1.一种机械臂运动规划群体智能计算方法，其特征在于，包括以下步骤：

步骤1：构建机械臂所在工作空间的三维坐标系；

利用图像采集区域覆盖机械臂抓取目标物体的整个工作空间的双目ZED相机的左右摄像头连线中点作为原点，以双目ZED右摄像头中心到双目ZED左摄像头中心连线为y轴正向，根据右手定则建立机械臂工作空间的三维立体坐标系；

步骤2：构建基于模糊神经网络的待抓取物体目标识别模型；

以每幅待抓取物体目标图像的中间像素累加值和对应的物体类别分别作为输入和输出数据，对模糊神经网络进行训练，得到基于模糊神经网络的待抓取物体目标识别模型；

所述待抓取物体目标图像的中间像素累加值的获取过程如下：

利用步骤1中用于构建三维立体坐标系的双目ZED采集各类待抓取物体目标图像在各种位姿下的图像；对待抓取物体目标图像依次进行去噪、位置变换、灰度处理和边缘检测；

提取经过边缘检测后的图像的大小为200×200的正中间区域，将所提取区域中所有像素的灰度值进行累加得到中间像素累加值；

步骤3：构建基于极限学习机的机械臂抓取最优路径模型；

利用机械臂抓取各类待抓取物体，获得抓取路径样本，以抓取路径样本中的机械臂起点、终点位置坐标和运动旋转角度矩阵分别作为输入和输出数据，以各关节的旋转角度总和最小为目标函数，对极限学习机进行训练，获得基于极限学习机的机械臂抓取最优路径模型；

所述抓取路径样本包括机械臂末端在步骤1构建的三维坐标系中，抓取起点和抓取终点位置坐标，以及机械臂各关节的运动旋转角度矩阵，所述运动旋转角度矩阵的行数和列数分别为机械臂转动关节个数和抓取物体过程中的动作次数；

步骤4：实时采集待抓取物体目标图像识别物体类别；

利用步骤1中用于构建三维立体坐标系的双目ZED采集待抓取物体目标图像，按照步骤

2中的处理过程提取当前图像中的中间像素累加值，并输入所述基于模糊神经网络的待抓取物体目标识别模型中，获得物体类别信息；

步骤5；基于物体类别确定物体重心，求得抓取终点坐标，获取机械臂抓取最优路径，驱动机械臂抓取物体；

基于物体类别信息确定物体重心，使得机械臂夹爪的抓取中心对应物体重心，从而确定机械臂夹爪在抓取终点的坐标，并输入所述基于极限学习机的机械臂抓取最优路径模型中，得到机械臂抓取最优路径，并发送至机械臂控制系统，驱动机械臂抓取物体。

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待抓取物体目标识别模型中模糊神经网络的权值、隶属函数均值以及方差使用水循环算法进行优化获得：步骤A1：将降雨层作为所述模糊神经网络的权值、隶属函数均值以及方差，初始化降雨层种群，并设置降雨层种群参数；

降雨层种群规模的取值范围为[30,120]，河流和海洋的取值范围为[5,20]，海洋个数

1，极小值dmin的取值范围为[0.025,0.1]，最大迭代次数的取值范围为[250,500]，最大搜索精度的取值范围为[0.01,0.07]；

步骤A2：设定适应度函数，并确定初始最优降雨层和迭代次数t，t＝1；

将降雨层对应的权值、隶属函数均值以及方差代入基于模糊神经网络的待抓取物体目标识别模型中，并利用降雨层确定的基于模糊神经网络的待抓取物体目标识别模型输出物体类别的二进制数，将输出物体类别的二进制数与实际对应的物体类别二进制数的差值的倒数作为第一适应度函数f1(x)；

Ai表示计算编号值的第i位，Bi表示实际编号值的第i位，n＝6；

利用第一适应度函数计算每个降雨层的适应度，以最大适应度对应的降雨层作为大海，以次小适应度对应的降雨层作为河流，其余的降雨层作为流入河流或海洋的溪流；

步骤A3：使溪流汇入河流，如果发现溪流的解比河流的解更好，则它们互相交换位置；

步骤A4：使河流流入海洋，若河流的解比海洋的解较优，则河流与海洋交换位置，以最终海洋作为最优解；

步骤A5：检查是否满足蒸发条件：判断河流与海洋的适应值之差的绝对值是否小于极小值dmin；

如果小于，则认为满足蒸发条件，去掉该河流，并重新进行降雨过程，随机生成新的降雨层，重新计算降雨层种群中各降雨层的适应度，返回步骤A3，否则，减小dmin，进入步骤A6；

随机生成的新的降雨层数量与删掉的河流数量相同；

步骤A6：判断是否到达最大迭代次数，若达到，输出全局最优大海对应的基于模糊神经网络的待抓取物体目标识别模型的权值、隶属函数均值以及方差，若未达到，则令t＝t+1，进入步骤A3，继续下一次迭代。

