机器人在位置固定,作业对象位姿也确定的情况下,可在装配流水线上非常稳定、可靠地工作。但在机器人位置不固定且作业对象位姿未知的情况下,机器人需要获取作业对象位姿,以及机器人与作业对象之间的相对位置关系才可以实现目标物的抓取。针对以上问题,本文结合深度学习和机器视觉技术对机械臂抓取位姿估计算法展开研究,设计机械臂抓取目标物位姿估计方法,本文的相关工作如下:1.目标识别定位方法。为削弱周围环境对提取抓取目标物特征的干扰,降低场景复杂度,基于深度学习算法设计目标识别定位方法,对抓取物进行识别定位。目标识别定位方法利用自制标注数据集并结合COCO数据集的网络模型对神经网络进行迁移学习训练,在获得目标物位置的同时,提高网络识别精度。目标识别定位方法的基础卷积神经网络为实例分割网络--Mask R-CNN网络。为提高Mask R-CNN网络的识别速度和精度,在对其主干网络结构进行分析后,选用网络层数较少的Res Net50网络为主干网络对图像进行特征提取。为进一步提高网络识别速度,选用轻型高效、计算量小的Mobile Net网络替换原主干网络Res Net50,对Mask R-CNN网络进行改进。目标识别定位方法最终输出的抓取物分割图作为目标位姿估计方法的输入。2.目标位姿估计方法。设计基于线特征的双目数据源目标位姿估计方法,获取抓取物位姿信息。首先对双目相机进行相机标定,获得误差较小的相机内外参数。接着采用结合Canny边缘检测的Hough线变换提取分割图中线特征。针对提取线段重复、间断问题,设计线段合并算法得到完整度较高的线段;针对合并后线段间交点少的问题,设计端点重构算法得到目标物轮廓线段。然后设计二维线段匹配算法对左、右图像的目标物轮廓线段进行匹配,得到左、右图像线段匹配对,依据双目视觉原理获得三维轮廓线段,并将其离散化为抓取物轮廓点云。最后利用SAC-IA粗配准与ICP精配准对抓取物轮廓点云与模板点云进行配准,获得抓取物位姿信息,提高位姿估计精度。通过实验验证,本文设计的机械臂抓取目标物位姿估计方法不仅能提高识别定位的速度和精度,还能获得精度较高的位姿信息,说明本文设计的机械臂抓取目标物位姿估计方法具有高效性和鲁棒性。