目前成熟的机器人抓取技术大多仅能应用于布局固定的结构化场景,难以准确抓取非结构化场景中特征繁多、随意摆放的多类物体。为了使抓取机器人能对位置不固定的多类物体进行准确且稳定的抓取操作,本文设计了基于深度学习的机械臂抓取系统。首先,使用Kinect v2相机采集抓取场景的彩色与深度图像,通过训练完成的Mask R-CNN网络对彩色图像中的目标物体进行实例分割得到掩膜。接着,结合深度图像将掩膜区域的二维像素转换为目标物体的三维场景点云。然后,利用点云配准算法得到点云模板与场景点云的变换关系,根据该关系计算出相机坐标系下的抓取位姿。最后,使用手眼标定参数将抓取位姿转换为UR5机械臂末端抓取位姿,根据该抓取位姿逆解出机械臂各关节角度,引导机械臂完成抓取任务。本文主要完成了以下研究工作:1.为了获取二维图像中的三维度量信息,本文设计了基于Kinect v2相机的视觉系统。使用Kinect v2相机采集抓取场景的图像,并对Kinect v2相机与抓取系统进行标定,得到相机参数与手眼标定参数。2.为了获取机械臂末端抓取位姿,本文通过Mask R-CNN实例分割网络分割出图像中单个目标物体的掩膜,再结合深度图像将掩膜区域的二维像素转换为目标物体的三维场景点云,并建立目标物体的点云模板库。其次,利用SACIA和ICP点云配准算法,以获取点云模板与场景点云的刚体变换关系,并使用该关系结合手眼标定参数进一步计算出机械臂末端抓取位姿。3.为了使机械臂末端执行器能运动到抓取位姿完成对目标物体的抓取任务,本文设计了机械臂抓取控制系统。使用四点法标定UR5机械臂的工具中心点,依据标准D-H建模法建立UR5机械臂的运动学模型,并检验运动学模型的准确性,设计机械臂抓取控制流程。4.为了检验本抓取系统的实际抓取效果,本文搭建了机械臂抓取实验平台并设计实际抓取实验。实验结果显示:本抓取系统对单物体与多物体的多次抓取平均成功率分别达到92%和86.25%。因此说明本抓取系统可以对位置不固定的多类物体进行准确、稳定的抓取。