随着经济水平的不断提高和科学技术的快速发展,人们对服务机器人的需求量越来越大,对机器人的功能实现也提出了更高的要求。抓取物品是机器人的一项重要功能,服务型机器人一般工作在非结构化的生活场景中,对于机器人抓取任务而言,目标物体的种类、位姿不固定,背景环境复杂多变,给机器人抓取功能的实现带来了挑战。本文针对机器人抓取任务开展目标检测和抓取检测研究,研究机械臂抓取过程中的运动控制及避障方法,开发了一套面向非结构化任务场景的机器人目标识别及定位抓取系统,为解决非结构化任务场景中的机器人抓取任务提供技术支撑。首先,针对抓取物体的目标检测,本文对YOLOv4目标检测算法进行改进,基于Ghost瓶颈结构搭建轻量主干网络进行主干替换,引入深度可分离卷积替换部分3×3卷积以减少计算量,并在网络中嵌入坐标注意力模块以提升检测准确率,提出了GDCYOLO目标检测网络。在常见物品数据集上对提出的网络进行训练及测试,测试得准确率m AP（Mean Average Precision）为87.09%,检测速度FPS（Frame Per Second）为50.73。用户可利用目标检测分类结果使机器人抓取特定物品,避免机器人后续检测及抓取的“盲目性”;利用目标检测预测框对图像进行目标物品分割提取,作为后续抓取检测的输入。其次,基于U-Net的“U”型架构,结合残差结构和Squeeze-and-Excitation注意力机制,提出了U-Re SENet抓取检测网络,网络以目标物品的RGB-D图像为输入,由输出的特征图得到物品的抓取参数。在康奈尔抓取数据集上对U-Re SENet网络进行训练及测试,测试得按图像和按种类划分数据集的抓取检测准确率分别为97.7%和95.5%,平均检测时间为50.0ms。然后,研究设计非结构化任务场景下的机器人抓取策略,在ROS平台下完成机器人模型的构建,结合抓取检测和相机测距得到的抓取参数,给出生成抓取坐标系的计算方法,面向无障碍场景实现基于tf坐标系生成与变换的抓取;对机器人腰部的俯仰电机、底盘和机械臂间的联合控制建立数学模型,研究机器人多自由度联合运动控制方法,以扩大机械臂的工作空间,实现基于机器人俯身和底盘运动的抓取,以抓取低于机械臂工作空间下限的物品;基于点云处理算法进行场景建模,对机器人进行Move It配置,导入场景模型后,结合抓取参数、RRT-connect路径规划算法、碰撞检测和机械臂逆运动学求解完成避障轨迹求解,实现基于场景点云建模和机械臂路径规划的避障抓取。最后,对机器人的视觉感知系统进行相机标定和手眼标定,在不同场景下使用相应抓取策略,对多种物品进行抓取测试,测试结果为:检测阶段（目标检测及抓取检测）的平均耗时为122ms,基于tf坐标系生成与变换的抓取成功率为88%;基于机器人俯身和底盘运动的抓取成功率为81%;基于场景点云建模和机械臂路径规划的避障抓取成功率为84%,完整计算阶段（检测及机械臂轨迹求解）的平均耗时为1.194s。测试结果验证了本文实现的机器人抓取系统对于非结构化场景下抓取任务的可行性和实用性,为服务型机器人的应用推广提供技术支撑。