1.基于改进DWA算法的机器人路径导航方法，其特征在于包括以下步骤：S1、采集与当前导航任务相关的环境输入信息，包括机器人当前的位姿信息及速度状态、目标点的位置信息、障碍物信息；

S2、通过路径搜索算法生成一条从机器人当前位置到目标点的全局最优路径，全局最优路径由多个离散路径点组成；

S3、在DWA算法中引入协方差矩阵自适应进化策略CMA-ES，设置DWA的运动学边界参数，并初始化CMA-ES优化器的控制参数；

S4、设计CMA-ES上层优化，结合航向角评估、平滑性评估、速度评估和安全性评估形成上层优化函数，优化DWA算法中轨迹评价函数的权重参数；

S5、设计CMA-ES下层优化，结合窗口计算效率评估、平滑性评估、速度评估和安全性评估形成下层优化函数，优化DWA算法中的线速度分辨率与角速度分辨率；

S6、引入反馈调节机制，使得上层优化的更新频率根据环境变化动态调整，下层优化则实时调整轨迹精度；

S7、在每一规划周期中，基于当前速度状态，使用优化后的线速度分辨率与角速度分辨率采样生成速度组合，并预测其在未来一段时间窗口内的轨迹，构建轨迹候选集；

S8、引入路径引导机制，设置轨迹评价函数，并使用优化后的权重参数对每条轨迹进行评分，执行CMA-ES优化器搜索最优参数，优化完成后重新生成轨迹候选集，并再次评分，选取评分最高的轨迹作为当前周期的最优路径，发送至机器人执行导航；

S9、S4-S8以固定周期循环执行，持续进行轨迹生成、参数优化、路径评分与控制执行，直到机器人到达目标点。

2.根据权利要求1所述的基于改进DWA算法的机器人路径导航方法，其特征在于：所述的S1中，机器人当前的位姿信息，、是机器人在全局坐标系中的位置坐标，是机器人当前位姿的航向角；速度状态包括机器人当前的速度v和加速度，即，速度v包括线速度和角速度，加速度包括线加速度和角加速度；目标点的位置信息，、是目标点在全局坐标系中的位置坐标；障碍物信息包括环境中已知障碍物和未知障碍物的位置与分布，已知障碍物的数量为n，未知障碍物的数量为m，未知障碍物包括未知的动态和静态障碍物，表示已知障碍物u1在全局坐标系中的位置坐标，表示机器人测得的未知障碍物U1在全局坐标系中的位置坐标，中的其余元素同理；

环境输入信息表示为：

。

3.根据权利要求1所述的基于改进DWA算法的机器人路径导航方法，其特征在于：所述的S2中，路径搜索算法采用A*算法、Dijkstra算法、RRT算法、PRM算法中的一种，全局最优路径，Z为离散路径点的数量，表示其中一个离散路径点，z=1，2，…，Z，、表示离散路径点在全局坐标系中的位置坐标。

4.根据权利要求1所述的基于改进DWA算法的机器人路径导航方法，其特征在于：所述的S3中，DWA的运动学边界参数包括最大线速度、最大角速度、最大加速度以及控制周期，并设定初始线速度分辨率与角速度分辨率；

初始化CMA-ES优化器的控制参数，包括初始均值向量、协方差矩阵、采样步长、种群数量、父代数量和最大迭代次数，构成CMA-ES优化器的初始化向量：。

5.根据权利要求3所述的基于改进DWA算法的机器人路径导航方法，其特征在于：所述的S4中，CMA-ES上层优化的优化目标包括导向性、平滑性、安全性，通过调整轨迹评价函数的航向角权重参数、安全性权重参数、速度权重参数，实时根据环境变化优化路径规划性能；

