服务机器人作为工业之外的机器人自动化新形式,通常用来帮助或者代替人类执行琐碎、耗时、重复或者危险的任务,而服务机器人技术中的自主抓取决定了机器人执行诸多任务的灵巧性。机器人抓取技术在目标单一、环境较为稳定的工业生产中已经有了广泛应用;然而服务机器人自主抓取水平较低。目前家庭环境下物体具有多样性,同时目标物体检测和识别容易受环境光照、物体遮挡等影响,物体的位姿计算和机械臂抓取规划较为困难。因此,本课题针对服务机器人自主抓取问题,深入研究机器人抓取目标及场景描述的方法、目标抓取位姿估计及机械臂抓取的运动控制等内容,实现一种用于一般性环境、任意对象的综合抓取方法,并通过机器人抓取实物实验进行验证。主要内容如下:1、描述基于立体视觉和轻量型仿生机械臂的服务机器人框架。包含基于双目和结构光的立体相机、仿人型轻量级机械臂和计算机,采用“眼”在“手”上的手眼系统,使抓取更灵活,机器人在运动中可以观察物体与手之间的偏差,进而调整机械臂抓取动作执行规划。2、建立服务机器人抓取模型,定义模型参数,进而设计抓取质量评估深度神经网络模型。并对网络模型进行分析,得出网络的基本结构。3、根据模型参数从康奈尔抓取数据集生成训练数据集,其中涵盖了家庭环境中常见抓取对象。并设计具体的抓取质量评估深度神经网络,网络以深度图像作为输入,并以像素为单位预测抓取质量和抓取姿态。在已有数据集上验证抓取位姿检测准确率为91.5%。4、基于开源ROS机器人开发系统搭建实验环境,结合Tensorflow和Keras设计抓取质量评估深度神经网络。在筛选数据集上完成神经网络模型训练并对真实家庭环境物体进行重复抓取实验验证,检测成功率为91.2%,机器人抓取成功率为86.7%。本文提出了一种可用于闭环控制的实时、任意对象的综合抓取方法,实现了非结构化空间中对抓取目标的三维描述和抓取。