1.一种基于单目视觉导引的移动机器人智能抓取方法，其特征在于，该方法包括以下步骤：步骤S1：将目标放置在操作平台上，串联结构的机器人固定安装在移动平台上，视觉系统通过硬性连接装置固定在移动平台上；

步骤S2：粗略定位阶段，移动平台通过内置的视觉导航模块，移动到操作平台附近，使得视觉系统能采集到目标的图像，视觉系统随着移动平台移动而移动，步骤S3：抓取阶段，机器人抓取目标阶段分解成目标图像检测、目标特征提取、目标位姿测量、目标跟踪和目标抓取过程，步骤S4：目标图像检测，搭建了基于单个深层神经网络的目标检测网络，该目标检测网络的主干特征提取网络采用了VGG‑16，其次，目标检测网络采用卷积将不同的特征图进行提取检测结果，目标检测网络引入了注意力残差结构，目标检测网络训练：目标检测网络训练的目标，即网络的损失函数定义如下其中，x＝{0,1}表示预测框指示器，l表示预测框，g表示目标真实框，c为目标分类的置信度，Lconf(x,c)为类别损失函数,Lloc(x,l,g)为回归损失函数,N表示候选预测框的个数，α为可调参数，用于调整两种损失函数的比例，回归损失函数Lloc(x,l,g)采用smooth L1损失，其中，k表示目标检测网络对于每个候选预测框输出结果，预测框的中心坐标(x、y)、宽、高(cx,cy,cw，ch)，i表示预测框的编号，j表示真实框编号， 时表示预测框i与真实框j匹配， 时表示预测框i与真实框j不匹配，Pos表示正样本的预测框的组合， 表示第i个预测框的输出结果, 表示第j个真实框的结果，类别损失函数Lconf(x,c)定义如下

其中，Neg表示负样本的预测框的组合，p代表类别号，p＝0的表示预测框输出为背景，真实框的类别为p， 表示第i个预测框对应类别p的预测概率， 的计算使用了softmax完成概率归一化操作，注意力残差结构：搭建的注意力残差结构包含两个分支：主干分支Γi,c(x)和掩膜分支Ηi,c(x)，主干分支负责提取图像特征，掩膜分支生成不同特征的注意力信息，即分配权重，Ψi,c(x)＝(1+Ηi,c(x))·Γi,c(x)    (4)其中，Γi,c(x)残差函数，包含了由主干特征提取网络提取的特征，Ηi,c(x)根据提取到的特征自适应的改变权重，步骤S5：目标特征提取，给定目标图像，经过目标检测网络，输出为包含目标的矩形目标框，以该目标框为目标的感兴趣区域，进行目标特征提取，目标特征选取为目标的边缘特征，基于边缘模板的特征提取方法，具体包含以下步骤：基元模板创建、目标边缘检测、感兴趣特征计算，基元模板创建：直线和角点为边缘特征的基元元素，定义直线基元模板和角点基元模板，目标边缘直线基元模板定义如下：

au+bv+1＝0    (5)

其中，(a,b)为直线基元的图像空间参数，(u,v)为图像空间的直线基元模板像素点坐标，目标角点基元模板通过两条直线相交求解，其定义如下：其中，(ai,bi)为第i条直线基元的参数，(aj,bj)为第j条直线基元的参数，这两条直线都基于边缘直线基元模板得到，目标边缘检测：首先，根据目标颜色和背景颜色的差异，利用颜色特征对目标边缘进行粗略提取；然后，结合形态学操作对图像噪声进行滤波，并去除纹理背景；最后，采用霍夫变换计算出目标的边缘直线，利用颜色空间变换公式，将图像从RGB颜色空间转化到HSV颜色空间，假设通过颜色粗略提取和颜色空间变换之后得到的目标图像为X，利用开运算平滑物体轮廓，断开较窄的狭颈，并消除细小的突出物，其中，Y表示开运算后的图像，A为开运算算子，Θ表示腐蚀操作，⊕表示膨胀操作，利用闭运算弥合较窄的间断和细长的沟壑，消除小的空洞，填补轮廓线的中的断裂，其中，Z表示开运算后的图像，即为得到的提取到目标边缘的图像，利用霍夫变换的直线检测原理，对提取到的目标边缘点进行直线拟合，并计算边缘直线特征，感兴趣特征计算：感兴趣的特征为目标的角点特征，根据霍夫直线检测，提取到目标的直线边缘，然后利用(6)，得到目标图像角点特征，对于给定的矩形目标，提取到4条边缘直线和4个角点特征，步骤S6：目标位姿测量，提取到的目标上的4个角点特征，基于如下多点透视成像原理c估算出目标在视觉系统坐标系的位姿Tt

其中，Mc表示视觉系统的内参数矩阵，通过标定得到，i＝1,2,3,4表示角点的标号，Zci表示目标上第i个角点在视觉系统坐标系的深度，(ui,vi)表示第i个角点的图像坐标，t t t(XiYiZi)表示角点在目标坐标系的物理坐标，以矩形目标的中心为参考对象，则角点的物理坐标根据目标的尺寸解算出，r

目标在机器人坐标系的位姿Tt求解如下

r r c

Tt＝Tc·Tt    (10)

r

其中，Tc为视觉系统在机器人坐标系的外参数矩阵，该矩阵通过外参数标定得到，步骤S7：目标跟踪，在机器人抓取目标的过程中，移动平台一直处于运动状态，这使得机器人末端机械手相对于目标存在相对运动，将目标的位姿转换到机器人坐标系后，设计基于位置的视觉伺服控制器，使得机械手跟踪上目标，基于位置视觉伺服的目标跟踪控制器的具体推导如下：定义目标跟踪器的误差e

e＝s‑s*    (11)

T

其中，s＝[sp sθ]表示状态量，包含三维空间位置和姿态，位置向量表示为sp＝[spx spy r r r r *spz]，姿态角向量表示为θg＝[θgxθgyθgz]，s表示期望的状态量，t

机械手在目标坐标系的位置和姿态矩阵Tg表示如下

t t t r ‑1

其中，Rg表示姿态矩阵，pg表示位置向量，Tr＝Tt 表示机器人在目标坐标系的位姿矩r阵，Tg表示机械手在机器人坐标系的位姿矩阵，直接从机器人控制器端获取，目标跟踪的目的是抓取目标，理想的状态s*选定为目标坐标系上方固定位置，即t t T t则状态量s＝[ pgpθ]，pg表示机械手在目标坐标系的位t t

置，pθ表示机械手在目标坐标系的姿态，通过姿态矩阵Rg得到，T 3×1 3×1

假设机械手的运动速度为νg，νg＝[νgt vgr] ，νgt∈R 表示平移速度，vgr∈R 表示旋转速度，则机械手的运动速度与状态量的变化之间的关系为：其中，Le为交互矩阵，

则误差对时间的导数为

为了使机械手快速跟踪上目标，设计误差的变化满足 将其带入到(15)，推导出机械手的运动速度为其中，λ＞0为调整系数，

在目标跟踪阶段，机械手的运动速度按照(16)控制，实现目标跟踪，T

步骤S8：目标抓取，首先定义目标跟踪完成时，机械手的速度为ν′g＝[ν′gt v′gr]，在目标抓取中，从视觉系统获取得最新图像到机械手进行抓取运动，中间存在延时，设该延时为ts，设机械手闭合时间为tc，设位置偏移量为Δpo，姿态偏移量为Δθo，则在目标抓取中，机械手的位置和姿态总的调整量为