1.一种基于双目视觉和深度学习的机械臂不停工实时标定方法，其特征在于，包括：机械臂在工位上安装调试完毕后，用激光跟踪仪对机械臂进行标定，辨识出DH参数误差ΔU；

以工作轨迹S为约束，生成测量构型库从 中选择出能执行机械臂实际工作轨迹S的m2组运行指令以辨识模型观测指数为优化目标，从 中选择出实际用于标定的测量构型搭建基于双目视觉的位姿采样系统，其中立体靶标安装在机械臂末端，双目相机安装在固定支架上；

围绕测量构型 生成神经网络的训练点；

用双目视觉系统在测量所有训练点处的靶标位姿 同时由机械臂正运动学计算得到 对应的机械臂末端位姿将靶标位姿 数据集作为输入，机械臂末端位姿 数据集作为输出，训练得到深度神经网络 其功能是根据靶标位姿预测机械臂末端位姿；

在机械臂控制系统中补偿ΔU；

以机械臂、双目视觉系统及靶标的安装位置不变为前提，将机械臂投入作业使用，并选择构型 对应的机械臂末端位置为监测点，用于实时测量机械臂定位精度的衰减；

用双目视觉系统实时采集 处的靶标位姿利用所得深度神经网络 将靶标位姿 作为输入，得到对应的末端实际位姿

基于机械臂正运动学计算出 对应的末端名义位姿，判断末端位姿误差是否超出了阈值ε；

若超出了阈值ε，利用 和对应的末端位姿误差建立辨识模型，求解由磨损、形变等原因而新产生的DH参数误差ΔU′；

在机械臂控制系统里补偿DH参数误差ΔU′。

2.根据权利要求1所述的基于双目视觉和深度学习的机械臂不停工实时标定方法，其特征在于，DH参数误差ΔU由如下公式给出：T

ΔU＝[δα1,δa1,δθ1,δd1,...,δα6,δa6,δθ6,δd6]其中，{δαi,δai,δθi,δdi}为第i关节的DH参数误差。

3.根据权利要求1所述的基于双目视觉和深度学习的机械臂不停工实时标定方法，其特征在于，标定时机械臂处于停工状态。

4.根据权利要求1所述的基于双目视觉和深度学习的机械臂不停工实时标定方法，其特征在于，测量构型库包括：以机械臂需要完成拾取、安装等任务的执行点处的机械臂末端位姿{px,py,pz,pα,pβ,pγ}为约束，逆运动学求解所得 以及以机械臂实际工作轨迹S上的插入点位置{px,py,pz}为约束，逆运动学求解所得

5.根据权利要求1所述的基于双目视觉和深度学习的机械臂不停工实时标定方法，其特征在于，选择出能执行机械臂实际工作轨迹S的m2组运行指令 的约束条件包括：

其中，(θi)j表示第i关节在第j个插入点对应的关节指令角，(θi)j+1表示第i关节在第j+

1个插入点对应的关节指令角，(θi)执行点表示在某个末端执行点处的第i关节指令角，(θi)插入点表示与该末端执行点最接近的插入点处的第i关节指令角。

6.根据权利要求1所述的基于双目视觉和深度学习的机械臂不停工实时标定方法，其特征在于，选择测量构型 时采用DETMAX方法。

7.根据权利要求1所述的基于双目视觉和深度学习的机械臂不停工实时标定方法，其特征在于，双目视觉系统的视场将机械臂末端作业轨迹完全包含在内，且机械臂基座与双目相机空间位姿关系保持不变。

8.根据权利要求1所述的基于双目视觉和深度学习的机械臂不停工实时标定方法，其特征在于，围绕测量构型 生成神经网络的训练点，包括：以各测量构型 对应的每个末端坐标点为中心，在30×30×30mm的邻域立方体内确定均匀分布的125个训练点。

9.一种基于双目视觉和深度学习的机械臂不停工实时标定装置，其特征在于，包括：一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现根据权利要求1至8任意一项所述的基于双目视觉和深度学习的机械臂不停工实时标定方法。