1.基于边缘信息的RGB‑D相机动态视觉里程计方法，其特征在于，包括以下步骤：S1，使用K‑means聚类法，将RGB‑D相机采集到的图像分为24个簇；S2，将聚类后的边缘图与灰度图分别坐标变换到关键帧及其DT图上，分别得到光度及几何一致性残差、边缘对齐残差和补偿残差；S3，将所述光度及几何一致性残差和边缘对齐残差进行数据融合，构建基于边缘信息的聚类残差模型；S4，引入平均背景深度进行运动分割，基于步骤S3构建的模型引入平均背景深度构建引入平均背景深度聚类残差模型；S5，计算步骤S2中的补偿残差；S6，将步骤S2中的补偿残差和S5构建的残差模型与面元3D重建算法结合，得到加权聚类残差；S7，将步骤S6得到的加权聚类残差加入优化函数中进行位姿估算，并将得到的位姿进行跟踪质量检查，更新下次迭代的变换矩阵或关键帧。2.根据权利要求1所述基于边缘信息的RGB‑D相机动态视觉里程计方法，其特征在于：所述K‑means聚类法，通过计算每一个三维空间点距离簇中心点的距离，来确定该空间点属于哪一个簇。3.根据权利要求1所述基于边缘信息的RGB‑D相机动态视觉里程计方法，其特征在于：所述步骤S2包括：S21：将聚类后的当前帧Fc坐标变换到关键帧Fk，根据光度及几何一致性构建残差模型，计算光度及几何一致性误差；S22：将聚类后的边缘图坐标变换到关键帧的DT图，得到基于边缘对齐的残差模型，计算边缘对齐误差。4.根据权利要求3所述基于边缘信息的RGB‑D相机动态视觉里程计方法，其特征在于：所述构建的光度及几何一致性残差模型为：rIp(ξ)＝IM(ω(xp,ξ))‑ID(xp)式中，rIp和分别表示点p对应的光度误差与深度误差，xp为当前帧的第p个像素点，M表示关键帧，D表示当前帧，I为光度图，Z为深度图，T(ξ)表示变换矩阵，|·|Z表示三维坐标点的Z坐标值，ξ为当前帧到关键帧坐标变换的李代数，π‑1为逆投影函数，ω为坐标变换函数；所述边缘对齐残差模型具体公式如下：式中，表示对齐残差，表示边缘点p对应的DT误差，DTM表示关键帧的DT误差函数。5.根据权利要求1所述基于边缘信息的RGB‑D相机动态视觉里程计方法，其特征在于：步骤S3所述基于边缘信息的聚类残差模型，具体公式如下：式中，rn表示第n个簇的残差值，分别表示点i对应的光度误差、深度误差和DT误差，αI表示缩放强度，αE表示DT误差在残差模型中所占权重，On表示第n个簇中遮挡的像素个数，En表示第n个簇中所有深度有效的边缘点，F(·)表示Cauchy函数，M表示图像中深度有效点的数量，S(b)表示动态残差集合，bi(p)表示p点所在i簇的得分，分别表示

根据噪声对光度和几何残差加权的权重。6.根据权利要求5所述基于边缘信息的RGB‑D相机动态视觉里程计方法，其特征在于：所述DT误差在残差模型中所占权重αE的公式如下：式中，vc为相机运动速度，N为簇总数量，μ为由αI到αE的尺度系数，Sn表示第n个簇中所有深度有效的像素个数，En表示第n个簇中所有深度有效的边缘点。7.根据权利要求1所述基于边缘信息的RGB‑D相机动态视觉里程计方法，其特征在于：步骤S4所述构建引入平均背景深度聚类残差模型，具体包括：S41：定义平均背景深度公式为：式中，表示当前帧的平均背景深度，表示上一帧的平均背景深度，dc‑1为上一帧分割出的动态簇数量，表示第n个簇的平均背景深度，λD表示深度图的权重；S42：根据S41构建的公式构建引入平均背景深度后的残差模型为：式中，δn为引入平均背景深度后的第n个簇的残差值，表示第n个簇与背景的距离，rn表示引入平均深度之前第n个簇的残差值。8.根据权利要求1‑7任一项所述基于边缘信息的RGB‑D相机动态视觉里程计方法，其特征在于：步骤S5所述补偿残差S(b)分为SD(b)、SR(b)和SP(b)三项，其中SD(b)是量化后的高残差，SR(b)是一个正则化项，SP(b)是一个几何约束项，惩罚较大的平均深度差，具体公式如下：S(b)＝SD(b)+SR(b)+SP(b)式中，Ki表示簇i中的像素个数，E(rn)表示正则后的数值，Gij为聚类连通函数，为1表示i与j簇连通，bi和bj分别表示当前帧中i簇与j簇的残差，λR表示连通函数的权重，λP表示几何约束项的权重，表示p点所在i簇的残差，表示Cauchy函数阈值的高低边界。

9.根据权利要求8所述基于边缘信息的RGB‑D相机动态视觉里程计方法，其特征在于：所述步骤6根据聚类残差分布的普遍特征，使用面元3D重建算法将相关图像进行分割，实现动态簇和静态簇的分离，将残差高于残差平均值的簇判定为动态簇，低于阈值的簇作为静态簇或赋权部分加入到位姿估算中。10.根据权利要1或9所述基于边缘信息的RGB‑D相机动态视觉里程计方法，其特征在于：所述步骤S7具体包括：S71：采用Cauchy  M‑estimator模型，通过加权聚类残差来构建非线性优化函数，用来准确的估计帧间运动，具体公式如下：式中，M表示所有深度有效的点的数量，表示属于第n个簇的点i的权重，c表示F的插入点，r表示对r点进行Cauchy代价评估。通过最小化非线性优化函数求得最佳的帧间运动；S72：采用边缘信息来评估跟踪质量，将跟踪过W帧的边缘投影到当前帧中，得到像素点重叠计数图，通过对相同重叠数构建直方图，来获取图像重叠情况，具体公式如下：式中H(j)表示重叠数为j的点的数量，γj表示重叠数为j的点在跟踪质量评估中所占的权重，H(0)表示没有重叠的点的数量，γ0表示没有重叠的点在跟踪质量评估中所占的权重。