1.一种基于卷积神经网络可微分结构搜寻的机器人智能抓取方法，其特征在于，该方法包括如下步骤：(1)构建抓取姿态生成网络的训练集和验证集，所述训练集和验证集均包括网络输入和输出，所述网络输入为RGB-D图像，输出为每个像素点对应的抓取质量Q、抓取角度 抓取开度W；(2)构造由多个节点组成的链式搜索空间，确定节点之间的候选卷积计算操作；(3)松弛化离散的链式搜索空间至连续；将原先节点之间的操作都赋予归一化的连续变量α，使离散操作用连续变量α来表示；具体计算方法是将节点之间每个有向箭头线都乘以对应的变量α，然后将得到的结果求和作为最终的计算结果，计算公式为：其中，e为自然对数，x j 为第j个节点的输出， 为第j个节点中第i个操作变量， 为第j个节点中第i个操作方程； 第j个节点中包含的操作数目；(4)将神经网络计算速度和精度同时作为优化目标，建立基于梯度的神经网络双层优化模型，所述双层优化模型包括内层优化和外层优化，其中，所述内层优化为采用训练集训练神经网络所有权重系数w；所述外层优化为根据训练后的神经网络所有权重系数w * ，采用验证集训练神经网络操作变量α；然后挑选操作变量α组成卷积神经网络，并用训练集重新训练权重系数，得到具有最优参数的抓取姿态生成网络；(5)将由位于机器人末端的深度相机拍摄的RGB-D图像输入具有最优参数的抓取姿态生成网络，输出与输入图像长宽一致的每一个像素点所对应的包含抓取质量Q、抓取角度 抓取开度W的三张单通道特征图像；(6)从步骤(5)得到的图像中选取抓取质量Q最大的像素点，把该像素点的位置作为抓取框的中心位置，再由上位机控制机器人和机械爪完成对物体的抓取。
2.根据权利要求1所述的基于卷积神经网络可微分结构搜寻的机器人智能抓取方法，其特征在于，所述步骤(1)中的训练集和验证集的获得是基于现有的机器人智能抓取数据集给出的RGB-D图像和成功进行物体抓取的抓取框，生成每个像素点的抓取质量Q、抓取角度 抓取开度W，并对这三个特征进行如下的预处理：将每个抓取框沿着抓取宽度方向平均分为三部分，将位于中心的一部分填充抓取质量q为1，填充每个抓取框相对于图片的转动角度φ，填充抓取开度w；其中，φ取值在 内，w取值在[0，150]；将位于两侧的两个部分填充抓取质量q为0。
3.根据权利要求1所述的基于卷积神经网络可微分结构搜寻的机器人智能抓取方法，其特征在于，所述链式搜索空间由多个节点组成，每个节点表示经过计算操作后的中间结果，节点之间通过有向箭头线进行连接，有向箭头线表示所有可能的候选神经网络计算操作；所述神经网络计算操作指两个节点之间采用不同尺寸的卷积核和不同数目的卷积层进行计算的操作；节点之间都采用链式连接方式，从而最大化地利用计算资源加快优化算法收敛速度。
4.根据权利要求1所述的基于卷积神经网络可微分结构搜寻的机器人智能抓取方法，其特征在于，所述内层优化为在所有神经网络节点之间操作变量α确定的情况下，采用训练集计算损失函数来训练神经网络所有权重系数w；所述外层优化为基于训练后的神经网络所有权重系数w * ，采用验证集计算损失函数来训练神经网络操作变量α；具体计算如公式(2)和(3)，其中，公式(3)是内层优化函数，公式(2)是外层优化函数：为了将计算精度与时间同时作为优化目标，在外层优化函数中引入了延迟因子，延迟因子通过计算当前神经网络浮点计算数与目标神经网络浮点计算数的商来调整损失函数其中， 为采用验证集计算的损失函数； 为采用训练集计算的损失函数；F为神经网络浮点计算数的方程；m为离散化得到神经网络的结构；T为设定的目标浮点计算数；ω为控制延迟因子影响大小的常量。
5.根据权利要求4所述的基于卷积神经网络可微分结构搜寻的机器人智能抓取方法，其特征在于，所述的步骤(4)中，为了使外层函数更快确定正确的收敛梯度，将内层函数计算迭代至接近收敛再更新外层函数；同时，通过观测多次内层函数迭代所得损失集来判断是否收敛，从而避免优化过程停止在局部最优解；内层函数的收敛标准定义如下：其中，其中，n为每组中的内层函数计算次数，G k 为第k个内层函数损失值集合， 为第k个内层函数损失值集的均值， 为第k个内层函数损失值集的最大值， 为第k个内层函数损失值集的最小值，w i 为第i个优化迭代所得网络的权重系数，ε 1 为损失函数集波动收敛阈值，ε 2 为损失函数集均值收敛阈值。
6.根据权利要求5所述的基于卷积神经网络可微分结构搜寻的机器人智能抓取方法，其特征在于，所述的步骤(4)中，在优化完成后，对神经网络的操作变量α进行排序，挑选拥有最高α值的唯一操作或者挑选α值较高的前几个操作组成复合的卷积神经网络，并用训练集重新训练权重系数w，得到训练后的神经网络。
7.根据权利要求1所述的卷积神经网络可微分结构搜寻的机器人智能抓取方法，其特征在于，所述机器人所在的物理抓取环境包括物理机器人、二指平行自适应夹爪、深度相机以及待抓取物体集合；所述二指平行自适应夹爪和深度相机均固定在所述物理机器人的末端，且运动过程中，两者的相对位置不变；所述二指平行自适应夹爪垂直于抓取平面。
