1.一种用于分拣堆叠多目标的机器人抓取姿态任务规划方法，其特征在于，具体包括以下步骤：

S1、通过双目视觉系统获取成像范围内物件的图像，得到若干张待识别图像；

S2、对所述待识别图像进行预处理；

S3、对预处理后的待识别图像中的物件进行标注框标定，并采用YOLO v4算法对所述物件进行外轮廓特征提取；

S4、构建Faster R‑CNN网络模型，将所述物件的外轮廓特征输入到所述Faster R‑CNN网络模型中进行训练和优化，得到物件定位模型，输出每个物件的位置信息；

S5、基于S3～S4，采用图像信息感知技术对分拣机器人进行任务分区和工作顺序确定；

S6、基于所述S5，对分拣机器人抓取目标物的路径进行规划，所述分拣机器人根据所述工作顺序和规划路径进行抓取和分拣。

2.根据权利要求1所述的用于分拣堆叠多目标的机器人抓取姿态任务规划方法，其特征在于，所述S3具体为：

S31、将预处理后的待识别图像按照比例划分为训练集和测试集；

S32、对所述训练集和测试集的物件分别进行标准框标定；

S33、采用YOLOv4算法对标定后的所述训练集和测试集中的物件外轮廓特征分别进行提取。

3.根据权利要求2所述的用于分拣堆叠多目标的机器人抓取姿态任务规划方法，其特征在于，所述S4具体为：

S41、构建Faster R‑CNN网络模型，将所述训练集的外轮廓特征输入到所述Faster R‑CNN网络模型中进行训练；

S42、通过神经元节点识别结果的实时反馈，对所述Faster R‑CNN网络模型进行参数优化，得到训练后的Faster R‑CNN网络模型；

S43、将所述测试集的外轮廓特征输入到所述训练后的Faster R‑CNN网络模型进行验证，当输出结果精度达到设定阈值，则得到目标物体定位模型；

S44、利用所述目标物体定位模型对每个物件进行定位，输出每个物件的位置信息。

4.根据权利要求2所述的用于分拣堆叠多目标的机器人抓取姿态任务规划方法，其特征在于，所述S5具体为：

S51、根据所述S3的物件外轮廓特征，确定目标物的抓取类型，并根据所述抓取类型对分拣任务进行分区；

S52、确定分拣工作顺序，并根据所述S4中的每个物件的位置信息规定分拣起始位置和统计分拣顺序的路径长度；

S53、将所述S4中的每个物件的位置信息传输至分拣机器人上位机控制器，所述控制器根据接收到的位置信息获取实际物件的位置，并确定分拣机器人到达方向。

5.根据权利要求4所述的用于分拣堆叠多目标的机器人抓取姿态任务规划方法，其特征在于，采用K‑means聚类算法对所述分拣任务进行分区。

6.根据权利要求2所述的用于分拣堆叠多目标的机器人抓取姿态任务规划方法，其特征在于，采用模拟退火法对所述工作顺序进行确定。

7.根据权利要求4所述的用于分拣堆叠多目标的机器人抓取姿态任务规划方法，其特征在于，所述S6具体为：

基于任务分区、所述实际物件的位置、分拣起始位置、统计分拣顺序的路径长度和所述分拣机器人到达方向，确定分拣机器人的最短运动轨迹且路径平滑，并确定了分拣机器人的工具端旋转的最大半径值和分离点的位置，得到分拣机器人的路径规划；然后所述分拣机器人根据分拣工作顺序和规划路径进行抓取和分拣。

8.根据权利要求1所述的用于分拣堆叠多目标的机器人抓取姿态任务规划方法，其特征在于，

所述S3中标注框标定的物件包括外轮廓完整的物件和外轮廓不完整的物件。

9.根据权利要求1所述的用于分拣堆叠多目标的机器人抓取姿态任务规划方法，其特征在于，

所述预处理包括：图像去冗余、图像灰度变换、直方图均衡化和Gabor滤波。

10.根据权利要求1所述的用于分拣堆叠多目标的机器人抓取姿态任务规划方法，其特征在于，所述双目视觉系统采用的是ZED Stereolabs 2代双目深度传感立体相机。