随着机器人作业任务越来越复杂精细,实现仿人机械手稳定可靠的抓取是机器人领域的重要挑战。欠驱动仿人手在抓取中具有自适应性,但是抓取的灵活性和精确性不足。由于缺乏合适的抓取规划策略,欠驱动仿人手较难应用于自主抓取。本文受到人类能够预测匹配物体抓取手势的启发,基于深度学习方法与欠驱动仿人手抓取的互补性,提出一种基于抓取模式识别的刚软仿人手自主抓取方法。该方法通过视觉信息和深度学习方法识别物体的抓取模式和抓取姿态,简化了抓取规划和控制,最后搭建刚软仿人手抓取平台进行了实验验证。本文的具体研究内容如下:基于刚软仿人手的结构和欠驱动自适应抓取方式,进行了单手指运动学分析。根据虚功原理得到手指刚性关节转角与腱绳拉力的关系,根据等效悬臂梁结构得到柔性指节弯曲变形的挠度和转角,再通过叠加得到手指的运动状态以及指尖运动轨迹。进一步分析了五指仿人手的整体运动学,通过Matlab仿真得到刚软仿人手的运动空间。根据人手的抓取模式分类,制作了用于深度学习网络训练的抓取检测数据集,其中将物体分为柱形包络、球形包络、精细捏取和宽型捏取四种平面抓取模式。使用基于深度学习的YOLOv3物体检测算法识别了已知和未知物体的抓取模式和抓取区域,使用基于Open CV的Canny边缘检测、轮廓检测和轮廓最小外接矩形等图像处理方法检测了物体的抓取角度。通过刚软仿人手的位置控制实现不同的抓取模式,利用速度控制实现多手指的协调运动,利用电流反馈控制间接实现抓取的力反馈和抓取制动。在手指接触检测中利用高斯过程回归来预测驱动电流的均值和置信区间。利用ROS软件系统实现UR3e机械臂的运动规划和仿真,并通过相机的手眼标定完成抓取目标点的坐标变换。搭建刚软仿人手实验平台,在手指的运动控制实验中验证PID位置控制和速度控制的准确性,在手指接触检测实验中验证接触反馈的及时性。通过UR3e机械臂搭载刚软仿人手,在物体抓取实验中验证了抓取模式识别和自主抓取的稳定性。实验结果表明本文所提抓取方法具备实用性,能够适用于不同形状大小的生活日用物体。