惩罚系数c、核参数g和核函数权值d代入基于多核函支持向量机的局部避障模型，并利用个体确定的基于多核函支持向量机的局部避障模型输出避障训练样本集中每个避障训练样本起点和终点对应的规划局部路径，将所有避障训练样本的规划局部路径和最优设计避障长度作商后，再取均值，作为适应度函数F2；

步骤4.3：子群体生成

选择得分最高的前M/10个个体作为优胜个体，前M/10到M/5个个体作为临时个体，以所选优胜个体和临时个体为中心，生成N个优胜子群体和U个临时子群体，每个种群数目为5；

步骤4.4：子群体趋同操作

趋同操作指各个子群体内部个体竞争选出胜者，直到不再产生新的胜者，所有子群体不再产生新的胜者，趋同操作结束；

步骤4.5：子群体异化操作

异化操作是在成熟子群体间的全局竞争行为，以不断探索新的解空间；若某一临时子群体的得分大于任一成熟优胜子群体的得分，则该优胜子群体被临时子群体替代；而若一成熟临时子群体的得分小于任意优胜子群体的得分，则临时子群体被放弃，重新进行的趋同和异化操作，最终得到全局最优个体及其得分；

步骤4.5：收敛条件为得分最高优胜子群体得分不再提高或者t达到最大迭代次数，如不满足收敛条件，则令t＝t+1，返回并重复步骤4.3和步骤4.4步骤，直到满足收敛条件，输出全局最优个体及其得分，得到多核支持向量机中最优的惩罚系数c、核参数g和核函数权值d。

5.根据权利要求4所述的方法，其特征在于，利用运载机器人自带的Kinect传感器与设置在天花板的定位片，通过Kinect传感器发出的测量信号与接收到的定位片位置信息，获取运载机器人的实时位置，将实时位置与规划路径位置之间的误差进行比较，对实时前行中的运载机器人进行坐标校准。

6.根据权利要求5所述的方法，其特征在于，当运载机器人需要从一个楼层运动至另外一个楼层时，将全局路径规划分解成在两个楼层中的局部路径规划，每个局部路径规划均采用基于模糊神经网络的全局静态路径规划模型；

第一个局部路径规划的起点为运输任务起点，终点为第一个楼层的电梯所在位置；

第二个局部路径规划的起点为第二个楼层的电梯所在位置，终点为运输任务终点；

第一个楼层的电梯和第二个楼层的电梯为同一电梯。