随着社会工业智能化的发展,智能服务机器人已经走进大众的生活,在未来将会起到不可或缺的作用。抓取检测是机器人的一项主要能力,开发实用的抓取检测方法和技术是机器人研究领域的核心研究方向之一。然而,现有的抓取检测方法通常是基于无标签的外观形状特征进行检测,在其训练过程中固定了样本的类别和数量,模型只能学习到有限的知识,对于已学习过的样本表现出较好的泛化能力。然而由于在实际场景中,物体的形状、颜色和大小等变化很大,对未见过类别物体的预测具有挑战性,一个静态模型不具备这些物体的知识,因此无法适应后续的抓取场景。因此,在探索如何实现机器人智能抓取的道路中,构建一个可以动态更新知识库的抓取检测框架具有十分重要的意义。本文提出了一种基于增量学习的物体抓取检测框架,该框架并不假设所有物体的训练数据在一开始是全部可用的,而是在结合实际场景的前提下,假设未来会源源不断收集到未见过类别物体的数据。在应对新数据加入时,该框架可以缓解增量学习任务的灾难性遗忘问题。更具体地说,该框架分为抓取检测训练和增量训练两个阶段。在第一阶段,本文使用密集注意力网络作为基本的抓取检测网络,在给定的类别物体的样本上进行训练,用于学习基础的抓取知识,该网络利用注意力机制对特征通道和密集残差连接之间的关系进行建模,可以专注于学习特征层之间的代表性信息。在第二阶段,本文提出了聚类优先样本选择策略来更新存储的示例集,该策略会挑选出那些与其聚类质心距离相近的样本,用这些新样本替换掉示例集中的部分旧样本。除了使用回归损失来优化抓取检测模型,本文还将上一步骤训练的网络和当前步骤训练的网络当成是一个带有蒸馏损失的教师-学生网络,这样在训练已见过类别的样本时可以尽可能地保留上一个步骤学习到的知识。为了验证本文所提出的基于增量学习的物体抓取检测框架的性能,本文在公开数据集Jacquard数据集和扩展的Jacquard-50数据集上进行了大量的实验。实验结果表明,文中提出的密集注意力网络能够生成准确且合理的抓取姿势,并且在精度和速度上取得了平衡。此外,文中所提出的抓取检测框架能够有效地提升真实环境下UR10e机器人抓取未见过类别物体的准确率,表明了该方法在抓取未见过类别物体方面有一定的可行性和有效性,克服了机器人在抓取未见过类别物体上的缺陷。