随着我国工业发展逐渐进入“工业4.0”时代,工业智能化、数字化逐渐出现在工业制造过程中。“工业4.0”时代对工业机器人行业有了新的要求,作为工业机器人的重要组成部分,工业机械臂行业迅速发展。基于工业智能化、数字化的要求,智能化工业机械臂逐渐取代了传统工业机械臂。目前,由于深度相机可采集机械臂所处环境的深度信息,为保证机械臂环境感知的准确性,用于智能化工业机械臂的环境感知传感器大多采用深度相机,但由于深度相机的成本较高,提高了智能化工业机械臂的成本。针对这一问题,本文对工业机械臂环境感知、运动避障两个方面进行了研究,提出了一种基于YOLO网络的机械臂位姿估计与避障的算法,该算法以单目相机作为视觉传感器,可实现目标物体的位姿估计及机械臂的避障抓取。首先,本文对目标检测、位姿估计、路径规划三个方向的国内外研究现状进行了研究,然后对卷积神经网络的原理与相机坐标转换、相机标定进行了详细介绍,接下来对求解相机位姿的EPn P算法进行了详细地介绍。基于对以上算法的研究,设计了一种预测图像中目标物体的包围盒像素坐标的深度卷积神经网络,并基于Aruco二维码对相机外部参数进行求解,将卷积神经网络预测的目标物体包围盒像素坐标系下的坐标转换为世界坐标系下的坐标,进而对目标物体的位姿信息进行计算。其次,为了实现机械臂运动避障,对UR3e机械臂进行正逆运动学分析,基于三维OBB包围盒对机械臂的碰撞检测包围盒进行建模,设计了基于OBB包围盒的碰撞检测算法。针对传统空间蚁群算法的效率问题,在基于蚁群算法的空间路径规划的基础上进行改进,实现机械臂在抓取过程中规划出无碰撞路线,同时使用仿真软件对改进的蚁群算法进行了验证。最后,对本文所设计的算法进行验证。首先对环境感知所使用的相机进行标定,然后对Aruco二维码的内部序号与角点识别进行了实验,接下来以Linemod标准位姿估计数据集作为位姿估计网络的输入进行了位姿估计精度实验,与相关的位姿估计算法对二维投影指标、ADD指标、5cm5°指标三个评估位姿估计准确率指标进行了比较,最后通过UR3e机械臂平台进行了无障碍抓取实验与避障抓取实验。经过实验验证,本文所提出的基于YOLO网络的位姿估计算法在Linemod数据集下的平均二维投影指标为90.01%,ADD指标为52.16%,5cm5°指标为59.48%,相较于相关算法有较大提升,抓取平均时间为23.51秒,抓取成功率为80%,在保证了抓取成功率的基础上,抓取时间大幅缩短,提高了机械臂自主抓取的工作效率。