目前工业机器人已广泛应用在智能制造领域,其中机器人位姿估计是工业应用中最常见的任务需求之一。在工业现场主要通过机器视觉实现简单场景下的机器人抓取位姿计算和物料分拣。随着工业控制对精确度和自动化要求的日益增长,传统的视觉位姿估计方法已不能满足日益复杂的任务场景与需求。在复杂工业应用场景中,待抓取的物体往往存在相互堆叠、交叉干扰、边缘模糊、噪声等问题,使工业机器人难以获取对于被测物体的准确抓取位姿。因此,如何在复杂工业场景中,实现工业机器人准确、高效的位姿估计已成为新的研究热点。本文根据复杂工业场景的特点,在工业机器人位姿估计方面进行了深入研究,通过二维视觉信息和三维点云信息对机器人位姿进行引导,提出一种基于多模态信息融合的机器人位姿估计方法,主要工作内容如下:1.提出一种完整且高效的3D姿态数据集制作方法。该方法可以在短时间内完成待识别物体的姿态标注,为位姿估计任务提供可靠的数据。并通过QT软件开发框架建立该系统的基本软件架构,实现数据集的全自动采集与构建。2.提出基于改进Mask RCNN二维图像信息提取方法。首先采用Dense Net密集连接网络对特征提取层进行优化,增强弱特征的提取能力,然后通过引入建立新的分割损失函数,使图像中物体信息的提取更加准确。改进后的Mask RCNN网络可以为位姿估计网络提供待抓取物体准确的RGB信息和深度信息。3.搭建了基于多模态信息融合的位姿估计网络。通过Mask RCNN模块的输出的结果分别对场景中的待抓取物体进行RGB信息和深度信息的提取,并将深度信息转换成相机坐标系下的点云信息。使用Dense Net和Point Net++分别对RGB信息和点云信息进行特征提取,再利用特征融合网络对异构特征信息进行像素级特征融合,最后通过位姿回归网络和ICP算法实现相对位姿的旋转四元数估计以及四元数至旋转参数矩阵的解析,位姿估计误差在8度以内。4.研究了多模态信息融合的机器人姿态估计算法在实际工业场景的应用。首先介绍了手眼标定方法,并对Eye to hand手眼标定方式进行了理论推导。分析了工业机器人的运动规划算法,利用MATLAB和Mathematica实现了对机械臂RRT运动规划算法的仿真。最后将本文提出的位姿估计算法应用在实际工业场景中,实现了复杂工业场景下的工业机器人的抓取应用。