人工智能技术的快速发展使得机器人与环境发生交互行为成为现实,其中机器人抓取问题是这种交互行为亟待解决的问题之一。与传统图像算法相比,基于深度学习的抓取算法更能适应复杂场景的抓取问题,通过训练海量的数据,来学习抓取物体所需要的特征,从而提高机器人抓取的鲁棒性和成功率。本文对基于深度学习的抓取算法及抓取仿真系统开展了相应研究,针对传统算法抓取速度慢、抓取准确率低等问题,提出了新的卷积神经网络算法,并在实际场景和仿真场景下进行验证;针对深度学习需要海量数据及实际机械臂抓取成本高的问题,设计了基于Unity3D的机械臂仿真系统。在抓取算法方面,本文提出了一种基于卷积神经网络的抓取框检测算法。通过网络直接预测出整张图片的抓取质量图、抓取方向图和抓取宽度图,并从中挑选出质量峰值最高的几个点作为抓取中心点,同时根据抓取方向图和宽度图分别得到抓取框的方向和大小;然后进行手眼标定程序,计算出相机与机械臂基座之间的位置转换关系;最后将网络输出的抓取框信息转化为机械臂末端夹手的抓取姿势,从而实现机械臂的抓取行为。本算法的输入是深度图像,由于采用轻量级的卷积神经网络,抓取框检测速度快,每张图片的检测时间仅为21ms,且算法抓取成功率高能满足实际场景中的抓取任务需求。在机械臂仿真系统方面,本文的主要目的有两个:一是制作抓取数据集、二是模拟抓取的全过程。建立仿真系统的基础是场景的搭建,本文先是在solidworks对机械臂的各个关节建模,具体关节参数参考的是UR3型号机械臂;然后将关节写入URDF文件,以便后期导入进Unity3D中;然后对场景的其他物体进行建模,比如说桌子、小方块等;最后在Unity3D中调整各个模型的位置以及物理特性。搭建完场景之后还需要编写数据集采集和机械臂运动控制的脚本,其中,数据集脚本的具体功能包括RGB图、深度图、mask图以及关键点信息的采集,并且按照规定好的存储结构进行存储。本文搭建的系统数据集采集的时间与其他方法相比大大减少,在几分钟之内就可以采集几千张图片及其相关信息,并且经过实验证明,采集的数据集是满足抓取任务的需要的。