1.一种机器人导航方法，其特征在于，包括以下步骤：
机器人受控运行时，记录摄像头获得的每帧视频图像，以及所述每帧视频图像对应的控制命令；提取所述每帧视频图像对应的视觉特征向量；将所述每帧视频图像对应的视觉特征向量、及所述每帧视频图像对应的控制命令作为分类器的训练数据集；计算所述分类器的最优权向量并存储；
机器人自主运行时，实时地提取摄像头获得的每帧视频图像的视觉特征向量，所述分类器根据所述视频图像的视觉特征向量和所述最优权向量计算输出控制命令，控制机器人实现自主导航。
2.根据权利要求1所述的机器人导航方法，其特征在于，采用DAGGER方法，机器人多次受控运行，在第1次受控运行时按照所述控制命令运行，在第n(n>1)次受控运行时，依据导航控制策略运行，所述导航控制策略是根据n-1次运行时得到的全部所述训练数据集得出的最优权向量。
3.根据权利要求1所述的机器人导航方法，其特征在于，所述每帧图像对应的视觉特征向量由Laws’模板特征向量、Radon特征向量和Harris角点特征向量组成。
4.根据权利要求3所述的机器人导航方法，其特征在于，提取Radon特征向量的方法包括以下步骤：
计算图像强度信号在多角度下的Radon变换，组成多维特征向量，再进行归一化处理得到Radon特征向量。
5.根据权利要求3所述的机器人导航方法，其特征在于，提取Laws’模板特征向量的方法包括以下步骤：
分别计算图像强度信号、图像色差信号与Laws’模板的卷积结果图像；
积分计算各个所述卷积结果图像的纹理能量值，得到的多个纹理能量值组成一个多维的Laws’模板特征向量。
6.根据权利要求3所述的机器人导航方法，其特征在于，提取Harris角点特征向量的方法包括以下步骤：
求图像强度信号在每个像素处的梯度，构建实对称矩阵，求所述实对称矩阵的特征值及其对应的特征向量；将0°～360°划分为多个角度区间，并定义一多维向量，所述多维向量的每一个元素对应于一个所述角度区间；计算每个特征向量的方向角，将所述特征向量的特征值累加于所述方向角所在角度区间所对应的元素的值；再进行归一化处理得到Harris特征向量。
7.如权利要求5所述的机器人导航方法，其特征在于，
所述Laws’模板为3个1×3模板L3、E3、S3两两以矩阵的形式相乘得到的9个Laws’模板M1,…,M9；
其中L3表示灰度特征，E3表示边缘特征，S3表示点特征；
Fm(x,y)(m＝1,2,...,9)分别表示图像强度信号IY(x,y)与M1,…,M9的卷积结果图像，F10表示图像色差信号ICb(x,y)和M1的卷积结果图像，F11表示图像色差信号ICr(x,y)和M1的卷积结果图像，这样每个图像可以计算得到11个纹理能量值。
8.根据权利要求1～7任一项所述的机器人导航方法，其特征在于，所述分类器为最小误差平方和分类器，所述最小误差平方和分类器通过求解使代价函数最小的最优权向量得到；所述最优权向量对应导航控制策略。
9.根据权利要求8所述的机器人导航方法，其特征在于，所述代价函数J(w)和最小的最优权向量分别为：
其中，{(x1,y1),(x2,y2),...(xN,yN)}为分类器的训练数据集，xi∈Rk为输入的视觉特征向量，yi∈{-1,1}为xi对应的类标签，即所述每帧图像对应的机器人控制命令，k为所述视觉特征向量的维数，N为样本个数；在原xi∈Rk基础上扩展\t一个维度，该维度上的值为1，w∈Rk+1为参数向量，ei表示一个类的类别期望值和估计值之间的误差；X表示所有图像的视觉特征向量组成的N×(k+1)矩阵，X的每一行的值为一个用于训练的所述视觉特征向量，T表示求转置，y为所述视觉特征向量对应的类标签，I是(k+1)×(k+1)维的单位矩阵，c是用户定义的一个正常数。