1.一种异构双机械臂末端位姿映射方法，其特征在于，包括以下步骤：S1: 手动进行主机械臂示教操作，获取主机械臂各关节角速度、位置和末端姿态信息，计算主机械臂末端的空间位置和姿态；

S2: 采集主机械臂示教过程中的运动轨迹数据，建立长短期记忆网络模型，预测未来时间步长的位姿，规划从机械臂运动轨迹；

S3: 通过通信模块传递数据信息，采用模型预测控制解决通讯时延问题；

S4: 从机械臂利用比例缩放和逆运动学，解算主机械臂末端的位姿信息，调节关节角度，结合比例‑积分‑微分控制调整误差；

S5: 采用扩展卡尔曼滤波器对位置和速度信号进行滤波，建立机械臂动力学模型，设计自适应控制律，采用轨迹平滑算法；

S6：建立虚拟障碍物地图，限定安全工作空间，实时检测潜在碰撞风险，规划避障轨迹，设置位置和速度极限；

步骤S1具体包括：

S11: 施教者手动进行对主机械臂的示教动作;S12: 采用绝对式编码器，测量每一主机械臂关节的绝对位置信息，获得旋转角度  ，主机械臂角速度   与角加速度   可通过旋转角度 获得；

S13: 将所有采集到的数据存储在实时数据采集系统中，并以固定时间间隔采样，形成一系列时间序列数据，这些时间序列数据包括各关节的角度、角速度和加速度值;S14: 通过正运动学的计算得到末端执行器的空间位置和姿态；

步骤S2具体包括：

S21: 针对主机械臂示教过程可能存在的规律性，采用深度学习对其示教过程进行分析;S22: 采集主机械臂示教过程中的运动轨迹序列数据  ，其中 表示t时刻的位姿向量，包含位置和姿态信息，T为序列长度，d为位姿向量维度;S23: 构建基于LSTM的编码器网络，并进行状态更新，引入注意力机制计算上下文向量 ，再构建解码器网络，结合上下文向量预测未来位姿 ；

S24: 定义损失函数进行模型训练：

       （1）

                 （2）

           （3）

其中，  为真实位姿，为模型所有可训练参数， 为正则化系数;S25: 利用训练好的模型，对输入的主机械臂位姿序列进行实时预测，得到未来时间步长的位姿预测值   ，其中  为预测步长;S26: 基于预测的位姿序列，规划从机械臂的运动轨迹，其中  为轨迹规划函数， 为规划得到的从机械臂轨迹，并实时监测预测误差  ，当误差超过预设阈值   时，触发模型在线微调；

步骤S3具体包括：

S31: 将所需传递主机械臂相关的位姿信号数据，转变为对系统的离散时间状态空间模型;S32: 假设信息传递系统中存在时延  ，即控制输入   在时间步   施加到系统上，但在时间步   才能观察到其影响;S33: 为处理时延，将系统的状态向量扩展为包含过去控制输入的状态向量；

S34: 代入MPC优化问题通常是在预测时域   内最小化目标函数，同时满足系统约束；考虑时延的MPC优化问题表示为：（4）

其中：  为在时间 k 时刻预测的第 i 个控制输入，  为在时间 k 时刻预测的第 i 个输出，  为在时间 k 时刻预测的第 i 个状态， 是参考输出， 和   是权重矩阵，分别用于惩罚输出误差和控制输入， 和   是控制输入的上下限;  和 表示状态变量的最小和最大限制；

S35: 通过将过去   个时间步的控制输入纳入状态向量，MPC在优化过程中考虑时延的影响，从而生成更优的控制输入序列，完成主从机械臂的信号传递问题；

步骤S4具体包括：

S41: 针对主从机械臂在尺寸和工作空间上的差异，采用比例缩放方式将主机械臂末端位姿通过比例缩放映射到从机械臂工作空间；

S42:通过对主机械臂末端位姿比例缩放，得到从机械臂目标位姿矩阵  ；

S43: 根据目标位姿矩阵   ，逐步计算每个关节的目标角度，从动机械臂旋转相应的角度，实现主从机械臂映射;S44: 在反馈控制中，采用PID控制来修正主从机械臂之间的误差;S45: PID控制器根据当前误差   实时调整控制输入  ，以确保从机械臂能够根据主机械臂的实时运动状况做出精确的响应:   （5）

