1.基于深度学习的主从控制方法，其特征在于，包括：确立执行单元的运动坐标系；

建立主从映射关系，通过主从映射关系来描述所述执行单元对应的主从手的运动学正逆运算，构建主从异构型模型；

在主从关系下进行目标的实时跟踪，得到跟踪结果数据；

通过卷积神经网络进行深度学习，完成所述执行单元的控制过程；

所述在主从关系下进行目标的实时跟踪，得到跟踪结果数据，包括：利用GOTURN算法进行目标的实时跟踪的步骤，具体为：根据所述主从映射关系，假设在前一帧中，跟踪器预测目标位于以 为中心的目标框中，宽度为w，高度为h；当前时刻，根据前一帧得到的c并以此作为中心再截取一个新的目标框，宽度为 ，高度为 ；在当前帧以 为中心裁剪一片区域，其中 是目标对象当前所在的位置；当前帧的裁剪宽度和高度分别为 和 ，其中w和h是前一帧中的目标框的宽和高， 定义了目标对象的搜索范围；对于快速移动的对象，通过增加网络复杂性为代价来增加搜索区域的大小；而对于遮挡问题，则通过训练来进行优化；

所述通过卷积神经网络进行深度学习，包括：利用PD环节来消除不断积累的主从跟随误差和消除医生手部抖动的步骤；

在利用PD环节来消除不断积累的主从跟随误差中：调控规律为：

；

其中 分别表示主、从手末端执行器位姿速度， 分别表示主、从手末端执行器位姿，同时 和 分别代表比例参数与积分参数；

在消除医生手部抖动中，对主手和从手分别采用两次滑动均值滤波，具体为：Ni=(ni+ni‑1+ni‑2+……+ni‑n)/n;为滤波计算结果，n为均值数字滤波器阶数，i为在第i次采样周期，i≥n；

所述确立执行单元的运动坐标系与所述建立主从映射关系，通过主从映射关系来描述所述执行单元对应的主从手的运动学正逆运算，构建主从异构型模型之间，包括：柔性测试步骤：根据所述执行单元的运动坐标系，把四根钢丝分布在加工好的弹簧外侧，并通过共同拉动四根钢丝来驱使柔性接头的另一端，进行弯曲运动，并将柔性接头与所述弹簧的非连接端作为柔性关节远端；

确定 分别为钢丝与中心轴的距离，柔性关节的长度，柔性关节沿y方向的旋转角，柔性关节沿z方向的旋转角，以及柔性关节远端在平面 中的位置投影；

位置投影可由下式计算：

；

其中， 分别表示柔性关节远端在x、y轴上的位置投影， 能在手术过程中测量，柔性关节远端的姿态公式为：将夹爪连接在所述远端，夹爪尖端的坐标为：；

其中，S代表刚性杆和加工弹簧之间的连接长度，Lg代表夹爪的长度；当s=0时，所述执行单元被视为可弯曲接头。

2.根据权利要求1所述的基于深度学习的主从控制方法，其特征在于，所述“建立主从映射关系，通过主从映射关系来描述所述执行单元对应的主从手的运动学正逆运算，构建主从异构型模型”，包括：从笛卡尔空间坐标系中建立映射关系来描述所述主从手的运动学正逆运算，运用逆雅可比矩阵进行求解；

主手末端的速度：   ；

从手末端的速度：  ；

其中，θ为柔性关节沿y方向的旋转角；  为雅克比矩阵。

3.根据权利要求1所述的基于深度学习的主从控制方法，其特征在于，所述通过卷积神经网络进行深度学习，包括：卷积层在ImageNet上预先训练，用1e‑5的学习率训练该网络；

每个训练示例会交替地取自于训练集，并利用GOTURN算法进行视频裁剪。

4.根据权利要求3所述的基于深度学习的主从控制方法，其特征在于，包括：还需要对当前帧进行随机裁剪，用额外的例子来扩充数据集。

5.根据权利要求4所述的基于深度学习的主从控制方法，其特征在于，所述柔性测试步骤后，包括：性能测试步骤：配置提供旋转动力的驱动装置，与所述执行单元连接；

确保所述执行单元为弯曲状态，同时在夹持器的远端加载拉伸力，对所述执行单元进行性能测试。

6.根据权利要求1所述的基于深度学习的主从控制方法，其特征在于，所述在主从关系下进行目标的实时跟踪，得到跟踪结果数据中，包括：跟踪效果的平滑化步骤：首先将当前帧 中边界框的中心相对于前一帧 中边界框的中心进行建模：其中w和h分别是前一帧的边界框的宽度和高度； 和 是随机变量；

同样，通过下式模拟尺寸变化：

其中 和 是边界框的当前宽度和高度，w和h是边界框的先前的宽度和高度， 和随机变量；

在训练集中，利用平均值为1的 和 来进行拉普拉斯分布建模，并运用所述拉普拉斯分布中提取的随机目标来扩充训练集；

所述拉普拉斯分布的比例参数为：

对于边界框中心的运动： ； 对于边界框大小的变化： 。

7.一种如权利要求1所述的基于深度学习的主从控制方法在医用柔性机器人方向上的应用。