现有的机器人抓取模型大多都是针对不透明的物体或折射和反射率较低的物体来进行指定的抓取任务,无法对日常生活中常见的透明物体实施有效的抓取,从而限制了机器人的应用和发展。对透明物体进行深度补全是赋予机器人抓取技能的重要方法。通过运用深度补全算法,可以对透明物体缺失深度信息的原始深度图进行有效的补全,将补全后的深度图运用到抓取模型中,使得机器人可以有效地感知到透明物体的大小和位置信息,从而实行对透明物体的有效抓取。本文对透明物体的深度补全进行了研究,提出了带有光谱残差的自注意力生成对抗网络,用于对透明物体进行深度补全,并最终对透明物体实施有效的抓取。近年来对透明物体进行深度补全的研究主要是利用了基于几何约束的线性系统来预测缺失的深度值,这很难在端到端的框架中进行部署并实现联合优化。针对该问题,本文提出了一种对透明物体的原始RGB-D图像进行深度补全的深度学习方法。更具体地说,在数据预处理阶段,给定一张透明物体的RGB-D图像,首先获取到它的表面法线,表面遮罩和遮挡边界作为原始特征,然后拼接上视觉特征一起输入到一个生成对抗网络中,该网络利用生成器去预测缺失或不准确的深度值来补全深度图,并使用判别器来引导补全的深度图与深度图的真值相匹配。在生成器中,本文设计了具有光谱归一化的光谱残差块（SRB）以提高网络训练时的稳定性,并设计了残差块用来传递注意力图,从而捕获透明物体的结构信息并区分透明物体的几何形状。在判别器中,本文使用了基于补丁（patch-based）的卷积网络去调整预测深度图的数据分布,从而使得补全的深度值能够很好地逼近真值。在Clear Grasp数据集上的实验表明,所提出的带有光谱残差的自注意力生成对抗网络能以较高的精度对透明物体的原始深度图进行深度值的补全。即使是在真实物体上进行测试,本文的模型也展示出弥合模拟数据与实际应用之间差距的出色能力,充分证明了模型具备良好的泛化性和鲁棒性。最后,将所提出的深度补全方法部署到协作机器人Baxter上,准确且高效地完成了对透明物体的抓取任务,进一步验证了本文方法的有效性。