其中，比例项   能够快速响应误差，确保从机械臂能够立即调整位置，积分项   有助于消除系统的静态误差，避免长期误差积累，微分项   则有助于预测误差的变化，减少过冲和震荡；

步骤S5具体包括：

S51: 根据当前机械臂相关尺寸，建立机械臂动力学模型及其系统状态空间方程；

S52: 执行扩展卡尔曼滤波预测步骤，进行状态预测   和预测协方差更新  ；执行扩展卡尔曼滤波更新步骤，计算卡尔曼增益  ，状态估计更新

，协方差矩阵更新

；

其中状态向量  ，观测向量  为位置和速度测量值，  和   分别为 过程 噪声 和测 量噪 声，且满足  ， ，为状态方程的雅可比矩阵， 为观测方程的雅可比矩阵;S53: 设计自适应控制律和自适应项   的更新律；

S54: 针对系统的振动，采用振动特征的识别与平滑控制；

S55: 计算系统振动能量并定义振动指标，当系统振动能量   超过预设阈值   时，触发振动抑制控制；对于振动系统，采用三次样条插值生成平滑轨迹，进行轨迹平滑处理；

S56: 为确保机械臂的位姿映射系统趋于稳定，构造Lyapunov函数判定是否趋近稳定；

   （6）

证明其导数满足：

    （7）

其中，  为位置跟踪误差， 为正定自适应增益矩阵,  和  为正定增益矩阵;   为矩阵   的最小特征值。

2.根据权利要求1所述的一种异构双机械臂末端位姿映射方法，其特征在于，步骤S6具体包括：S61: 考虑现实世界，机械臂运动过程中可能存在触碰障碍物的情况;S62: 构建机械臂三维虚拟障碍物地图M并建立碰撞检测模型；

S63: 对每个关节的运动范围和速度的各自限制值，定义机械臂安全工作空间的关节约束，再计算机械臂各处的当前位置到障碍物的最小距离，并构建基于最小距离的安全指标函数，当该函数在距离小于安全阈值时触发避障，且设计速度约束下的避障控制律；

S64: 系统根据所设定的位置和速度的约束条件，实时更新机械臂映射系统安全状态。

3.用以实现如权利要求1所述的一种异构双机械臂末端位姿映射方法的映射系统，其特征在于，包括：位姿采集模块，用于负责获取主机械臂的示教操作数据；通过绝对式编码器采集主机械臂各关节的角速度、位置和末端姿态信息，结合正运动学计算，实时推算主机械臂末端的空间位置和姿态参数;通信控制模块，用于传递主机械臂末端位姿的数据信息，采用模型预测控制解决通讯时延导致的动作滞后问题，确保数据传输的实时性和准确性;位姿映射模块，用于负责从机械臂的位姿解算和控制；利用比例缩放和逆运动学计算，解算主机械臂末端的位姿信息，调节关节角度，并结合比例‑积分‑微分控制实时调整控制输出与实际输出的误差，实现主从机械臂之间的精确位姿映射;轨迹预测模块，用于收集和分析主机械臂示教过程中的运动轨迹数据；利用长短期记忆网络建立运动预测模型，对未来时间步长的位姿进行预测，提前规划从机械臂运动轨迹；

同时引入注意力机制提取关键时序特征，不断优化预测精度;运动优化模块，用于对位置和速度信号进行滤波处理；建立机械臂动力学模型，实现振动特征识别，设计自适应控制律补偿系统非线性和外部扰动；通过轨迹平滑算法确保从机械臂运动的稳定性;安全控制模块，用于负责工作空间约束与安全管理；建立虚拟障碍物地图并限定安全工作空间，实时检测潜在碰撞风险，自动规划避障轨迹；设置位置和速度极限阈值，实时监控系统运行状态，确保双机械臂系统的可靠运行。

4.一种异构双机械臂末端位姿映射装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1‑2中任一项所述的异构双机械臂末端位姿映射方法。

5.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1‑2中任一项所述的异构双机械臂末端位姿映射方法。