现代柔性精益制造过程中,需要机器人能够灵活操作不同规格、任意放置的不规则工件。视觉系统的引入能够提高机器人的主动感知能力,进而引导机器人的灵活操作。目前,视觉系统在许多工业生产过程,例如工件分拣、缺陷检测中得到了广泛应用。然而,在抓取、装配等应用中,需要在复杂、多变场景下对工件进行精确定位识别。在国家杰出青年基金项目“全自主、高精度装配和抓取定位机器人”的支持下,本文将针对其中的关键算法:视觉定位和抓取装配展开研究。　　 复杂场景下的工件视觉定位及工业机器人抓取装配任务,其难点主要来自于以下几个方面:三维工件的定位精度要求高,位姿参数空间搜索复杂:工件的堆集放置使工件存在相互遮挡和投影变形,造成工件观测信息不完整,使工件检测的难度增加;抓取装配操作过程缺乏自主认知和视觉学习能力,不能满足柔性制造的要求。进化算法作为一种逼近寻优策略,可保证高维位姿参数的快速收敛,使判别能力不同的多个部件及多种特征具有在线自适应调整能力,克服观测信息不完整的困难,并为高精度抓取装配过程提供视觉学习的依据。因此本文基于进化算法,对工件视觉定位方法及其在机器人抓取装配中的应用进行研究,主要研究工作和贡献总结如下:1.在理论上分析了种群规模对进化算法速度的影响,提出了一种种群规模可变的差分进化算法。通过对进化算法中的种群规模,进化代数及控制参数进行自适应调整,来控制进化算法的寻优方向。同时通过调节进化阶段数来控制种群规模减小的程度,既保证了算法的搜索空间,又提高了算法的收敛速度。另外分析了进化算法变异步长的设置方式,证明了原始差分进化算法步长控制策略的有效性。2.构建了一种工件的典型几何体模型,通过进化算法最小化工件透视投影信息以及观测信息之间的差异,得到最优工件位姿。在目标函数不迕续的条件下,通过进化算法获得使投影轮廓和真实图像间匹配最优的工件位姿参数,解决了位姿参数和模型参数的耦合问题。算法利用儿何约束来解决多义性问题,并采用多层次结构,提高了收敛速度。3.针对传统工件检测算法中训练的分类器对遮挡、堆集等环境干扰适应性较差的问题,设计了一种可自适应调节子分类器权重的组合分类器进行工件检测。本算法基于目标自动分割结果,构建几何图模型,将得到的各部件相似度评价函数根据其对应部件在检测过程中的重要性自适应调整权重,并加权组合为整体评价函数,嵌入到进化算法的框架中。算法可以充分发挥各个部件的检测效力,促进予代的择优选择,从而抑制了多种环境干扰,实现工件的精确定位。4.针对各种特征在不同场景下具有不同判别力的特点,将检测特征从单一的形状特征扩展到多种特征,提出了一种基于多特征融合的工件自适应检测算法。根据各种特征的后验观测及其对前背景的判别能力,设计了一种新的特征重要性评价函数。根据特征的重要性,自适应地调整其评价函数的权重,并组合为整体评价函数,嵌入到进化算法框架里。算法发挥了各种特征的互补优势,实现了不同场景下目标的精确定位。另外设计了一种目标连续运动模型,为机器人抓取操作提供了可靠的定位结果。5.基于工件精确定位结果,提出了一种基于监督学习的工件抓取趋近方法。该方法通过离线训练得到图像中工什特征点位置和机器人抓取位姿间的关系函数,当新样本到来时,通过此关系函数可以直接得到日标实际抓取位姿。其中图像特征向量是通过一种基于多层次聚类的特征点提取算法得到的,根据此层次结构,我们相应构建了一种新的核函数,并将其嵌入支持向量回归框架用于关系函数的离线学习。另外,基于装配环境约束,设计了一套压装策略,可保证曲柄轴和轴承紧密配合,实现三维工件的高精度装配。　　 上述算法被最终应用在本实验室研发的工业机器人平台,有效解决了复杂工业场景中,由于光照变化,多工件堆集、遮挡等因素给工件视觉定位带来的困难,并可抵抗外部环境不确定性如摄像机漂移,装配平台无传感器反馈等因素给工件抓取装配过程造成的影响。