物体位姿估计和机器人机械臂路径规划可使机器人灵活地完成物体抓取、零件装配零件加工等工作,因此在机器人抓取领域有举足轻重的作用。物体杂乱、物体相互遮挡、物体背景复杂等场景对现有的物体位姿估计和机械臂路径规划算法提出了新的挑战。本文解决的主要问题如下:随着深度学习技术的发展,神经网路技术被越来越多地用到物体位姿估计中,然而要使神经网络获得较高的预测能力,需要使用大量高质量标注数据来进行训练,而在机器人抓取领域中,有关物体位姿标注的数据库比较少。当出现数据库中不存在的新物体时,需要靠人力标注新物体位姿,这要浪费大量时间而且标注质量因人而异,从而导致机器人无法在短时间内对新物体位姿进行预测。本文在总结以上不足的基础上,提出了基于深度学习的物体位姿估计网络架构,此架构采用了半监督学习和领域自适应方法来训练网络,不仅可以提高位姿估计的准确度而且可以应对新物体没有标注数据的问题。得到物体位姿后,需要通过规划算法规划出一条路线,并使机械臂沿此路线运动来让夹爪接近物体从而抓取物体。此路径不能与物体相撞而且路径尽量平滑,还要求规划算法具有实时性和较高的成功率。本文总结并比较了最近的路径规划器,在此基础之上提出了一种基于深度学习的路径规划算法,此算法不仅可以实时理解动态场景而且根据经验来决定运动路径的生成。