机器人抓取技术是智能机器人的重要组成部分,在生产制造、物流、服务、食品、医疗等众多领域都有广泛的应用。随着机器人和人工智能技术的快速发展,机器人的智能化抓取已成为了学术界和工业界的应用与研究热点。目前AI+机械臂的结合模式为机器人提供了多种抓取技术解决方案,例如视觉伺服,深度强化学习抓取,抓取姿态生成,六维位姿估计等。不过,在多物体杂乱放置、可能存在部分遮挡、堆叠的分拣场景下,各算法的准确性,实时性,泛化性仍有待提高。为了解决上述问题,本文以抓取检测问题为研究对象,提出了一种基于Faster-RCNN改进的抓取检测网络,构建了智能机器人抓取系统,并进行了相关实验研究来验证网络和系统的有效性。首先,针对多物体分拣工作场景,建立了基于Kinect的机器人抓取系统框架,详细介绍了UR5机械臂和手爪等系统控制执行单元的结构与特点;并重点研究了Kinect视觉系统的构建,分析了RGBD相机标定,图像匹配及手眼标定的数学原理,并进行相关实验标定相机参数与确定机械臂与相机之间的相对坐标变换。其次,剖析了CNN网络各组成部分的技术基础,为之后的多任务抓取神经网络建立理论基础。针对多类别、多物体的抓取检测任务要求,建立了物体的抓取数学模型,构建了包含公开数据、自制数据的网络数据集,构造了一种基于Faster-RCNN改进的抓取检测网络,在其基础上增加旋转锚框和抓取检测任务分支;网络通过输入经过图像预处理的RGB图,输出物体类别和矩形抓取参数;经过测试,网络在公认评价标准下有良好的性能表现。最后,建立了包含硬件层、算法层、用户层的抓取系统的软件框架,为了实现在ROS平台下的仿真实验平台搭建,利用Solid Works导出系统各部件的URDF模型,配置Move It!轨迹规划库和移动组节点,配置Gazebo仿真环境和ros-control控制中间件,建立仿真、控制器、传输之间的连接关系,编写xacro建模文件,实现ROS和Gazebo的联合仿真;并分别进行物体的检测与抓取实验,在检测实验中,网络的预测准确率为90.6%,检测速度为8.22FPS;在抓取实验中平均检测准确率为90.5%,平均抓取成功率为83.2%,验证了系统的抓取可行性。