1.基于深度学习的多智能体三维视觉协同定位方法，其特征在于，所述方法，包括：获取各单智能体的图像数据导入深度预测网络中，得到各单智能体深度图并进行分析，得到各单智能体图像数据的深度重投影误差因子，判断各单智能体图像数据的感知差异，动态调整深度预测网络的学习率，并对各单智能体深度图进行更新；将更新后的深度图输入至位姿回归分支进行迭代，对迭代过程进行分析，得到各单智能体的深度图迭代的波动因子，动态调整迭代步长和阻尼因子，并对多智能体的位姿再优化；对各单智能体的共视区域进行异常观测判断，得到各单智能体的异常观测结果，并对各单智能体的共视区域的异常观测结果进行异常处理，构建各智能体的三维视觉地图。
2.根据权利要求1所述的基于深度学习的多智能体三维视觉协同定位方法，其特征在于，所述得到各单智能体图像数据的深度重投影误差因子，具体过程为：对各单智能体深度图进行像素区域划分，得到各单智能体深度图的各像素子区域，采集各单智能体深度图的各像素子区域的深度值方差、平均像素投影偏差以及预测深度在投影到相邻帧中时与实际观测之间的平均像素偏差，记为像素重投影误差均值；将各单智能体深度图的各像素子区域的深度值方差与数据库中存储的深度值界定方差、平均像素投影偏差与数据库中存储的像素投影界定偏差以及像素重投影误差均值与数据库中存储的像素重投影界定误差分别进行占比分析并引入权重系数得到各单智能体图像数据的深度重投影误差因子，所述各单智能体图像数据的深度重投影误差因子用于量化各单智能体在不同像素子区域内深度预测的准确性与稳定性。
3.根据权利要求1所述的基于深度学习的多智能体三维视觉协同定位方法，其特征在于，所述动态调整深度预测网络的学习率，并对各单智能体深度图进行更新，具体过程为：预设重投影误差滑动监测窗口，在重投影误差滑动监测窗口中得到各单智能体图像数据的深度重投影平均误差因子，将各单智能体图像数据的深度重投影平均误差因子与数据库中预设的深度重投影平均误差因子区间进行比对，若某单智能体图像数据的深度重投影平均误差因子高于深度重投影平均误差因子区间上限，则将学习率增加后对各单智能体深度图进行更新，若某单智能体图像数据的深度重投影平均误差因子低于深度重投影平均误差因子区间下限，则将学习率减小后对各单智能体深度图进行更新，若某单智能体图像数据的深度重投影平均误差因子在深度重投影平均误差因子区间内，则维持原学习率直接对各单智能体深度图进行更新。
4.根据权利要求1所述的基于深度学习的多智能体三维视觉协同定位方法，其特征在于，所述得到各单智能体的深度图迭代的波动因子，具体过程为：获取迭代过程中各相邻两次迭代中各单智能体相机位姿变化量、残差下降速率、位姿欧氏距离以及各单智能体图像数据的深度重投影误差因子；将各相邻两次迭代中各单智能体相机位姿变化量与数据库中存储的相机位姿变化界定量、残差下降速率与数据库中存储的残差下降界定速率、位姿欧氏距离与数据库中存储的全局收敛参考值，分别进行占比分析并引入权重系数以及各单智能体图像数据的深度重投影误差因子，得到各单智能体的深度图迭代的波动因子，所述各单智能体的深度图迭代的波动因子用于量化当前迭代过程中的收敛稳定性与优化效果。
5.根据权利要求1所述的基于深度学习的多智能体三维视觉协同定位方法，其特征在于，所述动态调整迭代步长和阻尼因子，并对多智能体的位姿再优化，具体过程为：获取各单智能体的深度图迭代的波动因子，并与数据库中设定的智能体的深度图迭代的波动因子区间进行比对，若某单智能体的深度图迭代的波动因子高于智能体的深度图迭代的波动因子区间的上限，则增加迭代步长并减小阻尼因子，对各智能体的相机位姿和三维点坐标进行联合优化，若某单智能体的深度图迭代的波动因子低于智能体的深度图迭代的波动因子区间的下限，则减小迭代步长并增加阻尼因子，对各智能体的相机位姿和三维点坐标进行联合优化，若某单智能体的深度图迭代的波动因子在智能体的深度图迭代的波动因子区间内，则保持其迭代步长和阻尼因子数值不变，直接对各智能体的相机位姿和三维点坐标进行联合优化。
6.根据权利要求1所述的基于深度学习的多智能体三维视觉协同定位方法，其特征在于，所述对各单智能体的共视区域进行异常观测判断，具体过程为：获取各单智能体的共视区域，将各智能体划分为若干组别，提取各组别各单智能体的深度图迭代的波动因子以及各组别的深度图迭代的波动因子平均值，以各组别的深度图迭代的波动因子平均值为中心，并以预设两倍标准差的范围作为该组别的深度图迭代的波动因子的正常区间，若某单智能体的深度图迭代的波动因子超出所属组别的深度图迭代的波动因子的正常区间，则将该单智能体标记为第一异常智能体，由此得到各第一异常智能体。
7.根据权利要求6所述的基于深度学习的多智能体三维视觉协同定位方法，其特征在于，所述得到各单智能体的异常观测结果，具体过程为：统计第一异常智能体在各组别中的标记数目，并与数据库中存储的异常智能体标记数目阈值进行比对，若某第一异常智能体在所属组别中的标记数目高于或等于异常智能体标记数目阈值，则将该第一异常智能体的异常观测结果设为异常观测智能体，由此得到各异常观测智能体，若某第一异常智能体在各组别中的标记数目低于异常智能体标记数目阈值，则不需要将该第一异常智能体的异常观测结果设为异常观测智能体。
8.根据权利要求7所述的基于深度学习的多智能体三维视觉协同定位方法，其特征在于，所述对各单智能体的共视区域的异常观测结果进行异常处理，具体过程为：提取各异常观测智能体，将各异常观测智能体在当前共视区域暂时移除，并将各异常观测智能体的剔除状态记录在异常索引表中，并在后续迭代中持续监测各异常观测智能体的深度图迭代的波动因子，当各异常观测智能体的深度图迭代的波动因子重新达到正常区间内时，将其观测数据重新并入联合图优化。
9.根据权利要求1所述的基于深度学习的多智能体三维视觉协同定位方法，其特征在于，所述构建各智能体的三维视觉地图，具体过程为：提取更新后的各单智能体深度图、优化后的相机位姿与深度图为基础，对可见区域内的三维点进行空间重建，形成统一的多智能体全局三维视觉地图。
10.应用如权利要求1-9任意一项所述的基于深度学习的多智能体三维视觉协同定位方法的系统，包括：自适应深度优化模块，用于获取各单智能体的图像数据导入深度预测网络中，得到各单智能体深度图并进行分析，得到各单智能体图像数据的深度重投影误差因子，判断各单智能体图像数据的感知差异，动态调整深度预测网络的学习率，并对各单智能体深度图进行更新；位姿回归与稳态调节模块，用于将更新后的深度图输入至位姿回归分支进行迭代，对迭代过程进行分析，得到各单智能体的深度图迭代的波动因子，动态调整迭代步长和阻尼因子，并对多智能体的位姿再优化；协同观测异常处理与地图构建模块，用于对各单智能体的共视区域进行异常观测判断，得到各单智能体的异常观测结果，并对各单智能体的共视区域的异常观测结果进行异常处理，构建各智能体的三维视觉地图。
