随着人工智能以及机器人技术的发展,机械臂的工作环境已逐渐从相对固定的生产线转变到复杂的生产生活场景中,这对机械臂的工作能力提出了更高的要求。为适应灵活多变的工作环境,机械臂的智能性和柔顺性正逐渐成为机械臂的关键性能。为了提升机械臂的智能与柔顺性,本文开展了以下研究。基于深度卷积神经网络的物体6D估计算法。研究分析了多种物体6D估计算法,结合机械臂实际应用场景,选择最适合的SSD-6D算法,利用OpenGL制作样本数据,采用迁移学习的方法训练适用于本文的网络模型。模型在训练集上的损失函数从1.4收敛至0.005左右,下降了 99.49%,验证集上的损失函数从1.2最终收敛至0.02左右,下降了 99.01%。基于六维力传感器的机械臂末端精确受力感知。综合考虑负载重力、传感器自重、传感器零点及受力系数等因素,建立机械臂末端受力感知模型,并给出一种模型参数标定求解方法。该方法利用陀螺仪弥补机械臂姿态误差,通过多组数据,求得受力系数、负载重力等模型参数。最后开展了三组试验,结果表明,利用本文方法进行重力补偿后,六维力传感器感知外力的误差在负载重力的0.23%以内,感知外力矩的误差在负载对传感器力矩的0.79%,负载质量标定误差在负载质量的0.089%以内,负载重心标定误差在1.245%以内。基于力误差的阻抗控制。在以位置控制为内环的基础上,研究了传统阻抗控制的特点,分析其在未知接触环境下的不足之处。为实时调整机械臂期望位姿,本文设计了一种基于力误差信息的阻抗控制律,以力误差为自变量构造了期望位姿函数,利用Lyapunov稳定性理论证明了其稳定性。最后设计了三种工况,利用Matlab对比并分析两种控制律的仿真效果。在不同工况下,基于力误差信息的阻抗控制系统上升时间减小了 28%-66%,消除了部分环境下的稳态误差,波动幅值减小了 89.46%,各方面均优于基于位置的阻抗控制。最后,开展了机器人智能柔顺控制的系统实验验证。利用相机采集外界视觉信息,通过基于深度卷积神经网络的物体6D估计算法赋予机械臂智能性,利用六维力传感器采集机械臂末端接触力信息,融合受力感知算法与阻抗控制算法提高机械臂柔顺性和智能性。搭建实验平台,编写控制软件,设计了两种实验方案,并在实验平台上进行抓取与装配实验任务,通过实验验证了本文所提算法的有效性。