1.机械臂动作捕捉方法，其特征在于，包括以下步骤：S1、在机械臂上固定视觉传感器采集数据作为源域，对应人体手臂固定惯性传感器采集数据作为目标域，建立系统的状态空间表达式；

S2、基于状态空间表达式，利用全概率理论以源域观测预测分布为条件，设置最优未知状态观测联合分布，分解条件联合观测分布模型，并用KL散度来求解最优分布；

S3、在卡尔曼滤波器的基础上结合全概率理论，将视觉传感器测量的源域知识转移到惯性传感器测量的目标域中，进行基于卡尔曼滤波的数据融合，预测系统下一时刻的状态，以实现机械臂的动作捕捉；

步骤S1中，根据四元数法来建立机械臂动作捕捉模型的状态空间表达式如下：Xi＝AXi‑1+Bui‑1+wi‑1                       (1)Zi＝CXi+vi                         (2)Zi,s＝CsXi+vi,s                       (3)T

其中，Xi＝[q0,i,q1,i,q2,i,q3,i,wx,i,wy,i,wz,i]手臂运动过程中运动角度θi以及角速度组成系统的状态矩阵Xi，Zi为系统的测量矩阵，由惯性传感测量的目标域，Zi,s是系统的源域的测量矩阵；A、B、C、Cs由系统的参数要求确定，ui‑1为系统的控制输入；wi‑1为系统的过程噪声服从高斯分布N(0,Q)，vi、vi,s为测量噪声服从高斯分布N(0,R),N(0,Rs)，假定它们均符合均值为零的高斯白噪声。

2.如权利要求1所述的机械臂动作捕捉方法，其特征在于，步骤S2包括：S21、利用全概率理论以源域观测预测分布fs为条件，设置最优未知状态观测联合分布，如下：m(Xi,Zi|fs)＝m(Zi|Xi,fs)m(Xi|fs)            (4)其中，定义理想状态观测分布模型为：

S22、将条件联合观测分布模型分解为：

其中，假定 在指定的源域知识条件约束下公式(4)未知状态观测联合分布变为：

m(Xn,Zn|fs)＝fs(Zn)m(Xn|fs)                  (8)其中，fs(Zn)是源域需要转移到目标域的知识信息，在fs(Zn)固定已知的条件下，m(Xn|fs)成为了唯一可以优化设计的部分；

S23、用KL散度来求解最优分布为：

其中，γ(xi‑1)为归一化函数。

3.如权利要求2所述的机械臂动作捕捉方法，其特征在于，步骤S3包括：S31、假设机械臂动作捕捉的手臂运动符合一个线性高斯情况，如下：根据卡尔曼滤波的显示递归计算可以得到对应状态先验、后验分布以及观测先验分布，如下：o

S32、根据全概率理论，在fs(Zn)固定已知的条件下，m (Xn|fs)是目标域状态预测最优分布，其中γ(xi‑1)是归一化函数，即：根据观测预测分布可以推导归一化函数为：

其中， 参数递归形式为：

T ‑1 T ‑1

并且满足当i＝n‑1,…,2时，ri|i＝ri|i+1+CR zi|i‑1,s,Si|i＝Si|i+1+CR C，当i＝n时，rn|nT ‑1 T ‑1＝CR zn|n‑1,s,Sn|n＝CR C，归一化函数递归表示动态转移源域n个时刻观测信息，目标域在此条件下得到最优分布；

S33、根据步骤S31得到的归一化函数递归表示形式，可以得到目标域状态预测最优分布为：其中， 根据卡尔曼滤波器的状

态先验分布公式(14)可以得到由源域转移知识到目标域进行融合后的最优状态先验预测分布为：

4.计算机可读存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序执行如权利要求1‑3任意一项所述的机械臂动作捕捉方法。

5.电子设备，其特征在于，包括：一个或多个处理器，存储器以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行如权利要求1‑3任意一项所述的机械臂动作捕捉方法。

6.机械臂动作捕捉系统，其特征在于，包括以下模块：状态空间表达式建立模块，用于在机械臂上固定视觉传感器采集数据作为源域，对应人体手臂固定惯性传感器采集数据作为目标域，建立系统的状态空间表达式；

最优分布求解模块，用于基于状态空间表达式，利用全概率理论以源域观测预测分布为条件，设置最优未知状态观测联合分布，分解条件联合观测分布模型，并用KL散度来求解最优分布；

动作捕捉模块，用于在卡尔曼滤波器的基础上结合全概率理论，将视觉传感器测量的源域知识转移到惯性传感器测量的目标域中，进行基于卡尔曼滤波的数据融合，预测系统下一时刻的状态，以实现机械臂的动作捕捉；

根据四元数法来建立机械臂动作捕捉模型的状态空间表达式如下：Xi＝AXi‑1+Bui‑1+wi‑1                       (1)Zi＝CXi+vi                         (2)Zi,s＝CsXi+vi,s                       (3)T

其中，Xi＝[q0,i,q1,i,q2,i,q3,i,wx,i,wy,i,wz,i]手臂运动过程中运动角度θi以及角速度组成系统的状态矩阵Xi，Zi为系统的测量矩阵，由惯性传感测量的目标域，Zi,s是系统的源域的测量矩阵；A、B、C、Cs由系统的参数要求确定，ui‑1为系统的控制输入；wi‑1为系统的过程噪声服从高斯分布N(0,Q)，vi、vi,s为测量噪声服从高斯分布N(0,R),N(0,Rs)，假定它们均符合均值为零的高斯白噪声。

7.如权利要求6所述的机械臂动作捕捉系统，其特征在于，所述最优分布求解模块用于执行以下步骤：S21、利用全概率理论以源域观测预测分布fs为条件，设置最优未知状态观测联合分布，如下：m(Xi,Zi|fs)＝m(Zi|Xi,fs)m(Xi|fs)            (4)其中，定义理想状态观测分布模型为：

S22、将条件联合观测分布模型分解为：

其中，假定 在指定的源域知识条件约束下公式(4)未知状态观测联合分布变为：

m(Xn,Zn|fs)＝fs(Zn)m(Xn|fs)                  (8)其中，fs(Zn)是源域需要转移到目标域的知识信息，在fs(Zn)固定已知的条件下，m(Xn|fs)成为了唯一可以优化设计的部分；

S23、用KL散度来求解最优分布为：

其中，γ(xi‑1)为归一化函数。

8.如权利要求7所述的机械臂动作捕捉系统，其特征在于，所述动作捕捉模块用于执行以下步骤：S31、假设机械臂动作捕捉的手臂运动符合一个线性高斯情况，如下：根据卡尔曼滤波的显示递归计算可以得到对应状态先验、后验分布以及观测先验分布，如下：o

S32、根据全概率理论，在fs(Zn)固定已知的条件下，m (Xn|fs)是目标域状态预测最优分布，其中γ(xi‑1)是归一化函数，即：根据观测预测分布可以推导归一化函数为：

其中， 参数递归形式为：

T ‑1 T ‑1

并且满足当i＝n‑1,…,2时，ri|i＝ri|i+1+CR zi|i‑1,s,Si|i＝Si|i+1+CR C，当i＝n时，rn|nT ‑1 T ‑1＝CR zn|n‑1,s,Sn|n＝CR C，归一化函数递归表示动态转移源域n个时刻观测信息，目标域在此条件下得到最优分布；

S33、根据步骤S31得到的归一化函数递归表示形式，可以得到目标域状态预测最优分布为：其中， 根据卡尔曼滤波器的状

态先验分布公式(14)可以得到由源域转移知识到目标域进行融合后的最优状态先验预测分布为：