1.一种攻破点测试方法，其特征在于，包括：

获取机械臂在第一时刻完成目标动作的测试状态信息；其中，所述测试状态信息包括所述机械臂的关节位姿信息；

获取活体攻击样本的活体检测结果；其中，所述活体攻击样本设于所述机械臂上；

当所述活体检测结果为活体时，将所述测试状态信息，确定为活体检测的攻破点信息，当所述活体检测结果为非活体时，至少基于所述测试状态信息，预测所述机械臂在第二时刻的待执行动作；其中，所述第二时刻为所述第一时刻的下一时刻；

其中，所述活体检测结果是对拍摄所述活体攻击样本的测试图像进行检测得到的，在所述活体攻击样本的活体检测结果为非活体的情况下，所述至少基于所述测试状态信息，预测所述机械臂在第二时刻的待执行动作，包括：对所述测试状态信息进行特征提取，得到第一特征，并对所述测试图像进行特征提取，得到第二特征；

将所述第一特征和所述第二特征进行融合处理，得到所述测试状态信息和所述测试图像的融合特征；

根据所述融合特征，得到所述机械臂在第二时刻的待执行动作；其中，所述测试图像为所述机械臂完成所述目标动作之后对所述活体攻击样本拍摄得到。

2.根据权利要求1所述的方法，其特征在于，在所述获取机械臂在第一时刻完成目标动作的测试状态信息之前，包括：基于所述机械臂在所述第一时刻之前的上一时刻的目标活体检测结果和目标测试状态信息，得到所述机械臂在所述第一时刻的所述目标动作；

控制所述机械臂在所述第一时刻完成所述目标动作。

3.根据权利要求1所述的方法，其特征在于，所述对所述测试状态信息进行特征提取，得到第一特征，包括：利用第一神经网络的第一提取子网络对所述测试状态信息进行特征提取，得到所述第一特征；

和/或，所述对所述测试图像进行特征提取，得到第二特征，包括：利用所述第一神经网络的第二提取子网络对所述测试图像进行特征提取，得到所述第二特征；

和/或，所述根据所述融合特征，得到所述机械臂在第二时刻的待执行动作，包括：利用所述第一神经网络的预测子网络对所述融合特征进行预测，得到所述机械臂在第二时刻的待执行动作。

4.根据权利要求3所述的方法，其特征在于，所述利用所述第一神经网络的预测子网络对所述融合特征进行预测，得到所述机械臂在第二时刻的待执行动作，包括：利用所述预测子网络对所述融合特征进行处理，得到多个候选动作的预测概率值；

将所述预测概率值中最大预测概率值对应的候选动作，作为所述机械臂在第二时刻的待执行动作。

5.根据权利要求3或4所述的方法，其特征在于，所述测试状态信息还包括环境灯光信息，所述利用所述第一神经网络的第一提取子网络对所述测试状态信息进行特征提取，得到所述第一特征，包括：利用所述第一提取子网络对所述关节位姿信息和所述环境灯光信息进行矩阵相乘，以得到所述第一特征。

6.根据权利要求1所述的方法，其特征在于，所述机械臂在第二时刻的待执行动作是利用第一神经网络预测得到的，所述方法还包括：获取所述机械臂未执行所述目标动作时的测试状态信息，作为第一状态信息，并将所述机械臂完成所述目标动作之后的测试状态信息，作为第二状态信息；以及，利用所述活体检测结果，获取所述第一神经网络的优化激励值；其中，在所述活体攻击样本检测为非活体的情况下，所述优化激励值为非正值，在所述活体攻击样本检测为活体的情况下，所述优化激励值为正值，且所述活体检测结果包括检测概率值，所述优化激励值与所述检测概率值为正相关关系；

将所述第一状态信息、所述目标动作、所述优化激励值和所述第二状态信息作为训练样本，对所述第一神经网络进行训练。

7.根据权利要求6所述的方法，其特征在于，所述利用所述活体检测结果，获取所述第一神经网络的优化激励值，包括：基于所述检测概率值确定所述活体攻击样本检测为活体，将所述优化激励值确定为所述检测概率值与第一数值的乘积和第二数值之和；和/或，基于所述检测概率确定所述活体攻击样本检测为非活体，将所述优化激励值确定为所述检测概率值与第一数值的乘积与第二数值之差；

其中，所述第一数值、所述第二数值均为正数，且所述第一数值不大于所述第二数值。

8.根据权利要求1所述的方法，其特征在于，在所述活体攻击样本的活体检测结果为活体的情况下，所述方法还包括：将所述机械臂的关节位姿重置为预设初始值，并获取预设初始动作以作为所述机械臂第二时刻的待执行动作。

9.根据权利要求1所述的方法，其特征在于，所述活体检测结果是利用第二神经网络检测得到的；所述方法还包括：利用所述攻破点信息，对所述第二神经网络进行优化。

10.一种攻破点测试装置，其特征在于，包括：

状态信息获取模块，用于获取机械臂在第一时刻完成目标动作的测试状态信息；其中，所述测试状态信息包括所述机械臂的关节位姿信息；

检测结果获取模块，用于获取活体攻击样本的活体检测结果；其中，所述活体攻击样本设于所述机械臂上；

预测模块，用于当所述活体检测结果为活体时，将所述测试状态信息，确定为活体检测的攻破点信息，当基于所述活体检测结果为非活体时，至少基于所述测试状态信息，预测所述机械臂在第二时刻的待执行动作；其中，所述第二时刻为所述第一时刻的下一时刻；

其中，所述活体检测结果是对拍摄所述活体攻击样本的测试图像进行检测得到的，在所述活体攻击样本的活体检测结果为非活体的情况下，所述至少基于所述测试状态信息，预测所述机械臂在第二时刻的待执行动作，包括：对所述测试状态信息进行特征提取，得到第一特征，并对所述测试图像进行特征提取，得到第二特征；

将所述第一特征和所述第二特征进行融合处理，得到所述测试状态信息和所述测试图像的融合特征；

根据所述融合特征，得到所述机械臂在第二时刻的待执行动作；其中，所述测试图像为所述机械臂完成所述目标动作之后对所述活体攻击样本拍摄得到。

11.一种电子设备，其特征在于，包括存储器和处理器，所述处理器用于执行所述存储器中存储的程序指令，以实现权利要求1至9任一项所述的攻破点测试方法。

12.一种计算机可读存储介质，其上存储有程序指令，其特征在于，所述程序指令被处理器执行时实现权利要求1至9任一项所述的攻破点测试方法。