随着自动化技术和人工智能的快速发展,机器人技术在工业生产以及服务领域等各行各业都得到了广泛应用,机器人的灵活程度和复杂性也在不断增加。对从事各种作业任务的机器人来说,其操作环境和任务目标通常复杂多变,简单的重复预编程指令动作已不能满足实际工作任务的需求,拥有一定的自主学习能力已成为机器人的一项必要技能。示教学习是机器人通过人类演示学习运动技能的一种方式,它免除了重复的编程过程,并使得机器人能够在新的环境下快速重现示教动作。然而,现有的示教学习方法存在一定的局限性,机器人获取目标点位置的方式单一,轨迹规划方式缺乏自主性,导致机器人无法快速灵活适应新的环境。为解决这些问题,本文针对抓取任务提出了一种基于视觉和动态运动基元的轨迹规划方法。方法分为三个阶段,分别是最优示教轨迹提取、轨迹学习和物体识别抓取。在第一阶段,由于示教学习对训练模型的质量要求较高,人工示教过程中并不能一次性给出最完美演示轨迹样本,且拖动机械臂过程中可能会产生多次抖动。因此,本文提出了一种新的方法来得到最优示教轨迹:首先人工采集多次示教轨迹样本,并对每次样本进行高斯滤波处理进行平滑;然后使用高斯混合模型对多个轨迹样本进行聚类表征,从而提取多个示教轨迹的特征;最后通过高斯混合回归对示教轨迹进行泛化,生成特定操作任务的最优示教轨迹。在第二阶段,使用动态运动基元算法对上一步得到的最优示教轨迹进行学习,提取示教轨迹特征,并使用局部加权回归求取示教轨迹的权重参数。在第三阶段,为提升轨迹规划的自主性和灵活性,本文将基于深度学习的目标检测算法集成到轨迹规划方法中:首先通过Kinect深度相机对环境进行视觉感知,然后使用Mask R-CNN算法对待抓取物体进行识别和定位,进行坐标转换后将抓取目标的三维空间位置输入到第二阶段的动态运动基元算法,并基于上一阶段得到的权重参数计算学习轨迹的强迫函数,最后根据新的目标位置和强迫函数泛化出新的抓取轨迹,并传送到机器人进行执行。本文搭建了基于机器人操作系统的实验平台,建立Kinect视觉系统并进行参数标定,进行目标检测实验以及不同自由度的轨迹学习实验,并基于实验室现有的Baxter机器人验证本文所提出的轨迹规划方法的可行性。实验结果表明,机器人能够对示教轨迹的运动趋势进行学习,并能够自主识别抓取目标,完成抓取任务,证明了本文方法的可行性和有效性。