在复杂动态的家庭环境下,物品抓取作为服务机器人的关键技能,对提升机器人的服务质量至关重要。目前,人们针对机器人物品抓取展开广泛的研究,并提出感知规划与采样评估两种主流的抓取方法。然而,由于复杂场景下,待抓取物品形状多样,且存在背景物品及噪声等干扰,这些因素显著制约机器人抓取物品的精度和效率。比如,在背景物品及噪声干扰下,感知规划抓取法面临较大的计算误差,使得机器人的抓取稳定性与环境适应性降低。而采样评估抓取法虽能实现高的抓取稳定性,且能适应多物品、堆叠物品等复杂环境,但在高维空间下,该方法需要评估的样本数量过多,使物品抓取的执行效率显著降低。为此,本文提出一种基于位姿估计和采样评估策略的物品抓取方法,核心是将上述两种方法进行融合,使两者优势互补,在保证抓取稳定性的同时,提高抓取效率。本文主要完成如下工作:首先,面向复杂背景下物品高效抓取,将感知规划与采样评估两种传统方法互相融合,通过前期的位姿感知引导抓取采样,解决了样本评估耗时过多的问题;利用后期的抓取质量评估,显著提升了物品的抓取精度。文中提出基于融合策略的物品抓取算法,其模型架构包括目标实例分割、点云提取、位姿估计、抓取采样、候选项评估、抓取执行。为减少环境及传感器噪声的干扰,采用多视角图像融合的方法获取目标物品点云,有效解决了单一视角下物品局部点云缺失的问题,进一步提升抓取性能。其次,为提升抓取样本采样效率,构建日用物品抓取先验知识库,利用感知的物品位姿与先验知识引导候选抓取采样,大幅缩减样本评估需要耗费的计算资源。在生成样本过程中,为每一个样本添加不同级别的高斯扰动,可以有效抵消前期位姿测量误差对采样精度的影响,提升样本质量。文中利用一种基于点对特征的模板匹配方法,实现了目标物品位姿的高效率、高精度测量。此外,基于Open 3D开发一款3D可视化抓取先验知识生成软件,借助Autodesk ReCap Photo构建物品的CAD模型,使先验知识库构建更加简便,提高模型开发效率。再次,针对传统学习方法收集数据困难的问题,利用几何分析抓取法引导机器人抓取,实现仿真环境下机器人自主学习,解决了传统学习方法耗时过长问题,显著提升了学习效率。基于V-REP搭建仿真平台,先在仿真环境下学习抓取模型,然后迁移到真实环境中,有效避免了物理机器人的磨损及故障问题,降低学习成本。本文构建一个专用于V-REP仿真平台的模型数据集(包含160种日用可抓取物品),解决了 V-REP仿真平台下抓取物品缺失的问题。最后,通过设计对比实验,验证了所提出的抓取方法具有良好的环境适应能力,相比于传统抓取方法,所提出的方法具有更高的执行效率,且能够保证物品抓取精度。基于RealSense与UR5搭建物理实验平台,通过对多种不同形状的物品进行抓取实验,验证了仿真环境下所学习抓取模型能够适应真实环境下复杂物品的抓取,证明了所提出的抓取方法能够适应复杂真实环境下物品抓取。