抓取检测是计算机视觉和智能机器人领域的一个重要分支内容。由于传统的机器人需要复杂的三维结构建模,过程繁琐,效果差。近几年兴起的深度学习方法虽然有较高的抓取成功率,但是需要人为调整大量参数、人工标注大量样本。随着深度强化学习在智能机器人领域研究的快速发展,研究工作者开始关注基于深度强化学习的自主抓取检测方法的研究。他们将提取到的RGB图像信息和深度图像输入到卷积神经网络中,并且利用卷积神经网络学习抽象特征,然后将所得到的抽象特征输入到强化学习算法中,从而构建基于深度强化学习的自主抓取检测模型。本文的研究内容主要是围绕在仿真环境下基于深度强化学习的抓取检测方法展开的。首先,详细阐述了深度强化学习的相关理论知识。接着总结了抓取检测的主要算法和模型。然后,针对机械手臂抓取检测的特点,深入研究了多模态信息融合、卷积神经网络特征提取、深度强化学习的值函数表示,提出了基于WNIN和Group Convolution的EFCN推抓协同方法。针对深度强化学习的奖励稀疏和训练过程中不稳定等问题,提出了结合动态更新策略和改进奖励函数的DQN推抓协同方法。最后利用机器人仿真平台V-REP搭建仿真实验。实验设置为在训练过程中每次随机摆放10个物体,然后当机械手臂抓取物体到达一定高度之后即视为抓取成功。在验证过程中,为了验证的可靠性和准确性,将在验证实验中随机摆放训练过程中没有出现过的10个物体,然后对抓取成功率进行计算。本文的创新点体现在以下六个方面:1、提出WNIN网络模块为模型引入表征能力更强的深度网络;2、利用Group Convolution为模型减少计算量同时提升性能;3、基于完全卷积神经网络,探索目前主流的几种完全卷积神经网络对本模型性能的影响;4、引入动态更新策略来提高网络训练中的稳定性;5、通过引入更多的特征,提出表达能力更强的奖励函数;6、利用V-REP仿真软件搭建实验平台,并进行了高效抓取检测的仿真实验。