抓取是机器人与环境交互的重要方式,是执行后续操作任务的基础。与传统工业应用相比,在物流、装配、服务等行业中的应用环境更复杂、对象更多样,因此对机器人抓取规划提出更高要求。在这类任务中存在着大量的混杂工作场景,包括简单物体与复杂物体混杂、独立物体与堆叠物体混杂、有姿态约束与无姿态约束混杂、有任务目标与无任务目标混杂。针对混杂场景对抓取规划任务提出的新要求,本文开展了数据集标注、六自由度规划、抓取-放置规划三方面的优化改进,主要研究成果如下:1.针对深度抓取规划网络训练依赖抓取标签、而现有抓取数据集存在数据标签质量不高的问题。提出了一种学习人类经验的抓取数据集自动标注与生成算法,降低了抓取数据的标注成本,生成了抓取数据集GMD。算法通过学习人工标注的抓取标签与大量仿真抓取指标之间的联系,在物理仿真中获得和人工标注同等质量的抓取标签,最终生成了具有14万个抓取场景和112万个抓取点的抓取规划数据集。使用该数据集训练,现有的抓取规划网络可适应更多类型的未知物体和复杂物体。与其他三种常用的抓取规划数据集相比,使用GMD训练的网络在所有的实物实验场景中都取得了最高的抓取成功率。2.针对混杂场景中物体姿态复杂、摆放堆叠的问题,提出了一种六自由度抓取规划神经网络模型。该模型由两个级联的深度神经网络组成,第一级网络采用端到端的全图卷积架构,输入深度图像并一次性输出图像空间中的全部候选抓取位置;第二级网络采用Res Net结构,用于评价六自由度抓取的质量,通过迭代执行该网络,筛选出在候选抓取位置（第一级网络的输出）附近的最优六自由度抓取,作为模型的最终输出。仿真和实物实验表明,在一些特殊的物体上,六自由抓取可以取得10%以上的抓取成功率提升;对于大多数只需四自由度即可抓起的物体,该算法在用时只有其他算法1/3的情况下,抓取成功率提升5%左右。3.针对混杂场景中任务要求多样、物体放置存在约束的问题,提出了基于模型的有约束物体抓取-放置规划算法,结合物体分割、识别、位姿估计等算法实现了对场景中已知模型物体的抓取规划与放置规划。该算法将抓取和放置过程中的物体碰撞约束、机械臂执行约束、夹爪运动约束等约束条件转化到统一的物体坐标系下,最终在统一的可行解空间中进行抓取采样与评估。该算法在仿真和实物实验中分别取得了91%和89%的抓取-放置成功率,单次的规划时间为458),达到了快速鲁棒的要求。通过上述的算法研究,本文实现了机器人在混杂场景下的快速鲁棒抓取规划,为机械臂在更复杂环境下的智能操作提供了基础。