机器人和机械臂等设备的应用不断推进着工业、服务业等的自动化进程,而作为机器人、机械臂与环境交互的重要手段之一,机械手抓取是一个重要的科学问题。针对种类繁多的抓取设备,许多理论、算法被用以解决抓取的稳定性、多指力分布问题,例如力封闭为代表的分析方法。而新兴的深度学习算法将计算机视觉进一步发展,通过大量的数据集训练,使神经网络可以在图像中提取有效的抓取信息。本文以二指机械抓手为目标,结合理论分析方法和数据导向的深度学习方法,深入研究了二指抓取稳定性,并搭建了多尺度的抓取模型,最终实现了实时、多尺度的机械手抓取位置检测。本文首先使用力封闭条件来验证二指抓取的稳定性,并在旋量空间中优化机械手指接触力的分配。在接触点上采用软指接触模型描述接触力,并将其与抓取矩阵结合构成旋量空间,通过改进射线法判断抓取是否能构成力封闭。在获得旋量空间后,将各接触点力分配问题以线性规划方法得到最优解,进而研究抓取位置、抓取角度改变对抓取效率的影响程度。通过计算实例探讨二指抓取位置选取的特点,并确定了康奈尔抓取数据集作为研究训练的数据来源。本文进一步构建了实时的多尺度抓取检测器。该抓取模型在样本匹配方法、特征提取网络和预测子网络等方面得到有效改进。为了将所有抓取样本纳入训练算法、并实现各尺度的抓取矩形分离,模型采用覆盖框代替样本与各尺度锚框相结合的设计思路。为实现不同尺寸抓取矩形检测,抓取模型使用了特征金字塔,分别预测不同尺度特征;该模型还构建了特征金字塔网络,使用深层特征图中的高维语义信息辅助浅层特征,从而提升网络对于小目标检测的精确度。网络末端结构分别使用三个子网络预测背景、抓取和边界框回归参数,这里背景预测的引入有效的控制了简单负样本对网络训练的影响,增强了抓取预测精度。测试结果标明,多尺度抓取检测模型能够筛选分离所有尺度的样本,并以每秒22帧的速度在康奈尔数据集的图像分割法上最高达到98.87%的检测准确率。本文提出的多尺度检测模型对更复杂、更灵活工作环境中的二指抓手检测具有重要意义,将为二指抓手等抓取设备的更加全面完备的抓取检测算法提供新的设计思路。