1.一种多自由度机械臂系统的控制器的优化设计方法，其特征在于：包括以下步骤：
s1：根据机械臂的具体结构和关节参数，建立机械臂的运动学方程，并根据末端执行器期望轨迹，确定多自由度机械臂系统的各关节变量的变化轨迹；
s2：利用实验建模方法得到训练数据集，训练径向基函数(rbf)神经网络辨识器，替代未知的机械臂系统动力学模型；
s3：确定rbf神经网络辨识器的初始参数：根据步骤s2中得到的训练数据集，确定rbf神经网络辨识器中隐含层神经元的数目，以及这些神经元对应基函数的初始中心和宽度；
s4：通过步骤s3得到的神经网络的初始结构和参数，利用步骤s2中得到的训练数据集，并且根据选定的神经网络性能评价指标和梯度下降法，完成神经网络的训练过程；
s41：根据步骤s3得到的神经网络中所有神经元的径向基函数的中心和宽度后，神经网络的权值则根据所采用的性能评价标准并利用梯度下降法进行调整和确定；
s42：采用典型的均方误差mse(meansquareerror)作为评价指标，其定义如下：
式中，yd(n)表示期望输出，y(n)表示神经网络的实际输出，n表示数据集的样本数目；
s43：在神经网络训练的过程中，如果评价指标的值小于评价指标事先设定的阈值，则结束训练过程；当神经网络的训练结束后，所得到辨识器则替代机械臂的实际动力学模型，用于后续控制器的优化设计；
s5：对机械臂系统的每个关节，分别设计独立的位置闭环控制系统，每个闭环控制系统中均采用传统pid控制策略来确定位置环的控制量；
s6：将机械臂轨迹规划中控制器的设计问题，转化为多目标优化问题，并且确定优化目标、待优化参数和设计相应的多目标优化算法来确定控制器的最优参数；
s7：通过步骤s6中获得的控制器参数来设计运动控制程序，进而实现机械臂的轨迹跟踪控制功能。
2.根据权利要求1所述的一种多自由度机械臂系统的控制器的优化设计方法，其特征在于：所述步骤s1，具体包括以下子步骤：
a1:根据所应用的机械臂各个关节的类型、具体尺寸以及它们之间的连接方式，利用denavit和hartenberg所提出的d-h方法建立机械臂的运动学模型；
a2：基于机械臂的末端执行器期望轨迹，采用插补算法求出该执行器在运动过程中所经过各个路径点在操作空间的具体坐标，然后利用坐标变换得到机械臂各个关节的运动变量；
a3：同时，设定机械臂经过各个路径点所对应的具体的控制时刻，来进一步限定机械臂系统的动态性能。
3.根据权利要求2所述的一种多自由度机械臂系统的控制器的优化设计方法，其特征在于：所述机械臂各个关节的运动变量为：转角或位移。
4.根据权利要求1所述的一种多自由度机械臂系统的控制器的优化设计方法，其特征在于：所述步骤s2中，得到训练数据集的步骤如下：
a1：分别确定机械臂每个关节对应的转矩的幅值tmax，并且在该变化范围内选择周期性的波动信号作为输入信号；
a2：实验测得每个采样时刻所对应的输出信号，包括每个关节的位移或者角位移；
a3：同时利用位移信号计算得到对应的速度值，采集所有的输入-输出数据，即作为训练数据集。
5.根据权利要求1所述的一种多自由度机械臂系统的控制器的优化设计方法，其特征在于：所述步骤s3中，确定rbf神经网络辨识器的初始参数的方法，具体包括以下步骤：
a1：确定rbf神经网络对应的神经元数目m，即神经网络中的隐层节点数目，同时确定这些节点中的径向基函数中心的初值ci(i＝1,2,k,m)；
a2：将训练数据集中的每个样本按照欧几里得距离划分到与之最近的中心：
a3：计算每个聚类中所有样本的平均值，并将其赋值作为下一代的聚类中心坐标：
a4：聚类过程的结束条件判断，将所有聚类的中心变化幅度小于设定的阈值作为结束条件，如果满足该条件，则聚类过程结束；否则，转到步骤s32，并进行下一次聚类操作；
a5：聚类结束后计算径向基函数的宽度半径，其为每个聚类中心与该聚类样本之间距离的平均值：
