因非结构化环境中待抓取物体的多样性,以及周围环境的不确定性等因素,非结构化环境中的机器人抓取技术一直是机器人工业界和学术界的难点之一。本文针对这个问题,从物体识别分割、6-DOF抓取位姿估计、视觉建图、运动规划算法优化等四个方面展开研究,最终实现了可在非结构化、杂乱场景中准确抓取目标物体的机器人抓取系统,具有可观的抓取成功率和抓取速度。非结构化场景中识别和分割物体具备较大挑战性,尤其在遮挡情况下,本文基于实例分割算法SOLOv2实现了在复杂场景下对待抓取目标的准确识别和分割,通过多种图像增广技术提高了模型在小数据集上的分割能力和泛化能力,实验表明,模型的分割精度接近90%,分割实时性较好。传统抓取位姿估计方法都依赖于精确的物体CAD模型,以保证抓取的成功率和精度,但局限性较大,不具备场景泛化性。本文基于Contact-Grasp Net网络,提出一种端到端的6D抓取估计方法,通过大量非结构化抓取场景的训练使得网络具备较优的泛化能力,可在无目标CAD模型情况下准确估计出抓取位姿。本文还提出一种综合抓取评估方法,主要包含可达性评估、力封闭性评估和稳定性评估三部分,将此评估方式与抓取估计网络结合可以有效筛选出场景中的最佳抓取,提高抓取成功率。实验结果表明,本方法在混乱、遮挡等场景中都可以生成针对目标物体的可靠抓取位姿。机器人得到抓取位姿后还需要通过规划生成一条无碰撞路径,以执行抓取动作。本文基于Octomap完成规划地图构建,在规划算法层面,本文着眼于机器人抓取任务,引出一种新的规划最优的定义,并提出一种贪婪式快速扩展随机树算法GRRT-Connect,通过贪婪式步长递增和贪婪二分剪枝两个策略有效提高了算法的搜索效率并减小路径代价。实验证明,GRRT-Connect算法性能优于其他RRT系列算法。基于以上算法研究,本文设计了一套机器人6D抓取软件系统,主要包括通讯/中间层、核心功能层和指令交互层,在交互层设计了两种抓取模式:工业性和语音服务型。使用此系统进行了综合抓取实验和非结构化场景抓取实验,实验结果表明,抓取系统的平均抓取成功率高达94.58%,非结构化抓取场景中平均抓取成功率在90%以上,验证了本文提出的抓取方法的有效性和先进性。