分别设计航向角评估、平滑性评估、速度评估和安全性评估，表示为：；

；

；

；

式中，是机器人当前姿态的航向角；表示目标点相对机器人位置的航向角；表示机器人在模拟时间内的角度变化；表示机器人模拟时间；表示机器人最大角速度分辨率；表示轨迹上的当前线速度；表示设定的最大线速度；是一个常数，控制逻辑曲线的陡峭程度；表示轨迹上的点离最近障碍物的最小距离；表示设定的安全临界距离；C为轨迹点总数；t为时间积分变量；

上层优化函数，即上层综合评估函数表示为：

；

式中，、、、分别为上层优化中航向角评估、平滑性评估、速度评估、安全性评估的权重参数，上层优化的优化目标，、、分别表示轨迹评价函数中的航向角权重参数、安全性权重参数、速度权重参数。

6.根据权利要求5所述的基于改进DWA算法的机器人路径导航方法，其特征在于：所述的S5中，CMA-ES下层优化以线速度分辨率和角速度分辨率为优化目标，提高轨迹精度，窗口计算效率评估表示为：；

式中，表示机器人线速度分辨率；表示机器人角速度分辨率；表示机器人最大线速度分辨率；

下层优化函数，即下层综合评估函数表示为：

；

式中，、、、分别为下层优化中窗口计算效率评估、平滑性评估、速度评估、安全性评估的权重参数；下层优化的优化目标。

7.根据权利要求6所述的基于改进DWA算法的机器人路径导航方法，其特征在于：所述的S6中，通过上层优化和下层优化之间的协调，实现权重参数优化和轨迹生成分辨率的协同优化，引入反馈调节机制，使得上层优化的更新频率根据环境变化动态调整，下层优化则实时调整轨迹精度，定义周期的索引为k，k周期时环境障碍物变化度量表示为：；

式中，、、分别表示k周期时半径为、、的邻域中的障碍物面积，、、为设置的三个不同的半径，且；、、为k周期时半径为、、的邻域总面积；、、分别为对应、、的权重参数；

定义为k周期时上层优化的参数优化调整系数，控制上层优化的更新频率：；

式中，为k-1周期时上层优化的参数优化调整系数；是环境变化调整系数，控制上层优化更新频率的变化程度；是k-1周期时环境障碍物变化度量。

8.根据权利要求7所述的基于改进DWA算法的机器人路径导航方法，其特征在于：所述的S7中，在每一规划周期中，基于机器人的当前速度状态，使用优化后的线速度分辨率与角速度分辨率，在允许的速度空间中进行采样，生成若干个速度组合；对每组速度组合，预测其在未来一段时间窗口内的轨迹，构建轨迹候选集：；

其中，表示第i条轨迹，i=1，2，…，N，N为轨迹的数量；每条轨迹表示在给定控制输入下的预期运动路径。

9.根据权利要求8所述的基于改进DWA算法的机器人路径导航方法，其特征在于：所述的S8中，在轨迹的评分过程中，引入路径引导机制，通过计算每条轨迹与全局最优路径之间的偏离度，即轨迹点至全局路径的最短距离平均值，作为附加评价指标；该偏离度用于修正原始适应度排序，引导轨迹靠近全局路径方向，从而在保持局部避障能力的同时，提升整体路径的连续性与导航准确性，偏离度函数表示为：；

式中，表示的偏离度函数；W为轨迹点的采样点总数；表示在第w个采样点的位置。

10.根据权利要求9所述的基于改进DWA算法的机器人路径导航方法，其特征在于：所述的S8中，设置轨迹评价函数并使用优化后的权重参数对每条轨迹进行评分，执行CMA-ES优化器搜索最优参数；优化完成后，基于获得的线速度分辨率与角速度分辨率，重新生成轨迹候选集，并再次对每条轨迹进行评分排序，选取评分最高的轨迹作为当前周期的最优路径，将其轨迹速度状态作为控制指令发送至机器人控制器执行，从而实现闭环控制与连续路径跟踪；

设置的轨迹评价函数表示为：

；

式中，表示的轨迹评价函数；、、分别为对应于的航向角评估、安全性评估、速度评估；为路径引导的调节参数。