随着国内电商与物流行业的蓬勃发展,仓储自动化已成为当前机器人领域的一个热门研究方向。电商巨头亚马逊通过采用Kiva机器人,将传统的仓储系统转换成了货柜自动搬运和人工分拣货柜中物品两个部分。而人工分拣目前已成为仓储自动化的瓶颈,如何实现机器人替代人工进行自动分拣,已然成为一个亟待解决的问题。为此亚马逊从2015年开始,已连续举办多届抓取挑战赛以期解决该问题。货柜物品自动分拣需要解决机械臂的实时运动规划、机器人系统现场快速标定、机械爪的抓取规划等问题,本文围绕以上几个问题展开研究,主要研究成果有以下几点:1.设计了一套由单轴、Kinova机械臂、KG-3机械手共同组成的用于自动化仓储的机器人系统,提出了一种多目标规划加速的轨迹规划算法。该算法通过将货柜中不同目标位姿或者预抓取位姿附近的不同位姿同时规划来实现多目标规划加速。通过在机械臂安装构型设计阶段应用该算法,货柜单格子所有位姿规划的耗时从3小时缩减到了半个小时左右,从而大大提高了机械臂安装构型设计的效率。2.针对现有手眼标定算法在z轴上具有较大误差的问题,提出了一种融合深度信息的手眼标定算法。该算法利用标定板棋盘格上RGB角点对应的点云信息,仅通过平面旋转、平移等几何变换来估计标定板三维位姿。该算法不仅使标定结果在x、y、z三个轴上都有较髙的精度,而且大大提高了手眼自动标定算法的收敛速度。3.针对现有基于解析的抓取规划算法给出的最优抓取位姿不准确,现有基于学习的抓取规划算法规划时间过长、受光照影响大等问题,提出了一种新的基于学习的抓取规划算法。通过利用点云包络的法向量作为候选抓取位姿的z轴实现抓取合成;通过投影场景点云到候选抓取位姿上生成深度投影,进而训练深度神经网络以完成抓取选择。该算法无须对待抓取物体进行建模,而且具有光照无关性。同时,该算法不仅在理论上快于现有基于学习的抓取规划算法,而且通过CPU和GPU加速后,规划效率快于康奈尔规划算法5倍。