3.根据权利要求1所述的方法，其特征在于，所述基于极限学习机的机械臂抓取最优路径模型中极限学习机的权值、阈值采用磷虾算法进行优化获得：步骤B1：以磷虾个体作为所述极限学习机的权值、阈值，随机初始化磷虾种群并设置磷虾种群参数，磷虾种群包含多个磷虾个体；

磷虾种群规模的取值范围为[40，300]，诱导惯性权重wy的取值范围为[0.4,0.8]，觅食惯性权重wm的取值范围为[0.4,0.8]，最大诱导速度Ymax的取值范围为[0.02,0.07]，最大觅食速度Mmax的取值范围为[0.02,0.07]，最大扩散速度Dmax的取值范围为[0.002,0.01]，步长缩放因子的Ct取值范围为[0.1,1.5]，最大迭代次数T的取值范围为[300，500]，时间常量为Δt＝0.4；

步骤B2：设定适应度函数，确定初始最优磷虾个体位置和迭代次数t，t＝1；

将磷虾个体对应的权值和阈值代入基于极限学习机的机械臂抓取最优路径模型中，并利用磷虾个体确定的基于极限学习机的机械臂抓取最优路径模型得到机械臂关节转动角度，将得到的机械臂关节转动角度之和的倒数作为第二适应度函数f2(x)；

步骤B3：磷虾进行诱导运动、觅食活动以及随机扩散，对磷虾个体的位置和速度进行更新，根据第二适应度函数f2(x)确定当前最优磷虾位置；

步骤B4：判断是否满足最大迭代次数，若不满足，则t＝t+1，返回步骤B3，直到满足最大迭代次数后，输出最优磷虾个体代表的基于极限学习机的机械臂抓取最优路径模型中极限学习机的权值和阈值。

4.根据权利要求1-3任一项所述的方法，其特征在于，在机械臂抓取物体过程中，若双目ZED拍摄到工作空间出现障碍物，则利用障碍物的深度图像信息在所述三维坐标系中构建障碍物模型，通过判断障碍物模型的包络线位置是否处于机械臂的抓取路径运动区域中，若不处于，则机械臂继续按原抓取路径进行抓取工作，若处于，则以障碍物模型的包络线与抓取运动区域的切点和两端交叉点依次作为避障路径的中间点、起点和终点，将避障路径的中间点、起点和终点坐标输入基于支持向量机的机械臂避障路径模型，获得避障路径；

所述障碍物模型的包络线与抓取运动区域的中间点的获取过程如下：

将障碍物截断机械臂原抓取路径的截断起点、截断终点连成截断直线，获取所有和截断直线平行的平面与障碍物模型的包络线相切的点，选出与截断直线最近的切点；

避障路径的起点为所述截断起点前移3cm，避障路径的截断终点为交叉终点后移3cm；

所述避障路径位于切点外部；

所述基于支持向量机的机械臂避障路径模型，是以各类障碍物位于所述工作区间中，障碍物的包络线将原始机械臂抓取路径截断后得到避障路径起点、避障路径终点以及与包络线与原始抓取运动区域的切点作为输入数据，机械臂在避障过程中各关节的运动旋转角度矩阵作为输出数据，以各关节的旋转角度之和最小作为目标函数，对支持向量机进行训练获得。

5.根据权利要求4所述的方法，其特征在于，所述基于支持向量机的机械臂避障路径模型中支持向量机的惩罚系数、核参数采用自适应花授粉算法优化：步骤C1：以花粉位置作为基于支持向量机的机械臂避障路径模型中支持向量机的惩罚系数、核参数，初始化种群参数；

设置种群数N∈[100,300]，变异因子的初始值ε0∈[0.28,0.67]，转换概率取值范围p∈[0.26,0.89]，并设置最大迭代次数t＝1500为算法结束的条件；

步骤C2：设置适应度函数，随机初始化每个花粉的位置，并计算每个花粉的适应度函数值,t＝1；

将每个花粉位置对应的所述支持向量机的惩罚系数c、核参数g代入基于支持向量机的机械臂避障路径模型中，利用花粉位置确定的基于支持向量机的机械臂避障路径模型得到的机械臂关节转动角度之和的倒数作为第三适应度函数f3(x)；

步骤C3：生成随机数rand1∈[0,1]，改变转换因子，调节全局搜索和局部搜索的转换；

p＝0.65+0.25*rand1

步骤C4：生成随机数rand2∈[0,1]，若转换因子p＞rand2，则进行全局搜索执行交叉授粉操作，在全局中产生新的花粉，否则进行局部搜索执行自花授粉操作，在局部位置产生新的花粉；

步骤C5：计算每个花粉的适应度函数值，并找出当前最优解；

步骤C6：判断是否满足循环结束的条件，若不满足，转步骤C3，t＝t+1,若满足，转步骤C7；

步骤C7：输出最优位置花粉，并且得到最优花粉对应的支持向量机的惩罚系数c、核参数g作为基于支持向量机的机械臂避障路径模型中的支持向量机的惩罚系数、核参数。