机械臂是一种复杂的机械控制系统,它能够代替人进行大量重复性的工作,如搬运、喷涂、焊接、装配等。然而,对于工业生产线上所使用的机械臂,只能够按照固定的流程在具体的流水线上执行确定性的任务。为了让机械臂在更复杂的场景中得到应用,需要研究适用于现实环境的机械臂智能控制算法。抓取某个指定的物体而不是抓取任意物体,是在现实场景中实用的需求。本文聚焦于机械臂控制问题中的指定物体抓取问题,深入研究了基于深度学习的平面物体抓取算法。本文的主要工作归纳如下:1.基于深度强化学习的指定物体平面抓取算法研究。提出了无需深度信息就可以在较短时间内使机械臂学会抓取指定物体的算法。利用卷积网络从图像数据中得到关于物体位置角度的预测图,机械臂以图中预测值最大的位置角度抓取。使用深度强化学习算法更新网络的参数。利用语义分割模型,可以得到仅包含指定物体的图像,实现抓取指定物体,并使得在仿真环境中训练的模型迅速迁移到现实环境中。2.基于生成对抗网络的非俯视视角指定物体抓取算法研究。提出了适用于物体抓取的非俯视视角到俯视视角的图像转换算法。生成器输入非俯视视角的图像并输出俯视视角的图像,鉴别器判断图像是否为真且与输入相匹配。将图像转换算法与物体抓取算法结合,实现非俯视的指定物体抓取算法。3.基于度量学习方法的弱监督指定物体抓取算法研究。提出了一种仅需图像级标注就能获得仅包含指定物体的图像的算法。利用度量学习将图像转换为特征向量,一个包含多个物体的图像的特征等于包含在其中的每个物体的特征之和。通过计算包含多物体的图像的二维特征图不同区块与指定物体图像的特征相似度,并利用条件随机场优化结果,得到只包含指定物体的图像。通过在现实环境和仿真环境中的一系列对比实验,结果表明本文提出的指定物体抓取方法能够适用于现实环境,能够取得较好的性能。