1.一种基于虚拟训练的机器人智能抓取方法，其特征在于，包括以下步骤：
S1、搭建机器人虚拟操作平台并对其采用域随机化算法进行随机化，获取机器人的状态与所处的环境信息并经过预处理作为机器人操作的输入，构建训练机器人抓取操作的输入数据；
S2、搭建基于全卷积神经网络(Fully Convolutional Networks)框架的深度特征提取网络主干，将输出的特征与机器人的关节角状态信息进行融合，得到深度特征提取网络；
S3、基于步骤S2搭建的深度特征提取网络，结合基于马尔可夫决策过程的Q学习算法构建深度强化学习模型；
S4、对步骤S3中构建的深度强化学习模型进行训练，得到训练好的深度强化学习模型；
S5、将现实世界中的机器人关节角状态与环境信息输入步骤S4中训练好的深度强化学习模型，生成抓取控制的输出，统计并返回成功抓取次数与总次数的比值作为结果指标。
2.根据权利要求1所述的一种基于虚拟训练的机器人智能抓取方法，其特征在于，所述步骤S1具体包括以下步骤：
S1.1、搭建机器人虚拟操作平台并对其采用域随机化算法进行随机化；
S1.2、将步骤S1.1中随机化采样的平均值设置为接近真实世界的估计值；在时刻t通过相机获取操作台上的图像数据，对图像数据进行筛选，去除其中不包括操作台在内的图片，并记录机器人的关节角信息，得到数据Dt＝{xt,qt}，其中，xt表示时刻t的获取的4通道图像融合数据，包括一个三通道的RGB彩色图与单通道的高度图像，qt＝{qt1,qt2,qt3,…,qtm}为当前时刻t机器人的关节角度信息，范围在(-π,π)之间并且受到特定机器人活动范围的限制，m表示关节数量，qtm是表示t时刻第m个关节的角度；
S1.3、对步骤S1.2所述图像融合数据进行预处理，将数据集中的图像大小重置为H×W像素，并进行去均值以及像素值归一化操作；在深度图像预处理方面，为了避免当前区域背景中的其他非相关物体形成对深度信息的干扰，在每次预处理中，将当前场景的深度信息减去背景图像的深度信息，并结合物体的几何尺寸特征，将深度信息中的极端深度数据归零，以除去深度信息中由于深度相机误差导致的极端噪声值，所述极端深度数据指深度数值小于参考平面即操作台和大于操作对象尺寸2.5倍处深度信息的数据；由于采用的深度相机所获取的深度信息存在稀疏的异常值，利用异常值的稀疏性，采用中值滤波对深度信息进行平滑处理，完成训练机器人抓取操作的输入数据的构建。
3.根据权利要求2所述的一种基于虚拟训练的机器人智能抓取方法，其特征在于，步骤S1.1中，域随机化包括以下方面：
(1)、操作台即桌子上放置的物体的数量和形状；
(2)、操作台上物体放置的位置与物体的纹理特征；
(3)、操作台、机器人、灯光、相机以及周围屏障如地板的纹理；
(4)、相机的位置、方向与视野；
(5)、场景中灯光的位置、方向与灯光色调；
(6)、添加到图像场景中的随机噪声的数量和类型；
域随机化采样服从正太分布或均值分布。
4.根据权利要求2所述的一种基于虚拟训练的机器人智能抓取方法，其特征在于，步骤S1.2中，所述通过相机获取操作台上的图像数据包括对操作台即桌子上放置的物体的数量和形状、操作台上物体放置的位置与物体的纹理特征、操作台、机器人、灯光、相机以及周围屏障如地板的纹理采用标准正态分布进行抽样，对相机的位置、方向与视野、场景中灯光的位置、方向采用均匀分布进行抽样，对添加到场景中的随机噪声采用高斯白噪声。
5.根据权利要求1所述的一种基于虚拟训练的机器人智能抓取方法，其特征在于，步骤S2中，所述基于全卷积神经网络(Fully Convolutional Networks)框架的深度特征提取网络主干如下：
Input(H*W)->Conv_Block1->Conv_Block2->Conv_Block3->Conv_Block4->Conv_Block5->Conv_Block6->Conv_Block7；
其中，Input(H*W)表示高为H,宽为W像素的输入图像，H和W的取值范围为112～672，其中Conv_Block1～Conv_Block7分别为一系列搭建深度特征提取网络主干的卷积操作的集合，即卷积块，具体如下：
Conv_Block1:Conv2d(4,64,3,padding＝1)->ReLU(inplace＝True)->Conv2d(64,64,
