近年来,由于协作机器人的成本较低、灵活性较高,深受企业、个人用户的青睐。工作人员与协作机器人协同作业不仅可以降低工作人员的劳动强度,还能保留工作人员的自主认知能力,但随之而来的是工作人员对于协作机器人安全性能的顾虑。为了实现安全、高效的人机协作,协作机器人的运动不仅要远离工作人员,而且要保证工作效率,因此,协作机器人的路径规划研究具有重大意义。基于此,本文以拥有七自由度机械臂的机器人为研究对象,在人机协作的桌面物品分拣场景下,结合机械臂抓取技术,围绕机械臂的路径规划问题进行研究,具体研究内容如下:（1）面向物品抓取任务的机械臂抓取研究。在人机协作场景中,机器人需要具备物品抓取能力,而物品抓取的实现方式主要分为两类:一类是先进行目标姿态的估计,然后根据程序设定或者计算,进而确定目标的抓取点;另一类则在算法中考虑机械臂末端执行器的约束,直接进行目标抓取点或者机械臂抓取姿态的规划。本文对这两类实现方式进行了实验。结果表明,直接进行目标抓取点规划的方法不仅可直接应用于实际场景,而且目标抓取点的估计较为准确。紧接着,经过计算可确定机械臂的抓取姿态。（2）提出了结合障碍位置预测的机械臂路径规划算法。针对机械臂在动态环境下进行关节空间路径规划存在的规划效率低、计算复杂度高等问题,本文采用人工势场法在笛卡尔空间对机械臂末端进行路径规划,然后再对机械臂整体进行碰撞检测。针对传统人工势场法存在的局部极小值问题,本文提出了运动方向采样机制,以机械臂末端当前的受力方向为中心,进行运动方向采样,然后通过代价函数选取最佳运动方向,从而避免机械臂陷入局部极小。针对传统人工势场法存在的障碍附近目标不可达问题,本文对斥力势场函数进行改进,使斥力随机器人和目标之间距离的缩小而减弱,再结合运动方向采样机制,两种障碍附近目标不可达问题均可得到解决。此外,考虑到动态障碍对路径规划的影响较大,故本文对动态障碍进行了预测,在预测的障碍位置建立虚拟的斥力势场,使得机器人提前偏离障碍运动路径,从而降低碰撞的可能性。（3）提出了融合头部姿态估计的手臂位置预测方法。人机协作场景下,协作人员手臂运动的重复度较高,因此可以根据协作人员手臂的部分历史时序数据,使用基于LSTM的模型对手臂运动进行预测。在涉及手臂运动的作业场景中,协作人员的头部转动会早于手臂运动,因此本文在对用户手臂运动进行预测时不仅考虑了手臂的位置、速度信息,而且考虑了用户的头部姿态信息。在设计、训练模型后,真实环境下的实验结果表明,LSTM模型对协作人员手臂运动的预测较为准确。同时,通过头部姿态有无被考虑的对比结果可知,在手臂运动预测中考虑头部姿态有更好的预测效果。（4）搭建桌面物品分拣的人机协作场景,对上述内容进行完整的实验验证。结果表明,机器人既可以对桌面物品进行有效的抓取点估计,又可以较为准确地对协作人员手臂运动进行预测,并且实现安全、可靠的路径规划,表明系统功能较为完整。同时,通过和另一种适用于动态环境、基于代价评估的路径规划算法进行实物实验对比,本文提出的改进型人工势场法的路径长度更短、规划时间稳定,并且保证了协作人员与机械臂之间的安全距离,验证了本文路径规划算法的安全性、有效性。