1.一种快速求解冗余自由度机器人逆解的方法，其特征在于，具体按照以下步骤实施：步骤1，采用D-H法建立机器人的正运动学模型；

步骤2，确定机器人各关节的角度范围；

步骤3，改进量子粒子群算法；

步骤4，建立机器人逆解评价指标；

步骤5，将所述机器人逆解评价指标作为优化目标，采用改进量子粒子群算法求解冗余自由度机器人逆解。

2.如权利要求1所述的一种快速求解冗余自由度机器人逆解的方法，其特征在于，所述步骤1具体为：机器人第i个关节变换矩阵 为：

式(1)中， 为机器人第i个关节变换矩阵，di为连杆长度，αi为连杆扭转角，ai为连杆偏移量，θi为关节角；

将机器人各关节的变换矩阵依次相乘，得到机器人的末端相对于基坐标的变换矩阵式(2)中， 为机器人的末端相对于基坐标的变换矩阵；

通过式(2)构建正运动学模型。

3.如权利要求2所述的一种快速求解冗余自由度机器人逆解的方法，其特征在于，步骤

2具体为：

根据工作空间的限制和工作任务的要求，确定机器人各关节的角度范围。

4.如权利要求3所述的一种快速求解冗余自由度机器人逆解的方法，其特征在于，步骤

3具体为：

步骤3.1，初始化量子粒子群中M个粒子的位置向量，并计算各个粒子的适应度，设置最大迭代次数为T；

步骤3.2，给粒子个体极值pbest及全局极值gbest赋初值；

步骤3.3，设定自适应收缩-扩张系数β，β＝λ1×rate+λ2×ag+λ3            (3)，式(3)中，λ1＜0，λ2＞0，λ3＝1，rate＝f(mbestt)/f(mbestt-1)，表示量子粒子群算法在运行过程中全局最优值的变化速率， 表示量子粒子群的当前聚集度，t为当前迭代次数；β是一个小于1.782的常数；

步骤3.4，根据式(4)计算量子粒子群平均最优位置：式(4)中，mbestd为量子粒子群平均最优位置，pbestid为粒子最优位置；

步骤3.5，计算粒子的当前适应度值，并与前一代的适应度值进行比较，如果当前适应度值小于前一代适应度值，则将粒子位置更新为粒子当前的位置；

步骤3.6，计算量子粒子群当前的全局最优位置，比较当前的全局最优位置与前一代全局最优位置，如果当前的全局最优位置适应度值好，则将量子粒子群的最优位置更新为当前的全局最优位置；

步骤3.7，根据式(5)计算粒子的每一维，得到一个随机点的位置；

式(5)中， pbestid为粒子最优位置，gbestd为量子粒子群的最优位置；

步骤3.8，根据式(6)得到粒子的新位置；

式(6)中，u＝rand(0,1)，xid(t+1)为粒子的新位置，gid为一个随机点的位置，mbestd为量子粒子群平均最优位置，t为当前迭代次数；

步骤3.9，若没有达到最大迭代次数T，则重复步骤3.4～3.8，否则结束。

5.如权利要求4所述的一种快速求解冗余自由度机器人逆解的方法，其特征在于，所述机器人逆解评价指标的适应度函数为：n

θ∈R|θk,min≤θk≤θk,max,k＝1,2,3...n               (8)，式(7)、(8)中，(x1,y1,z1)为机器人末端的位置，(x2,y2,z2)为机器人末端的实际位置，θk为机器人的关节角度，θk,min、θk,max分别为机器人的关节所能到达的最小、最大角度，R为任意实数。

6.如权利要求5所述的一种快速求解冗余自由度机器人逆解的方法，其特征在于，所述步骤5具体为：步骤5.1，初始化量子粒子群

初始化机器人中M个关节的位置向量，在机器人各关节的角度范围内随机产生关节角度；

步骤5.2，将M自由度的机器人代入式(4)中求解机器人各关节的平均角度；

步骤5.3，计算适应度值

根据正运动学模型求解出期待位置，计算各关节的位置，代入式(7)求解出各关节的位置误差；

步骤5.4，如果机器人各关节转角超过受限的关节范围，淘汰这个解，并用上一代的解代替；

步骤5.5，利用改进量子粒子群算法迭代产生新的解，更新机器人各关节角度，达到最大迭代次数T后结束，否则返回步骤5.2。