装配作为生产环节中一个必不可少部分,占用整个产品加工的大部分时间。小批量多样化的生产模式对装配的快速性、准确性、灵活性提出了更高的要求。相比于传统手工装配,基于机器人的自动化装配可以免除人为因素对产品质量的影响,降低装配耗时,极大地提高生产效率。国内外对机器人自动装配技术的研究,主要集中在零件位姿检测。本文提出基于低成本Kinect传感器的散乱零件位姿估算方法。通过分析修复传感器的深度图像,获得描述零件姿态的点云;利用散乱零件连接部分特征和零件自身平面结构分离出目标单元;针对分割后的单元数据,由随机采样一致原理出发,设计基于特征的位姿估算方法并通过实验进行分析验证。详细研究内容如下:首先,提出基于Kinect传感器的散乱零件点云获取方法。建立深度图像和三维点云的变换关系,针对图像中的三种主要缺陷,分别进行处理:采用引导滤波去除图像噪声,分析调整参数和窗口半径对图像质量及边界轮廓影响,针对不同图像,提出参数的最佳选择;采用联合双边滤波修复图像的空洞,分析参数影响并通过实验测试空洞填补的数量和质量;采用卡尔曼滤波消除深度数据跳动,分析参数影响并通过实验对比处理前后数据的变化程度;最后,提出一个完整的深度图像预处理方法,通过实验测试三维点云的精度。然后,提出完整的点云预处理方案。通过标定载物面,获得完整目标点云。提出基于体素网格的点云密度减低方法,减少点云数量。利用数据点局部统计特征,设计一种有效的离散点检测方法,提高目标点云中有效点的比例。其次,提出基于统计距离和平面特征的散乱零件分割方法。针对边界点和内部点在空间统计性质上的差异,提出基于统计距离的相邻目标连接部分消除方法,获得适合空间聚类分割的点云单元;对于相互连接程度较大的相邻目标,设计基于平面结构的点云分割算法,实现从堆叠零件中获取单个目标的目标。最后,提出基于随机采样一致的位姿估计方法。利用Halton序列从STL模型中获取零件的标准点云。采用偶极子特征完成目标零件和标准点云匹配,针对特征中需要的法向量信息,提出了一种基于累加距离的估计算法。依据随机采样一致原理完成匹配算法各部分的设计,通过引入Td预测试和HASH表,降低匹配时间。搭建实验平台,对位姿结果,对比实际检测数据,验证位姿估计的精度。