1.一种基于注意力机制的托盘位姿估计方法，其特征在于，包括如下步骤：

步骤1：数据采集，将RGB‑D相机安装在叉车前端，获得图像I、点云集合S；以及图像I与点云集合S的对应集合IS；其中，图像I＝{(ruv,guv,buv)|u＝1,2,...,H；v＝1,2,...,W}，W表示图像I的宽度，H表示图像I的高度，CH表示图像I的通道数，(ruv,guv,buv)表示图像I中第u行、第v列像素的R、G和B的值；点云集合S＝{(xi,yi,zi)|i＝1,2,...,U}，U表示点云集合S中的点的数目；对应集合IS＝{(ui,vi)|i＝1,2,...,U}，(ui,vi)表示点云集合S中第i个点对应图像I中第u行、第v列的像素；

步骤2：托盘分割，利用卷积神经网络对托盘样本图像进行训练，得到训练好的托盘检测网络模型MP，利用托盘检测网络模型MP提取托盘区域，实现托盘图像的分割，具体为：步骤2.1：卷积神经网络的构建，在MaskR‑CNN模型的基础上进行修改，包括主干网络的特征提取、含注意力机制的多尺度特征整合、区域建议网络、区域特征对齐、分支预测网络以及损失函数的设计；

步骤2.1.1：主干网络特征提取，采用标准的卷积神经网络ResNet作为主干网络进行特征提取，获得托盘特征C1；

步骤2.1.2：含注意力机制的多尺度特征整合，在FPN中添加注意力机制模块A获得多层次特征预测；

在FPN的自下而上的网络中，获得多层次的特征向量C2、C3、C4、C5；在FPN横向连接中添加注意力机制模块A；在FPN的自上而下的网络中，对特征C5、以及注意力机制模块的输出特征M4和M3进行上采样操作up，最终获得含注意力信息的中间特征向量M5,M4,M3,M2；在FPN的卷积融合中，对特征集合{M2,M3,M4,M5}中各特征向量分别进行conv卷积操作得到最终的预测，获得特征向量集合{P2,P3,P4,P5}，分别对应于特征集合{C2,C3,C4,C5}；其中，注意力机制模型A具体包括：步骤2.1.2.1：注意力机制模块输入：以特征向量Ci与特征向量Mi+1时输入到注意力模块；

步骤2.1.2.2：对特征向量Ci与特征向量Mi+1进行拼接，获得特征向量AConv，如式(1)所示：AConv＝concat(Ci,up(2)(Mi+1))                    (1)其中，concat(·)表示拼接函数，up(2)表示up上采样函数，AConv的大小为w*h*(c1+c2)；

其中，c1表示Ci特征向量的通道数，c2表示特征向量Mi+1的通道数；

步骤2.1.2.3：对特征向量AConv进行conv_1卷积操作获得特征层AConv1，如式(2)所示：其中，ω(c2,1×1)表示conv_1卷积操作函数，该卷积操作的核为1×1，通道数c为c2，AConv1的大小为w*h*c2；

步骤2.1.2.4：对特征AConv1进行分别进行ReLU函数、conv_2卷积函数和Sigmoid函数操作获得特征层Asig，如式(3)所示：ASig＝σ(ω(c1,1×1)(ReLU(AConv1)))                  (3)其中，ReLU(·)表示ReLU函数，ω(c,1×1)表示conv_2卷积操作函数，该卷积操作的核为1×1，通道数c为c1，σ(·)表示Sigmoid激活函数，则特征向量Asig的大小为w*h*c1；

步骤2.1.2.5：将Asig和Mi+1两个特征矩阵相乘，获得注意力模块的输出特征向量Mi，如式(4)所示：其中，Mi特征大小为w×h，通道数为c1；

步骤2.1.2.6：对注意力模块的输出特征向量Mi进行conv的卷积操作，获得含注意力机制的AFPN网络的输出特征Pi，如式(5)所示：Pi＝ω(c,3×3)(Mi)                            (5)其中，ω(c,3×3)表示conv卷积操作函数，该卷积操作的核为3×3，通道数c为c1，Pi特征层的大小为w*h*c1；

步骤2.1.3：区域建议网络，根据特征输出Pi生成建议区域，进行特征提取；

步骤2.1.4：区域特征对齐网络，进行特征图不同点采样，并应用双线性插值获取尺寸为7*7的感兴趣区域；

步骤2.1.5：分支预测网络，获取边界区域信息、类别信息和掩膜集合B，B＝{buv|u＝1,

2,…,H,v＝1,2,…,W}，对于集合B中的任意元素buv表示图像I中第u行、第v列的像素是否为托盘区域，buv＝1表示为托盘区域，否则为非托盘区域；

步骤2.1.6：损失函数的设计如式(6)所示：

Loss＝Lcls+Lbbox+Lmask                          (6)其中，Lcls表示目标的分类损失值，Lbbox表示边界区域的回归损失值，Lmask表示掩模的损失值；

步骤2.2：卷积网络的训练，采用MSCOCO数据集对网络进行预训练，在预训练模型的基础上，利用所述的RGB‑D相机采集的托盘图像构成数据集，在该数据集基础上进行迁移学习，得到托盘检测模型M，其中，训练工具为pytorch，优化器为SGD；

步骤2.3：托盘分割，对于输入卷积神经网络的任意图像I，获得输出的掩模图像B，根据图像I与点云数据集合S中的对应关系集合IS，获得托盘点云数据集合SS，具体步骤包括：步骤2.3.1：遍历掩膜集合B中元素buv，对于满足buv＝1的标识u和v记为u*和v*；

步骤2.3.2：遍历图像与点云对应关系集合IS，将集合IS中所有满足式(7)的元素i构成托盘点云标识集合并记作集合F＝{fj|j＝1,2,...,V}；

其中，V表示集合F中元素个数，即托盘像素点的个数；

步骤2.3.3：遍历集合F和点云集合S，将集合S中所有满足式(8)的三元组(xi,yi,zi)构成托盘点云集合并记作SS＝{(xk,yk,zk)|k＝1,2,...,K}；

其中，K表示托盘点云集合SS中点的数目；

步骤3：托盘位姿估计，采用主成分分析估计点云集合SS的法向量，并根据如式(9)计算托盘的具体位姿：其中，xk∈SX、yk∈SY、zk∈SD、(xk,yk,zk)∈SS、SX＝{xk|i＝1,2,...,K}、SY＝{yk|i＝1,

2,...,K}、SD＝{zk|i＝1,2,...,K}，SX、SY和SD是从点云集合SS中提取的x，y和z方向坐标值的集合，K表示点云集合SS中点的数目，V(·)代表基于主成分分析的法向量函数，(d,l,s)分别表示托盘前端面中心点相对于叉车的相对位置，θ表示托盘前端面相对于叉车的朝向姿态。