6.根据权利要求1所述的一种多自由度机械臂系统的控制器的优化设计方法，其特征在于：所述步骤s5中，各个关节独立的位置闭环控制系统的设计，包括以下步骤：
a1：将机械臂的每个关节作为一个独立的单输入/单输出系统来进行处理，实现位置闭环控制，进而每个子系统分别采用独立的pid控制策略；各个关节之间的动态耦合现象被视为是干扰信号；
a2：在机械臂系统的分布式控制中，arm作为主控制单元，fpga控制器则用于实现机械臂各个关节的独立和并行控制功能，输出位置环的控制量到每个电机的驱动器；
a3：在arm主控制单元中计算和存储机械臂各个关节在相应时刻的关键点，由编码器获得各个关节的实际位置信号，并且反馈到arm主控制单元中，在arm主控制单元中构成反馈环；
a4：在每个设定的控制周期中，根据此时各个关节的目标位置，与从编码器检测到的脉冲数目换算后的实际位置相比较，利用pid控制算法得到位置环的控制量，即各个关节的驱动力矩，经过限幅后通过fpga控制器输出到各伺服电机驱动器，控制伺服电机的运行；其中，伺服电机驱动器的控制模式设置为力矩控制模式。
7.根据权利要求1所述的一种多自由度机械臂系统的控制器的优化设计方法，其特征在于：所述步骤s6中，用于控制器参数优化的多目标优化算法，包括以下步骤：
a1：根据机械臂系统类型和特点，确定多自由度机械臂系统中控制器的待优化参数；将每个关节控制器中的pid参数作为待优化参数，总共的参数数目为n×3个(n为多自由度的关节数目)，如下所示：
a2：确定该多目标优化问题待优化的多个目标：将机械臂轨迹跟踪问题的跟踪精度f1和驱动力矩的平稳度f2作为两个待优化的多个优化目标，其中跟踪精度和平稳度的定义和计算公式如下：
式中，n为关节的数目，tf表示整个运动时长所包含的控制周期数；
a3：待优化参数对应的每个个体采用实数编码方式，随机生成初始种群，并且设置算法的相关运行参数；
a4：针对当前种群中每个个体所对应的pid控制器参数，并且基于独立的位置闭环控制系统模型，利用数值仿真模型来计算轨迹跟踪控制系统的多个性能指标，并基于pareto占优概念对所有个体进行评价和比较；
a5:选择当前种群中的一定比例的优良个体，实施遗传进化操作，产生一定数目并发生变异的新个体；
a6：计算新个体对应的优化目标，并再次利用pareto占优概念对新个体进行比较和选择，考虑到个体之间的多样性，确定新一代种群中的个体组成；
a7：算法终结条件判断：若满足则结束算法的迭代优化过程，否则转到步骤a4继续进行算法的优化过程；
a8：当多目标优化算法运行结束后，可从优化解中综合考虑选择最优的折衷解，最终得到的优化解即对应于机械臂系统中的控制器参数，即所有关节位置控制器中的pid参数。
8.根据权利要求7所述的一种多自由度机械臂系统的控制器的优化设计方法，其特征在于：所述pid参数为比例、积分和微分参数。
9.根据权利要求1所述的一种多自由度机械臂系统的控制器的优化设计方法，其特征在于：所述步骤s7中，中断控制子程序的具体实施步骤如下：
a1：根据arm的主频设置控制周期为2-10ms；
a2：在每个插补周期，读取轨迹规划所得到中间点的目标位置，然后细分后的目标位置，该位置转化为增量编码器的脉冲数目；
a3：由arm控制器内部的定时器设置控制周期的定时时长，每个控制周期进入定时中断服务子程序；
a4：读取每个关节位置的反馈值，实施增量式pid控制算法，得到每个关节的驱动力矩；
a5：将得到的驱动力矩经过限幅后，通过串行通信方式传递给fpga控制器；
a6：fpga控制器将转矩信号转换为数字量，并采用并行方式通过d/a转换接口输出到各个伺服电机驱动器。
10.根据权利要求9所述的一种多自由度机械臂系统的控制器的优化设计方法，其特征在于：所述插补周期为50ms。