机器人技术是跨越传统工程界线的相对较新的现代技术,它的出现大大地提高了社会生产力。抓取是机器人走进真实世界必不可少的一个功能。对于人类来说,识别和抓取物体是一项比较简单的任务。但对于机器人来说,识别和抓取物体是一项非常具有挑战性的任务,涉及到目标检测、抓取位姿判别、机械臂的运动规划与控制等内容。随着卷积神经网络(CNN)模型在很多应用领域展现出优异的效果,越来越多的学者开始关注基于卷积神经网络模型的研究。神经网络模型的规模过大,会造成网络不工作或者会出现过拟合问题,也会产生计算代价过高、连接数量冗余大等问题。因此需要对神经网络模型进行优化。本文提出了一种基于基于优化ResNet-50结构的机器人抓取位姿检测算法,并在仿真环境里进行了实验来对算法进行验证。首先,本文建立了机器人抓取系统框架,框架分为三个部分:目标感知、位姿检测和抓取执行。介绍了深度图像的获取方式,深度相机测距原理,针孔成像原理,以及深度相机拍摄得到的彩色图像空间和深度图像空间之间的映射关系。建立了物体抓取位姿表示方法,研究了图像的像素坐标系与机器人基坐标系之间的坐标转换关系。其次,本文对神经网络模型中的基本单元进行了介绍,搭建了基于ResNet-50结构的抓取位姿检测算法。利用康奈尔数据集对神经网络模型进行训练,使用多物体数据集作为测试数据集对神经网络模型进行评估,抓取框识别准确率达到了91.7%。然后,本文对ResNet神经网络模型的优化进行了研究。利用控制变量法进行实验,比较了各个优化方法对ResNet神经网络模型训练的效果,最终得出一个效果良好的优化方案。本文所搭建的抓取位姿检测算法加入这样的优化方案,最终取得的抓取框识别准确率为96.5%,超过了之前的91.7%的准确率。最后,为了进行仿真实验,本文在gazebo中搭建了仿真环境,基于ROS机器人软件架构建立了自动抓取系统,利用Move It!进行机械臂的规划控制配置。本文利用手眼标定和深度相机的内部参数得到物体在机器人基坐标系下的位姿,在仿真环境下进行了多次抓取实验。实验结果表明课题所搭建的机器人抓取系统具有良好的鲁棒性,所搭建的抓取位姿检测算法具有很好的性能。