随着科技的快速发展,服务机器人越来越受到人们的欢迎,抓取是其基本功能之一。与生产线上的机械臂重复抓取不同,服务机器人实现抓取的关键问题是根据不同物体确定出不同的抓取位姿。除此之外,避障运动规划也是抓取作业中的关键内容,目前大多数规划方法都是针对静态环境,不能应用到服务机器人的动态工作环境中。针对上述问题,本文以六自由度机械臂为对象,分别对避障运动规划和抓取位置检测两方面进行了研究。针对动态环境避障运动规划问题,本文提出了基于改进式快速扩展随机树（Rapidly-exploring random tree star,RRT*）的避障运动规划算法,分为预规划和重规划两个阶段。预规划阶段算法在关节空间内进行偏向目标的均匀采样,将节点转换到笛卡尔空间进行碰撞检测以判断是否添加进搜索树中,同时挑选出前k个成本最小的节点送给机械臂控制器,实现规划与运动同步进行,直至搜索到目标点进入重规划。重规划阶段算法在路径点附近小区域内进行采样,优化路径,当环境变化导致规划好的路径失效时,则执行“剪枝”和“重连接”操作,实现动态避障和跟随目标。针对抓取位置检测,本文提出了基于Darknet-53和锚框思想的单阶段抓取检测卷积神经网络,同时输出抓取框信息和置信度。对康奈尔数据集做预处理,裁剪出包含目标的尺寸为224×224的图片,并将B通道换成D通道,作为新的数据集。将标注框的方向角除以18向上取整作为该标注框所属类别,将回归问题离散化为分类问题。使用目标检测任务中训练好的Darknet-53作为预训练模型,使用新数据集对抓取网络进行再次训练,并与标注的真值框进行对比验证,达到了84.7%的检测准确率。在MATLAB环境中完成了避障运动规划实验,从关节角变化曲线光滑性,预规划算法速度,重规划算法的避障能力等方面验证了算法的性能,最后在实际机械臂上进行了避障运动实验,证明了算法的可行性。在实际机械臂平台完成了抓取实验,使用深度相机获取目标的RGB-D图像,经过处理后输入给抓取检测网络预测出最优抓取框,将其映射为机械臂抓取参数,驱动机械臂完成抓取。选择生活中常见的10个物体进行抓取验证,预测出的绝大多数抓取框都能完成抓取任务,最终达到了80.7%的抓取成功率。最后将避障运动规划与抓取位置检测两方面内容相结合,设计了避障抓取实验,达到了 73%抓取成功率。实验结果表明,本文所提出的避障规划算法和抓取检测算法能够实现实际环境中的抓取作业,具有一定的鲁棒性。