机器人抓取是机器人领域一个十分前沿以及重要的研究方向。移动机器人的抓取结合了移动机器人的运动控制、视觉伺服、深度学习及人机交互等方面的成果,使得机器人具备智能操作、智能感知和智能决策的能力,可以在更加复杂的真实场景下高质量完成移动、操纵、抓取和搬运等任务,是机器人智能化的重要体现。本文以自主搭建的搭载机械臂的轮式移动机器人作为研究对象,主要对本机器人的系统搭建、运动控制以及抓取预测算法进行研究,主要包括以下内容:针对工业上不完善的全向移动抓取机器人系统,本文结合机器人移动和抓取的任务需求,介绍自主搭建的搭载机械臂的轮式移动机器人整套系统,包括本体机械结构模块、功能模块、驱动模块、电源模块和软件控制模块,同时结合实际移动抓取中对于速度、力矩、精度和续航能力等要求对各相应模块中组分进行参数化计算,选择最适当的型号,并且将各模块集成在统一的软件控制系统,形成一套高性能的移动抓取机器人系统。为了解决该机器人系统底盘与机械臂的协同控制问题,本文将移动抓取的运动控制分为移动部分的运动控制和抓取部分的运动控制,在移动部分的运动控制中,主要基于麦克纳姆轮得到AGV的运动学方程,然后设计速度控制器对AGV进行控制。在抓取部分的运动控制中,主要基于ROS开发机械臂末端的位置控制和夹爪的开合控制,并在同一系统下实现底盘运动与机械臂抓取的协同控制。为了解决机器人的实时抓取问题,减少视觉处理的时间,本文基于卷积神经网络设计编码-解码的网络结构,设计的网络架构简单,训练参数少,提高视觉系统运行效率,并尝试了几种不同的网络参数组合,在经过数据增强了的康奈尔抓取数据集中进行训练,选出训练效果最优的模型,该模型在康奈尔抓取测试集中取得了81%的预测准确率,并可将该模型应用在真实环境的抓取实验中。验证提出的抓取预测算法的有效性,本文在真实场景下设计了抓取实验,抓取实验采用日常生活中常见的15种不同物体进行多次测试,记录成功抓取的次数,总体的抓取成功率达到75%以上,对于个别形状的物体可以达到90%以上的抓取成功率,预测抓取的速度快,可以达到30FPS的效果,实时性得到了保障,体现了抓取预测算法的性能优良,并且证明算法在真实环境下的可行性,为算法的推广提供数据证明。