1.一种基于s形曲线机器人过渡轨迹规划的拐角加速度优化方法，所述的基于s形曲线机器人过渡轨迹规划通过矢量合成法确定轨迹p0p1与轨迹p1p2之间的过渡轨迹pspe的切向加速度，其特征在于，所述的基于s形曲线机器人过渡轨迹规划的拐角加速度优化方法包括以下步骤：
判断过渡轨迹pspe的最大的切向加速度是否大于dmax1和amax2中较小的那一者；dmax1为工程约束条件规定的轨迹p0p1的最大减速度，amax2为工程约束条件规定的轨迹p1p2的最大加速度；
若过渡轨迹pspe的最大的切向加速度大于dmax1和amax2中较小的那一者，则通过遗传算法计算轨迹p0p1的最优减速度a1、以及轨迹p1p2的最优加速度a2，以使过渡轨迹pspe的最大切向加速度的值在小于等于dmax1和amax2中较小的那一者的情况下达到最大。
2.如权利要求1所述的基于s形曲线机器人过渡轨迹规划的拐角加速度优化方法，其特征在于，采用遗传算法计算轨迹p0p1的最优减速度a1、以及轨迹p1p2的最优加速度a2包括以下步骤：
以待计算的轨迹p0p1的最优减速度a1、以及轨迹p1p2的最优加速度a2作为种群中的一个个体的基因，生成初始种群；
计算种群中的每一个个体的适应度；
迭代地进行遗传操作，生成新种群，计算新种群中每个个体的适应度，直至满足预设的迭代终止条件，输出满足迭代终止条件时的最优解作为轨迹p0p1的最优减速度a1、以及轨迹p1p2的最优加速度a2的取值。
3.如权利要求2所述的基于s形曲线机器人过渡轨迹规划的拐角加速度优化方法，其特征在于，所述遗传操作包括选择、交叉和变异，生成新种群的过程包括：根据上一代种群中的各个个体的适应度，利用轮盘赌规则从上一代种群中选择进行下一次进化的个体，将选择出的个体作为母体，通过交叉操作得到新的个体，对选择出的个体进行变异操作，得到新个体。
4.如权利要求1所述的基于s形曲线机器人过渡轨迹规划的拐角加速度优化方法，其特征在于，若过渡轨迹pspe的最大的切向加速度大于dmax1和amax2中较小的那一者，则通过遗传算法计算轨迹p0p1的最优减速度a1、以及轨迹p1p2的最优加速度a2具体包括以下步骤：
a、构建求解目标函数f及约束条件；
求解目标函数f为：
f＝max(at(t))
约束条件为：
at(t)表示过渡轨迹pspe在时刻t的切向加速度，ts为进入过渡轨迹的时刻，te为过渡轨迹结束的时刻；
b、初始化种群；
p＝{p1,p2,p3,...,ppop_size}
其中：pop_size表示种群大小，pi表示个体，
c、计算适应度
对于种群中每一个个体pi，利用以下计算其适应度：
d、选择
根据步骤c的适应度计算结果，采用轮盘赌选择，令种群中第i个个体的适应度为gi(i＝1,2,…,pop_size)，根据轮盘赌算法，第i个个体被选中的概率qi为：
e、交叉
其中，
f、变异
其中
g、终止条件判断
判断新形成的种群中的个体是否已满足终止条件，若已满足所述终止条件则将最后得到的具有最大适应度的个体对作为轨迹p0p1的最优减速度a1、以及轨迹p1p2的最优加速度a2的取值；所述终止条件为求解目标函数f与min(dmax1，amax2)之间的偏差小于预设的终止偏差或者该种群的遗传代数达到预设的终止遗传代数。
5.一种基于s形曲线机器人过渡轨迹规划的拐角加速度优化装置，包括：
存储器，用于存储可由处理器执行的指令；
处理器，用于执行所述指令以实现如权利要求1-4任一项所述的方法。