1.一种基于对应点匹配矩阵优化的低重叠点云配准方法，其特征在于，包括：

将移动机器人的源点云和目标点云输入特征提取模块，获取源点云特征向量和目标点云特征向量；

将所述源点云特征向量和目标点云特征向量输入特征匹配模块，获取对应点匹配矩阵；其中，所述对应点匹配矩阵中的行和列分别代表所述源点云和目标点云中的3D点；

所述特征匹配模块包括：上分支阈值参数预测模型、下分支极化参数预测模型和Sinkhorn优化算法；

获取所述对应点匹配矩阵包括：

将所述源点云特征向量和目标点云特征向量进行最大匹配分数向量计算，并将最大匹配分数向量输入所述上分支阈值参数预测模型，获取阈值参数；

将所述源点云特征向量和目标点云特征向量进行拼接后输入所述下分支极化参数预测模型，获取极化参数；

基于所述阈值参数和所述极化参数对初始对应点匹配矩阵进行优化，获取对应点匹配矩阵，其中初始对应点匹配矩阵按照特征向量平方差公式进行计算；

将所述对应点匹配矩阵输入注意力点融合及位姿更新模块，获取移动机器人的变换姿态，完成低重叠点云配准；其中所述注意力点融合及位姿更新模块包括注意力点融合生成虚拟对应点和对应点位姿更新计算。

2.根据权利要求1所述的基于对应点匹配矩阵优化的低重叠点云配准方法，其特征在于，所述特征提取模块包括：残差长距离曲线特征提取模型和注意力模型；

所述残差长距离曲线特征提取模型，用于提取所述源点云和目标点云中3D点的长距离特征信息；其中所述残差长距离曲线特征提取模型包括点云残差卷积结构分支和长距离曲线特征提取网络；

所述注意力模型，用于进一步加强长距离特征信息的特征表达，提高所有区域点云特征向量的可区分性并加强特征值匹配效率。

3.根据权利要求2所述的基于对应点匹配矩阵优化的低重叠点云配准方法，其特征在于，提取所述源点云和目标点云中3D点的特征信息包括：对所述源点云和目标点云中每个3D点坐标进行球空间采样和坐标拼接，获取拼接向量，对所述拼接向量进行一维卷积加最大池化操作，获取当前3D点的初始特征；

对当前点的初始特征进行卷积操作并选取若干个最大响应特征作为曲线的起始点，并将该起始点的特征设为曲线的初始特征，为了实现曲线特征连接，首先将当前连接点球空间内3D点特征值与当前曲线特征进行拼接并进行一维卷积操作输出连接点特征，为了避免曲线连接过程中曲线交叉现象，通过计算相邻两次曲线特征的差值  、当前连接点球空间点特征与当前曲线特征的差值 ，对 求取非交叉系数 ，通过将非交叉系数 乘以连接点特征，并对其进行gumbel_softmax操作确定下一个连接点，通过将当前连接点球空间点特征与曲线特征相乘，从而更新下一次曲线特征，最终对每一次曲线特征进行拼接，从而获取多条长距离曲线特征信息；

之后对曲线进行一维卷积操作并分别在曲线个数方向与曲线连接点方向求取最大响应值，并将该响应值与曲线特征进行相乘再相加，从而分别获取曲线个数关系向量与曲线连接点关系向量，最后将初始点特征分别与关系向量进行相乘并通过softmax操作获取曲线个数权重向量和曲线连接点权重向量，并将权重向量和关系向量分别进行相乘再拼接得到每个3D点对应的所述长距离特征信息；

提取源点云长距离特征和目标点云长距离特征的注意力信息包括：

注意力模型由Transformer网络构成，Transformer网络由一个自注意力编码层和交叉注意力解码层构成，使用的Transformer为线性Transformer，位置编码则使用两个一维卷积进行替代，将长距离特征向量做为输入并使用线性回归去生成查询向量Q、键向量K和值向量V，之后使用多头注意力机制 去生成新的自注意力特征向量 和 ，其中 为特征向量的维度，上标T表示为矩阵转置，通过 对源点云进行交叉注意力计算，其中 和 分别为源点云自注意力层特征向量和目标点云自注意力层特征向量，其中 ，而 和 分别为通过神经网络学习到的权重矩阵，同时对目标点云进行同样交叉注意力计算，最后将注意力信息与长距离特征信息进行特征相加从而获取最终的特征向量。

4.根据权利要求1所述的基于对应点匹配矩阵优化的低重叠点云配准方法，其特征在于，对所述对应点匹配矩阵进行进一步优化包括：对所述对应点匹配矩阵的每一行和每一列设置非重叠点标志位；

基于Sinkhorn算法匹配分数分布，并使得非重叠点的匹配分数集中于所述非重叠点标志位，其中任意点的匹配分数为对应点匹配矩阵所对应的值；

将匹配分数优化后的所述对应点匹配矩阵的最后一行和最后一列的所述非重叠点标志位移除，获取移除后的所述对应点匹配矩阵中3D点的重叠点分数；其中3D点的重叠点分数为对应点匹配矩阵所对应的行或列的和；

将3D点的重叠点分数、真实标签重叠点与非重叠点的分数进行二分类损失函数处理，完成对所述对应点匹配矩阵进行优化；其中所述真实标签重叠点和非重叠点分数通过对训练点云进行投影计算所得。

5.根据权利要求4所述的基于对应点匹配矩阵优化的低重叠点云配准方法，其特征在于，获取移动机器人的所述变换姿态包括：对所述对应点匹配矩阵按列方向进行排序，选取前若干个3D点为注意力点；

对所述注意力点按照匹配分数进行融合生成其对应的虚拟对应点；

基于所述3D点和所述3D点对应的所述虚拟对应点，构成匹配对；将所述源点云对应3D点的重叠点分数设置为所述匹配对的权重分数；

将匹配对权重分数进行从大到小进行排序，选择前若干个匹配对为最优匹配对，并将所述最优匹配对和所述权重分数，输入权重SVD算法去进行矩阵分解获取移动机器人的所述变换姿态。

6.根据权利要求1所述的基于对应点匹配矩阵优化的低重叠点云配准方法，其特征在于，所述源点云特征向量和目标点云特征向量为：其中， 和 分别为源点云和目标点云输出的特征向量，

为置信度矩阵， 和 分别为源点云自注意力层特征向量和目标点云自注意力层特征向量， 和 分别为源点云长距离特征向量和目标点云长距离特征向量， 为特征向量属性，其中 为点云数量， 为特征维度。