3,padding＝1)->ReLU(inplace＝True)->MaxPool2d(2,stride＝2,ceil_mode＝True)；
Conv_Block2:Conv2d(64,128,3,padding＝1)->ReLU(inplace＝True)->Conv2d(128,
128,3,padding＝1)->ReLU(inplace＝True)->MaxPool2d(2,stride＝2,ceil_mode＝True)；
Conv_Block3:Conv2d(128,256,3,padding＝1)->ReLU(inplace＝True)->Conv2d(256,256,3,padding＝1)->ReLU(inplace＝True)->Conv2d(256,256,3,padding＝1)->ReLU(inplace＝True)->MaxPool2d(2,stride＝2,ceil_mode＝True)；
Conv_Block4:Conv2d(256,512,3,padding＝1)->ReLU(inplace＝True)->Conv2d(512,512,3,padding＝1)->ReLU(inplace＝True)->Conv2d(512,512,3,padding＝1)->ReLU(inplace＝True)->MaxPool2d(2,stride＝2,ceil_mode＝True)；
Conv_Block5:Conv2d(512,512,3,padding＝1)->ReLU(inplace＝True)->Conv2d(512,512,3,padding＝1)->ReLU(inplace＝True)->Conv2d(512,512,3,padding＝1)->ReLU(inplace＝True)->MaxPool2d(2,stride＝2,ceil_mode＝True)；
Conv_Block6:Conv2d(512,4096,3)->ReLU(inplace＝True)->Dropout2d()；
Conv_Block7:Conv2d(4096,256,1)->ReLU(inplace＝True)->Dropout2d()；
其中，Conv2d(in_channels,out_channels,kernel_size,padding)表示输入通道数为in_channels，输出通道数为out_channels，卷积核大小为kernel_size，边缘填充值为padding的二维卷积操作；ReLU(inplace＝True)表示允许原地置换操作的激活函数；
MaxPool2d(kernel_size,stride,ceil_mode＝True)表示池化窗口大小为kernel_size，步长大小为stride，采取上取整模式ceil_mode的二维极大值池化操作；Dropout2d(p)表示概率为1-p使得权重参数为0的dropout层操作p是属于0～1之间的任意实数；符号->表示上述各个操作之间的前后顺序关系；
所述深度特征提取网络主干的各层输入输出信息描述如下：
由于Conv_Block1～Conv_Block5中存在步长大小为2的最大值池化操作，因此每次输入特征图大小为输出的尺寸的1/2，所以卷积块Conv_Block5输出的特征图大小为输入图像尺寸的1/32，即512个7*7图像块；卷积块Conv_Block5输出的特征图进入卷积块Conv_Block6后的输出为4096个5*5的图像块，进一步经过卷积块Conv_Block7后的输出为256个
5*5的图像块；由于输入的图像融合数据的通道数为4，因此Conv_Block1中第一个二维卷积操作输入通道in_channels为4。
6.根据权利要求1所述的一种基于虚拟训练的机器人智能抓取方法，其特征在于，步骤S2中，所述深度特征提取网络是将深度特征提取网络主干的输出展开之后与机器人的状态信息相融合；深度特征提取网络主干表示为Convs(inputt；θt)，其输出记为It∈Rb*c*h*w，即It＝Convs(inputt；θt)；其中，inputt代表时刻t的输入图像，θt代表深度特征提取网络的可训练参数，Rb*c*h*w代表深度特征提取网络的输出It属于的空间维度，进一步的，b表示机器人抓取过程的分阶段数，c表示卷积神经网络输出的特征图的通道数，h和w分别是输出的特征图的高和宽；构造深度特征提取网络包括如下步骤：
