抓取是机器人技术在现实生活中最为常见的表现手段,也是机器人操作中最具挑战性的任务之一,其对于解放人类双手、提高工业生产力具有重要意义。传统机器人抓取操作多在结构化环境下进行,需要事先获取被抓取物体三维模型并离线规划机械臂抓取轨迹,适用场景相对固定且物体形状、颜色、大小等特征单一,缺乏灵活性和鲁棒性。为实现机器人在非结构化环境下对任意物体的精确抓取,首先需要解决的就是抓取位姿检测问题。本文以RGB-D相机为基础,深入研究了基于卷积神经网络的抓取位姿检测算法,分别实现了已知物体与未知物体的抓取位姿高效鲁棒检测,并进行了抓取实验验证,主要研究内容包括:研究了基于深度图像的机器人抓取位姿表示方法,使用二维图像检测代替三维空间抓取位姿检测。将多接触点表示法与二维旋转矩形框表示法相结合,提出两点式抓取位姿表示方法以表示机器人三维抓取位姿,更加符合二指平行夹持器执行捏取式抓取操作要求。结合深度数据并限定抓取方向,将二维抓取参数唯一地映射回三维抓取空间。提出了一种针对已知物体的两步法抓取位姿检测算法,将目标检测与抓取位姿检测相结合,利用小样本数据集训练网络模型,对物体位姿变化具有较高的适应性。基于SSD＿Mobile Net网络模型进行目标检测,采用阈值化分割技术将物体从背景中分离出来,利用主成分分析法可同时对多个物体进行抓取位姿确定。与传统方式相比,在有效减少构建抓取数据库时间的同时达到了87%的抓取成功率,性能较为优异。提出了一种针对未知物体的端到端抓取位姿检测算法,采用仿真方式构建抓取数据集并训练全卷积网络模型,直接输出深度图中各位置所对应的抓取位置、角度和质量,在极大减少数据集搜集时间的同时提升了抓取检测精度,通过抓取质量预测函数评价抓取位姿的优劣。该算法在验证集上的准确率达到0.899,超过原始GQCNN的准确率。且对于未知物体的抓取位姿检测平均时间为0.65s,较原始网络提升了31.6%。抓取质量Q值较高,且较为集中均在0.79以上,相比之前Q值不稳定且整体偏小有了较大提升。搭建了机器人抓取实验平台,通过对不同形状的未知物体进行抓取实验以验证抓取位姿检测算法的性能。实验结果表明端到端抓取位姿检测算法的抓取位姿检测准确率和机器人抓取成功率均达到较高水平,抓取过程灵巧且稳定。