1.一种基于潜在图预测无监督学习框架的视觉里程计方法，其特征在于，包括以下步骤：（1）获取当前作业环境的RGB图像，并进行预处理，获得预处理后作业环境的RGB图像；

（2）对预处理后作业环境的RGB图像进行改进的潜在图预测处理，通过潜在图预测模型处理后，进行潜在图预测损失优化，得到潜在图预测后作业环境的RGB图像；潜在图预测模型的公式如下：，

，

，

，

，

，

其中： 为预处理后作业环境的RGB图像的图矩阵数据；为预处理后作业环境的RGB图像的潜在图矩阵数据的邻接矩阵； 为预处理后作业环境的RGB图像潜在图矩阵数据的特征矩阵； 为预处理后作业环境的RGB图像的潜在图矩阵数据；为潜在图预测模型处理后作业环境的RGB图像的特征矩阵； 为潜在图预测模型处理后作业环境的RGB图像的节点嵌入； 为预处理后作业环境的RGB图像的潜在图矩阵数据的邻接矩阵与特征矩阵的联合节点集； 为潜在图预测模型处理后作业环境的RGB图像的重合节点嵌入；

为预处理后作业环境的RGB图像的潜在图矩阵数据的邻接矩阵与潜在图预测模型处理后作业环境的RGB图像的特征矩阵的联合节点集； 为预处理后作业环境的RGB图像的图矩阵数据与特征矩阵编码结果最小值；为潜在图预测模型的解码器函数； 为潜在图预测模型的编码器函数；为潜在图预测模型处理后作业环境的RGB图像的元素均方差；为潜在图预测模型处理后作业环境的RGB图像的归属节点；为潜在图预测模型处理后作业环境的RGB图像的元素集合；

（3）对潜在图预测后作业环境的RGB图像进行图像分层，并逐层执行数据增强和伪标签算法处理，得到潜在图预测无监督学习框架下含作业环境的RGB图像；数据增强的公式为：，

，

其中， 为数据增强函数，为潜在图预测后作业环境的RGB图像的图像块， 为潜在图预测后作业环境的RGB图像的图像块的均值，为数据增强后作业环境的RGB图像的图像块， 为数据增强后作业环境的RGB图像的图像块的均值， 为数据增强后作业环境的RGB图像的图像块的均值权重参数， 为潜在图预测后作业环境的RGB图像的图像块与数据增强后作业环境的RGB图像的图像块的协方差， 为潜在图预测后作业环境的RGB图像的图像块的标准差， 为数据增强后作业环境的RGB图像的图像块的标准差， 为数据增强后作业环境的RGB图像的图像块的方差权重参数；

所述伪标签算法处理针对潜在图预测输出的联合节点集合，进行联合特征集的提取，对联合特征集使用聚类算法生成伪标签；联合特征集及聚类算法公式如下：，

，

，

，

，

其中， 为潜在图预测输出的联合节点集合，为潜在图预测输出的联合节点数，为潜在图预测输出的第 个联合节点， 为潜在图预测无监督学习框架下含作业环境的RGB图像的伪标签集， 为潜在图预测无监督学习框架下含作业环境的RGB图像的第 个伪标签， 为潜在图预测输出的第 个联合节点与第 个联合节点之间的距离， 为潜在图预测输出的联合节点横向数量， 为潜在图预测输出的联合节点纵向数量， 为潜在图预测输出的第 个联合节点中的联合特征集， 为潜在图预测输出的第 个联合节点中的联合特征集， 为 和 的欧氏距离， 为聚类算法函数，为潜在图预测输出的联合节点中的联合特征集，为聚类个数， 为潜在图预测输出的联合特征集， 为潜在图预测输出的联合特征集中第I 个簇，为潜在图预测输出的联合特征集中簇的集合的元素；

（4）根据所述的潜在图预测无监督学习框架下含作业环境的RGB图像，通过区域增长算法剔除动态目标的类点云信息，实现潜在图预测无监督学习框架下的视觉里程计。

2.根据权利要求1所述的视觉里程计方法，其特征在于，所述步骤（1）中对当前作业环境的RGB图像进行预处理包括畸变矫正和畸变矫正后的高斯滤波；对当前作业环境的RGB图像进行畸变矫正具体为：根据畸变模型解二元高阶非线性方程组，通过牛顿叠代法得到畸变矫正后的当前作业环境的RGB图像；畸变模型的公式如下:；

