近年来,机器人抓取技术被广泛应用于社会生产生活的各行各业,随着机器人应用场景越来越广泛,要求机器人对场景信息的分析能力越来越强,所以在复杂的环境下对任意物体各姿态的准确抓取已经成为机器人抓取技术研究的热门方向。本文重点研究目标抓取定位算法,旨在确定更为精准的抓取位姿以便提高抓取成功率。本文将机械臂与视觉技术、深度学习相融合,利用Kinect相机增强机械臂对环境的感知能力,采用深度学习方法获得更具有鲁棒性的抓取位姿,并搭建物体感知、目标抓取定位以及抓取执行的实验平台。在物体感知环节,本文采用Kinect相机获得RGB-D图像,结合像素填充和改进的联合双边滤波算法对深度图空洞进行修复。在目标抓取定位环节,针对不同的目标场景,本文提出的两种基于深度学习的目标抓取定位算法如下:1)针对单目标场景,借鉴基于区域提取的抓取定位网络结构,研究密集模块与残差模块的优劣对原网络进行改进,设计了以DenseNet-121网络代替Res Net-50作为特征提取结构的抓取定位模型。鉴于原网络模型在小目标检测性能上的劣势,在特征提取过程中增加特征金字塔,并采用ROI Align代替ROI Pooling的网络结构,解决了抓取定位中的多尺度问题和抓取框定位不准的问题。最后提出采用网格划分的思想对抓取建议网络进行改进,减少了区域重复估计,平衡了检测速度与检测精度。2)针对多目标场景,将目标检测算法和抓取定位算法融合,为了满足高检测精度和高检测速度的要求,两种算法均采用YOLOv4的网络结构。在抓取定位算法中,首先增加SPP模块对其进行改进;其次采用适应机械臂抓取特性的多比例旋转锚框机制进行网格预测;最终实验表明YOLOv4与旋转锚框的结合对具有多种抓取方式的物体在定位方面鲁棒性更高。在抓取执行环节,使用“眼在手外”的标定方式获取目标物体可抓取位置的空间坐标,并采用笛卡尔空间下的直线插补算法进行机械臂轨迹规划。搭建实物平台用于完成对单目标和多目标的定位与抓取任务,其中,对单目标的抓取检测准确率为92.5%,抓取成功率为86.5%。针对多目标的定位抓取实验,先利用目标检测分割成单一物体,再采用抓取定位技术确定抓取位姿,抓取检测准确率为95.5%,抓取成功率为92.7%。验证了本文提出的目标抓取定位算法的可行性和鲁棒性。