随着机器人技术的不断发展成熟,服务机器人的应用领域与应用场景也越来越丰富。目前的服务机器人已经可以完成扫地、拖地等家政任务,但是更为复杂的任务如折叠衣物、给残障人士穿衣服等就难以胜任了,原因是因为这些任务都涉及到操作织物类柔性体。织物类柔性体在操作过程中极易发生变形,这使得传统的基于建模的操作规划方法很难实施。因此,本文提出了一种基于深度学习的织物类柔性体操作规划方法,该方法能够在织物呈现出复杂的皱褶状态下规划出单个或多个操作序列,操作织物从初始状态到达目标状态。该方法的实现主要分为两步,第一步是通过图像分割网络将复杂状态下的人与织物的状态关系分割出来,从而提取出织物的分布信息。这里的复杂状态指的是人与织物存在遮挡、覆盖等复杂交互关系的情况,为了从该场景中准确地识别出人与织物的状态关系,本文首先通过相机获取了人与织物的RGB信息和三维点云信息,然后通过热成像仪额外加入了人的热图像信息,并将RGB图像与热图像进行了图像融合,降低了人与织物状态的辨识难度,接着选用了Mask-RCNN图像分割网络,通过训练该网络完成了人与织物状态关系的分割。第二步是搭建了一个深度神经网络,该网络由编码模块、操作模块和解码模块三部分组成,能够预测出织物在每一个操作后的变形状态。以此为基础,通过给定织物的初始状态和目标状态,该网络能够通过反向传播不断修正操作输入。通过叠加操作模块的数量,该网络能够生成单步或多步操作规划序列。最后为了验证该方法的有效性,本文分别在仿真环境和实际场景中进行了实验,并详细分析了实验结果。实验结果表明,本文提出的操作规划方法能够适用于织物类柔性体,并在一定情况下能够得到较好的规划结果。