；

；

；

；

其中， 为相机坐标系空间一点在当前作业环境的RGB图像投影中畸变系数迭算后的横坐标值； 为相机坐标系空间一点在当前作业环境的RGB图像投影中畸变系数迭算后的纵坐标值； 为当前作业环境的RGB图像的一阶径向和切向畸变系数； 为当前作业环境的RGB图像的二阶径向和切向畸变系数；为相机坐标系空间一点在当前作业环境的RGB图像投影中的横坐标与纵坐标平方和的平方根；为相机坐标系空间一点在当前作业环境的RGB图像投影中的横坐标；为相机坐标系空间一点在当前作业环境的RGB图像投影中的纵坐标； 为相机坐标系空间一点在当前作业环境的RGB图像投影中的横坐标的牛顿法函数；为相机坐标系空间一点在当前作业环境的RGB图像投影中的纵坐标的牛顿法函数； 为畸变矫正后的当前作业环境的RGB图像投影中第 个像素点的横坐标值； 为畸变矫正后的当前作业环境的RGB图像投影中第 个像素点的纵坐标值； 为畸变矫正后的当前作业环境的RGB图像投影中第 个像素点的横坐标值； 为畸变矫正后的当前作业环境的RGB图像投影中第 个像素点的纵坐标值； 为雅可比式在点处的值。

3.根据权利要求2所述的视觉里程计方法，其特征在于，对畸变矫正后的当前作业环境的RGB图像进行高斯滤波具体为：通过预设大小的高斯卷积核扫描RGB图像中的每一个像素，将得到的每一个像素的高斯卷积核做归一化处理，计算高斯滤波后高斯卷积核内中心点的值，即获得预处理后作业环境的RGB图像；高斯卷积核公式为：，

其中： 为二维高斯函数；为畸变矫正后的当前作业环境的RGB图像的高斯卷积核内一点的横坐标；为畸变矫正后的当前作业环境的RGB图像的高斯卷积核内一点的纵坐标；为畸变矫正后的当前作业环境的RGB图像的像素标准差。

4.根据权利要求3所述的视觉里程计方法，其特征在于，所述步骤（2）中潜在图预测损失优化的公式如下：，

，

，

其中： 为潜在图损失优化编码器系数； 为潜在图损失优化解码器系数； 为潜在图损失优化编码权重； 为潜在图预测模型处理后作业环境的RGB图像的总节点数；

为潜在图预测模型处理后作业环境的RGB图像的矩阵数量； 为潜在图预测模型的编码器函数； 为潜在图预测模型处理后作业环境的RGB图像的第 个邻接矩阵； 为潜在图预测模型处理后作业环境的RGB图像的第 个特征矩阵； 为潜在图预测模型处理后作业环境的RGB图像的第 个归属节点； 为潜在图损失优化解码权重； 为潜在图预测模型的解码器函数；为潜在图预测模型处理后作业环境的RGB图像的元素集合；为潜在图损失优化。

5.根据权利要求4所述的视觉里程计方法，其特征在于，所述步骤（4）中通过潜在图预测无监督学习框架下含作业环境的RGB图像获得动态目标的点云，区域增长算法对获得的动态目标的点云进行扫描，得到作业环境中的动态点云以及与其相邻的非动态点云，并确定生长点，基于局部特征描述子的边缘特征提取确立生长边界，局部特征描述子采用点特征直方图，点特征直方图通过描述点云表面的特征信息从而进行特征点提取，对参与构网的种子点向外扩展延伸，确定原始点云的外边界，从边界各向外扩展一层新的虚拟网格，扩展的虚拟网格与边界内的网格具有相同的尺寸，在每个扩展的网格中心内插一个虚拟种子点，搜索虚拟种子点的邻近格网，确定种子点，根据种子点信息的边界阈值，对区域增长内的动态点云进行滤除，实现潜在图预测无监督学习框架下的视觉里程计。

6.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。