1.一种融合Bezier优化遗传算法的机器人路径规划方法，其特征在于：先采用传统的遗传算法产生初始路径，通过利用Bezier曲线对产生的初始路径及交叉、变异过程中产生的路径进行优化，从而消除尖峰拐点并减少冗余节点，提高路径的平滑性；再采用增加了安全距离与自适应惩罚因子的适应度函数，对遗传算法求得的路径进行动态调节，以获得高质量的规划路径。

2.根据权利要求1所述的一种融合Bezier优化遗传算法的机器人路径规划方法，其特征在于：具体包含以下步骤：步骤一、确定遗传算法的种群数量Q、初始种群数目gn、最大优化代数N、最大种群规模Qmax、交叉概率Re、变异概率Mu以及起始位置S和目标位置T；

步骤二、利用遗传算法在起始位置S和目标位置T之间生成gn条初始路径；

步骤三、采用Bezier优化算子对遗传算法产生的初始路径进行优化；

步骤四、将安全距离和自适应惩罚因子加入到适应度函数中，采用加入安全距离和自适应惩罚因子的适应度函数来计算每条路径的适应度函数值；

步骤五、执行选择、交叉、变异操作，产生新的子代路径；

步骤六、判断当前最优值是否达到最大优化代数，如满足条件则停止算法并转到步骤七，否则更新路径并转到步骤三；

步骤七、输出最优路径及对应的适应度函数值。

3.根据权利要求2所述的一种融合Bezier优化遗传算法的机器人路径规划方法，其特征在于：步骤一中，所述确定遗传算法的种群数量Q、初始种群数目gn、最大优化代数N、最大种群规模Qmax、交叉概率Re、变异概率Mu以及起始位置S和目标位置T，包含如下步骤：(1)初始化地图边界；

(2)根据地图边界确定障碍物位置。

4.根据权利要求2所述的一种融合Bezier优化遗传算法的机器人路径规划方法，其特征在于：步骤三中，所述采用Bezier优化算子对遗传算法产生的初始路径进行优化，具体包括：将Bezier曲线作为优化算子引入GA；通过将遗传算法初始化路径中的各个拐点作为控制点P0,P1,P2,…,Pm，得到包含一条存在m个控制点的Bezier曲线：其中，t是归一化时间变量，Pi＝(xi,yi)T代表第i个控制点的坐标向量，xi和yi分别对应于X和Y坐标的分量， 为Bernstein多项式，它是Bezier曲线表达式的基础函数，其展开如下：

5.根据权利要求2所述的一种融合Bezier优化遗传算法的机器人路径规划方法，其特征在于：步骤四中将安全距离和自适应惩罚因子加入到适应度函数中的过程为：通过增加安全距离和自适应惩罚因子，提出一种基于安全保障的适应度函数fitnew，其表达式如下：其中，fit1为加入Bezier曲线的优化路径长度 fit2为带有自适应惩罚因子的fitsafe；

fit2＝fitsafe

其中fitsafe为惩罚项，为与障碍物的安全距离；当路径与障碍物之间最小距离Lmin小于设定的安全距离时，进行惩罚；惩罚强度与Lmin有关；当路径与障碍物之间距离越近时，惩罚强度越高。

6.根据权利要求2所述的一种融合Bezier优化遗传算法的机器人路径规划方法，其特征在于：步骤五中所述执行选择、交叉、变异操作，产生新的子代路径，过程如下：遗传算法在路径规划过程中产生n条路径，其中路径aj的长度为Lj，适应度为f(aj)；选择算子根据个体适应度值，通过采用轮盘赌法进行选择，该路径被选择的概率为：遗传算法通过交叉操作，通过将不同路径较优部分进行交叉结合，使所获新的子代路径性能优于交叉操作前的父代路径；

变异操作是通过对路径中除起点和终点以外的任一节点进行变异操作，使该部分路径节点发生变化，避免遗传算法在寻找路径的过程中因陷入局部最优而导致过早收敛。