1.一种基于多目标视觉测量和机器学习的机械臂无模型实时标定方法，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，辨识出各关节DH参数误差{ΔUi}(i＝1,2,...,6)；

在机械臂控制系统中补偿标定所得DH参数误差{ΔUi}；

搭建基于双目视觉的位姿采样系统，将靶标安装在机械臂每个关节上，双目相机安装在固定支架上，保证每个关节至少有一个靶标在双目相机视场中可被观测；

选取机械臂实际工作轨迹S上的n个指定点Dj(j＝1,2,...,n1+n2)；

在Dj(j＝1,2,...,n1+n2)邻域生成若干训练点Tk(k＝1,2,...,n3)；

用上述视觉采样系统采集每个训练点对应的各关节靶标位姿{Pti}k＝{Pt1,Pt2,Pt3,Pt4,Pt5,Pt6}k，同时由机械臂正运动学计算得到{Pti}k对应的机械臂关节位姿{Pi}k＝{P1,P2,P3,P4,P5,P6}k；

将{Pti}k作为输入，{Pi}k作为输出，训练得到一系列深度神经网络DNN，其功能是根据靶标位姿预测对应的关节位姿；

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，并用双目视觉系统实时采集Dj处的各关节靶标位姿集合{P′ti}j；

利用DNN，将{P′ti}j作为输入，得到对应的各关节实际位姿{P′i}j；

基于机械臂正运动学计算出与{P′i}j对应的各关节名义位姿{P″i}j，判断各关节位姿误差{ΔPi}j＝{P′i‑P″i}j是否超出了阈值ε；

i‑1 i‑1

若超出了阈值ε，从位姿集合{P′i}j和{P″i}j分别得到{ T′i}j和{ T″i}j两组齐次变换矩阵，从矩阵元素中分别提取出实际和名义DH参数集合{U′i}和{U″i}，比较两者差异即可分别得到各关节DH参数误差{ΔU′i}；

在机械臂控制系统里补偿DH参数误差{ΔU′i}。

2.根据权利要求1所述的基于多目标视觉测量和机器学习的机械臂无模型实时标定方法，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所述的基于多目标视觉测量和机器学习的机械臂无模型实时标定方法，其特征在于，搭建基于双目视觉的位姿采样系统，将靶标安装在机械臂每个关节上，双目相机安装在固定支架上，保证每个关节至少有一个靶标在双目相机视场中可被观测，包括：选择各关节相对平滑的表面贴附靶标，以保证靶标位姿采集精度；

对同一关节而言，尽量选择能够组成封闭曲面的若干表面用于贴附靶标，以保证各关节在视场中总有至少一个靶标能够被完整识别；

各靶标内部为黑白棋盘格，用于视觉系统准确定位，外圈为不同颜色的边框，以便视觉系统识别并区分。

4.根据权利要求3所述的基于多目标视觉测量和机器学习的机械臂无模型实时标定方法，其特征在于，所述相对平滑的表面包括平面、圆柱面或曲率半径较大的曲面。

5.根据权利要求1所述的基于多目标视觉测量和机器学习的机械臂无模型实时标定方法，其特征在于，n个指定点Dj(j＝1,2,...,n1+n2)包括：机械臂完成抓取、放置具体任务的n1个执行点，以及工作轨迹上的n2个均匀分布的插入点，并且n＝n1+n2。

6.根据权利要求1所述的基于多目标视觉测量和机器学习的机械臂无模型实时标定方法，其特征在于，在Dj(j＝1,2,...,n1+n2)邻域生成若干训练点Tk(k＝1,2,...,n3)，包括：分别以各监测点Dj对应的每个关节坐标系原点为中心，在可达邻域内分别均匀分布n3(ij)(i＝1,2,...,6)个训练点。

7.一种基于多目标视觉测量和机器学习的机械臂无模型实时标定装置，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6任意一项所述的基于多目标视觉测量和机器学习的机械臂无模型实时标定方法。