机器人是工业现代化的重要组成部分,智能制造需要机器人提供强大的支撑。使用机器视觉能够提高机器人的灵活性,加强机器人的可操纵性,有助于实现机器人的智能化。目前,用于抓取的视觉信息可以来自于二维图像和三维点云,与二维图像相比较,三维点云还包括物体的深度信息,使得机器人的感知能力更加强大。虽然目前在某些场景下三维视觉发挥着作用,但还不能完全满足社会发展对生产自动化的要求。本课题针对散乱零件识别定位困难的问题,使用RealSense获取目标点云,通过点云分割和点云匹配等相关技术,获取零件位姿,并对抓取路径进行研究,最后结合实验进行验证。首先,使用RealSense深度相机获取散乱零件点云,根据点云数据中的存在的主要问题,分别进行针对性处理。针对深度图像的跳变现象和空洞,使用卡尔曼滤波和联合双边滤波,提高原始三维点云的质量;针对三维点云的数量太大以及噪声问题,使用直通滤波、降体素采样和离散点去除等方法,提取零件点云,降低点的数量,减少后续处理时间。然后,应用基于超体素的点云分割方法,将散乱重叠零件分离。针对零件点云颜色相同的情况,不再使用原超体素分割中的颜色判据,并且在分割过程中加入边界约束,提高分割的准确率,成功从多个散乱零件中获取目标零件。提出基于FPFH特征直方图的零件识别和基于ICP算法的零件位姿求取方法。针对选定的目标零件,提取快速点特征直方图并与模板零件进行比较,根据两者之间的相似性判断零件种类。然后提出改进ICP算法优化位姿变换矩阵参数,获得模板零件点云与待抓取零件点云之间的位姿矩阵,得到目标零件位姿。最后,提出抓取稳定性判断和抓取路径规划的方法。使用力封闭准则,设计合理的抓取方位;使用层次包围盒方法检测机械手爪与目标零件之间是否存在碰撞情况;提出改进的PRM算法规划无碰撞抓取路径,并对路径进行优化。