随着人工智能与工业自动化的大范围推广,人机交互和远程操控等应用越来越普及。然而传统的手势识别算法大多需要依赖PC平台的算力或者借助专用的手势传感器设备,本文意在把要依赖于PC端强大算力才能运行的手势识别算法,移植部署到边缘设备中,实现手部同步操控机械手的目标,从而降低产品的开发成本和增加设备的推广。本文的主要工作如下:根据给定预算和想达到的目标进行硬件选型,其中主要包括:边缘设备,桌面级五轴机械臂,舵机驱动板,RGB摄像头等。搭建边缘设备的系统平台,在微型机上烧录好专门的镜像系统,编译ROS环境和编译算法所需要的各种依赖库,在PC上使用C/C++语言编写手势识别算法并进行三维建模显示,然后移植到边缘设备上进行测试。算法的编写流程为从单目摄像头中采集手部图片信息,依托谷歌开源框架Mediapipe的Tensorflow Lite模型,编写接口得出21个手部骨骼关键点的3D坐标,以此为数据进一步计算手部特征（手掌法向量,手掌摊开面积,舵机末端位姿等）,并使用Open GL ES进行三维建模显示。编写机械臂的UDRF模型文件,并在ROS Gazebo仿真平台下搭载机械臂仿真环境进行算法测试与验证。利用ROS Moveit!中的TRAC＿IK逆运动学算法和FCL碰撞检测库,推算出机械臂的旋转角度。通过ROS Topic通信机制把数据传递给用Python语言编写的舵机控制进程,依托于厂家给出的舵机控制Python-api接口,输入角度通过扩展板控制机械臂的运动。最后通过观察机械臂运行结果,测试算法可行性和分析结论,并分别测试程序在树莓派Pi 4和Jetson Nano 4GB的运行时间和效果,比较两者的特点和优劣。