物流仓库全自动化是电商零售行业进一步扩张的必然要求,能够有效解决零售仓库配送效率低,人力成本高,工作强度高等问题。目前订单履行中心的绝大多数业务已实现自动化,但货架商品的分拣作业仍占用了大量人力。利用机器人实现货物识别定位的分拣算法依然不够成熟,真正能够在仓库货架中投入应用产品极少,分拣自动化被认为是电商全自动化的最后一公里问题。随着电商行业的蓬勃发展,对于高效率,高质量的全自动仓库要求越来越高,迫切要求更好地解决大量货架商品的识别定位问题。本课题基于开源的ROS操作系统,深度学习框架Caffe和点云库PCL进行货架环境下货物的视觉检测与位姿估计研究,结合Jaco机械臂实现多角度检测定位,构建基于视觉传感器和机械臂的货架商品检测定位系统。考虑到仓库货架商品数量巨大,货架环境复杂,光线较差,利用深度学习算法SSD作为基础网络,借鉴Faster RCNN和YOLO9000网络算法思想,提出并实现SSD模型中预选框的优化,并利用优化模型实现更精确的位置回归,实现对货架环境的目标检测算法的进一步提高。针对货架商品的位姿估计,利用视觉测量领域主流方法实现深度传感器Xtion的外参和内参的标定,提出了结合半径近邻搜索算法,粒子滤波算法和点云配准算法的新一类位姿估计方法。为解决货架物品定位中局部视角和点云稀少问题,使用机械臂辅助移动深度传感器,实现多角度特征和点云的提取。机械臂的运动控制中使用DH法进行正运动学建模,使用牛顿迭代法求解逆运动学数值解。本课题以ROS为核心搭建货架环境下物体检测定位的算法框架,利用Jaco机械臂辅助进行货架商品的检测定位实验,成功检测并定位到模拟货架中目标商品,获得较满意的效果,完成了课题既定要求,验证了所提出的目标检测和定位方法在货架环境下的有效性和可行性。