1.一种基于种群随机乱序多目标遗传算法的手势跟踪方法，其特征在于包括以下过程：

(1)人体手臂骨骼信息获取：利用传感器提取人体手臂骨骼的彩色图像数据流和深度图像数据流，获取人体手臂各个关节信息，得到各个关节位置坐标；

(2)建立机械臂运动模型：将机械臂简化为三连杆模型，由步骤(1)的人体手臂各个关节信息中获得人体手臂末端位置，并由人体手臂各个关节位置坐标计算人体手臂各个关节偏离竖直轴的旋转角度；由机械臂尺寸和机械臂各关节偏离竖直轴的旋转角度，表示机械臂末端位置，具体包括以下过程：(2-1)将六自由度实体机械臂简化为三连杆机械臂模型，即建立机械臂动力学模型；

(2-2)实时利用传感器提取人体手臂骨骼的彩色图像数据流和深度图像数据流，获取人体手臂各个关节信息，选取一组周期为T的样本数据(θ1o，θ2o，θ3o，x0，y0)，其中，θio为经传感器获取和处理得到的人体手臂第i个关节偏离竖直轴的旋转角度，i＝{1，2，3}，(x0，y0)为人体手臂末端位置所处的二维平面坐标；

(2-3)由三个关节偏离竖直轴的旋转角度θ1、θ2和θ3表示机械臂末端位置(X，Y)，其中Li表示机械臂第i个关节的长度，i＝{1，2，3}；

(3)多目标遗传算法能量及轨迹优化：以能量函数、手臂跟踪轨迹函数以及位置误差函数为目标函数的3个目标子函数，经多目标遗传算法处理，通过每代种群随机乱序迭代进化，得到机械臂达到末端位置时的各关节偏离竖直轴的旋转角度，并且各关节偏离竖直轴的旋转角度达到能量全局最小，最终位置误差全局最小，手臂跟踪轨迹全局最优，具体包括以下过程：(3-1)确定三个目标子函数f1、f2和f3，目标子函数的自变量为待求取的机械臂各关节偏离竖直轴的旋转角度θi，i＝{1，2，3}；f1为能量函数，用于保证机械臂运动中能量消耗最低；f2为位置误差函数，用于保证机械臂末端位置(X，Y)的精度要求；f3为手臂跟踪轨迹函数，用于保证机械臂运动轨迹与人体手臂运动相仿；所述能量函数f1为：其中G1、G2和G3分别表示机械臂各关节重量；

位置误差函数

误差公式 K0为设置的机械臂与人体手臂比例；

手臂跟踪轨迹函数

(3-2)初始化当前代数t；将机械臂各关节偏离竖直轴的旋转角度θi作为遗传空间中基因按二进制编码方式组成的个体，设置待求个体的染色体条数NVAR和机械臂运动旋转角度精度p，每条染色体θi由k0位二进制数进行编码，个体S＝(θ1，θ2，θ3)编码后染色体组合为(θ1u，θ2s，θ3l)，其中，u、s、l的取值为1～k0；经解码，S为以下组合：其中，U1表示k0位二进制数00000...0000＝0，δ表示设置的编码精度；θi的范围为-π/2～π/2， θi(up)＝π/2，θi(low)＝-π/2；NVAR设置为3，位数k0为18，则编码后的染色体θi精确到10-3，三个关节的总编码即个体S＝(θ1，θ2，θ3)长度为

54位；

从组合中选择M个个体S作为初始种群；将初始种群作为当前种群；

(3-3)将当前种群分为k组，并分别带入目标子函数f1、f2和f3，计算每组中每个个体的适应度Fq＝fj(Sq)+C，其中j＝{1，2，3}，q＝[1，k]，Sq为组中的第q个个体，C取使Fq的值大于或等于零的任意正整数；设置各个体被遗传至下一代的遗传概率 其中为群体的适应度值总和；同时将每组个体中适应度最高的个体作为精英保留，遗传至下一代种群；

(3-4)从遗传后的种群中由轮盘赌方法选出两个个体S1和S2，由其设定的交叉概率进行单点交叉，交换两个染色体随机位置后的位串，并以0.7/Lind的变异概率随机改变个体S1和S2的二进制串结构数据中任意一位的值，得到经遗传交叉变异生成子代种群；其中Lind为染色体长度，即Lind＝k0＝18；

(3-5)判断种群中个体的适应度是否收敛，若收敛，或当前代数t达到设置的最大迭代次数T，则将(θ1，θ2，θ3)输出作为最优解；否则t累加1，将新种群随机乱序作为当前种群，返回步骤(3-3)重新分为三组评估对应目标函数适应度，使种群每个个体对三个目标函数均能得到最佳适应；

(4)跟踪手势：将多目标遗传算法处理后的机械臂各关节偏离竖直轴的旋转角度数据传输至机械臂，驱动机械臂跟踪手势运动，反馈各关节偏离竖直轴的旋转角度并进行闭环控制。