在当今社会人口老龄化现象日益严重和残疾人口较多的大背景下,能帮助失能人士完成日常生活动作的载臂智能轮椅（Wheelchair Mounted Robotic Arms,WMRA）需求量急剧增加。针对WMRA用户需求以及现有WMRA抓取技术存在的自主化水平差,准确率低,速度慢等缺陷,本课题提出了一种结合交互注意力的双模式自主抓取方法。其根据物体形态信息的不同,采用不同的抓取模式,并在抓取过程中结合交互注意力,能够快速准确地完成自主抓取任务。本课题围绕以下内容开展研究:1)基于模式识别的视觉感知系统搭建。首先使用深度相机搭建视觉感知系统,对深度相机拍摄点云图像分别进行直通滤波、体素滤波和统计滤波处理,再使用欧式聚类算法将物体从滤波后的点云图像中分离出来,最后根据物体形态信息通过支持向量机判断物体所适用的抓取模式。2)基于点云库（Point Cloud Library,PCL）的侧抓模式抓取位姿检测。首先基于PCL点云库分离出场景中的物体并计算点云聚类质心,通过比对触控坐标与质心坐标的距离来确定待抓取物体;然后以物体质心坐标为基础,结合触控坐标合成抓取点,再使用局部表面拟合法计算抓取点的法向量作为抓取方向,机械臂根据这些参数对侧抓物体执行抓取。3)基于GR-ConvNet的俯抓模式抓取位姿检测。首先将物体彩色图像和深度图像输入到改进后的GR-ConvNet模型中,模型输出与输入像素坐标相对应的抓取质量分数,抓取角度和抓取宽度,再结合交互注意力选择出最佳抓取点,通过坐标变换将抓取点对应的抓取信息转换为抓取位姿并执行抓取。4)WMRA抓取系统集成与实验。首先基于ROS平台对模式识别和抓取检测算法进行集成,并通过模式识别实验、抓取检测实验和家居物体自主抓取实验来检测该抓取方法性能。95%的家居单物体自主抓取成功率和90%以上的多物体抓取成功率以及平均17.13s的抓取任务执行时间表明本课题所设计的抓取系统可以准确快速地完成非结构化家居环境下的自主抓取任务,具有抓取准确率高、抓取速度快和抓取鲁棒性强等优点。