S2.1、ft＝Flatten(It)，表示将得到的二维特征图输出It展开为一维特征向量ft∈R1*A,其中A＝c*h*w；
S2.2、ct＝Concat(ft,qt)，表示拼接融合特征向量ft与机器人当前状态向量qt，得到ct＝R1*(A+m)；
S2.3、ht＝LSTM(cy,ht-1|θt)，表示将一维特征向量ct输入长短时记忆网络，其中，在任意一个训练阶段的起始，记忆网络的初始状态都为标准正态分布。
7.根据权利要求1所述的一种基于虚拟训练的机器人智能抓取方法，其特征在于，步骤S3具体包括以下步骤：
S3.1、将步骤S2.3所述递归长短时记忆网络的输出记为Oτ，通过归一化指数函数Softmax()和前连接线性变换将输出Oτ映射成为机械臂对不同动作的选择概率pt和对应动作下机器人的状态表示st，即
st＝Fully_Linear(Oτ)；
其中，i＝1,…,τ，τ为对机械臂输出动作预测的数量，完成对输入视觉信息与机器人状态信息的编码；
S3.2、对步骤S3.1中得到的机器人的状态表示st，结合基于马尔可夫过程的Q学习算法,将其建模为在时间t下，全卷积网络对RGB彩色图像和深度图像的特征提取以及长短时记忆网络对机器人关节角状态与图像特征的序列模型，最后通过全连接编码形成智能体的状态表示，其中彩色图像与深度图像经过步骤S1.3所述的预处理；
S3.3、采用Smooth L1损失函数作为模型整体的目标损失函数，目标损失函数的公式如下：
其中ρ为正的实常数，是一个可以调整的阈值，至此完成深度强化学习模型的构建。
8.根据权利要求7所述的一种基于虚拟训练的机器人智能抓取方法，其特征在于，步骤S3.2，结合介于马尔可夫过程的Q学习算法将机器人的状态表示st建模为在时间t下，全卷积网络对RGB彩色图像和深度图像的特征提取以及长短时记忆网络对机器人关节角状态与图像特征的序列模型，包括如下步骤：
S3.2.1、在时间t以及当前状态st下，智能体即机器人根据给定策略πt选择并执行一个动作at，然后立即转换到新的状态st+1并收到相应的奖励 定义累计收益为Gt,权值衰减指数为γ，展开如下：
定义累计收益的期望如下：
E(s)＝E[Gt|St＝s]；
进一步得：
E(s)＝E[Gt|St＝s]
＝E[Rt+1+γRt+2+…+γkRt+k+1+…|St＝s]
＝E[Rt+1+γ(Rt+2+…+γk-1Rt+k+1+…)|St＝s]
＝E[Rt+1+γGt+1|St＝s]；
其中，k表示对累计收益的求和序号，s代指当前的状态；
上述公式为贝尔曼方程，表示了当前状态的价值的期望与当前的反馈和下一时刻状态的关系；
S3.2.2、使用离线的Q学习方法训练一个贪婪的决策策略πt，该策略通过最大化动作-价值函数即Q函数选择相应的动作at；通过迭代计算来降低Q函数Q(st,at)和gt之间的误差：
et＝|Q(st,at)|-gt；
其中gt为Q函数Q(st,at)的目标值：
其中，表示所有可选动作的集合， 代表使得目标值取最大的可选动作的集
合 中的最优动作a*。
9.根据权利要求1所述的一种基于虚拟训练的机器人智能抓取方法，其特征在于，步骤S4具体如下：
对所述深度强化学习模型采用随机梯度下降进行权重更新，设定初始学习率为lr0，学习率变化的底数为μ，学习率变化的间隔数为stepsize，最大训练迭代次数为itermax，学习速率的更新方式为梯度递减，利用以下公式进行更新：
lr＝lr0*μ(iter-stepsize)；
其中lr表示当前学习率，iter表示当前迭代步数；所述权重更新如下：
其中θ和L分别为深度强化学习模型的所有可训练参数和步骤S3.4中的目标损失函数，←运算符表示参数的权值更新操作，当迭代步数iter＝itermax时，终止迭代，完成深度强化学习模型的训练过程。
10.根据权利要求1所述的一种基于虚拟训练的机器人智能抓取方法，其特征在于，步骤S5包括以下步骤：
S5.1、将现实世界中的机器人与操作台、相机、操作对象按与步骤S1中搭建的机器人虚拟操作平台相似的相对关系摆放；
S5.2、在真实场景下对步骤S4中的训练好的深度强化学习模型进行测试，评估该模型对操作对象的视觉定位与抓取效果；
S5.3、分别统计并返回成功抓取次数n1与总次数n2的比值Ratio＝n1/n2作为结果指标。