伴随着机器人技术的发展,工业机器人逐渐从传统的汽车制造和数控加工向着3C产品与五金等离散制造行业推广应用。3C电子产业等新兴应用行业的生产产品具备多品种、小批量和短周期等特点,这对工业机器人编程与部署的便捷与快速提出了更高的要求。演示编程技术能学习与理解人演示的操作过程,降低编程难度的同时缩短开发时间,能提高工业机器人的易用性。本文以演示编程应用于工业装配任务为研究背景,在零件的装配关系推理、机械臂执行时抓取方式的选择和稳定抓取位置规划三个方面展开了探索与研究。本文具体的研究内容和研究成果如下:1.提出了融合CAD模型信息与视觉观测的零件装配关系与位姿推理方法。针对视觉观测与CAD模型信息的局限性,本文对CAD文件进行知识解析,获得描述装配体的确定性模板装配图,然后根据复合评价准则将基于视觉观测构建的概率装配图与模板装配图的节点进行匹配,通过CAD中蕴含的先验知识矫正匹配成功的观测节点。考虑到实际生产中装配目标常常发生变化,与CAD文件所描述的组合体不一致,对于不能与CAD模型匹配的观测零件,本方法采用视觉观测进行推理。实验结果验证了所提零件位姿推理算法的可行性、准确性与灵活性。2.提出了基于深度卷积神经网络的未知零件抓取方式选择算法。抓取方式是指末端执行器的类别与使用方式,比如采用平行夹爪进行夹取和真空吸盘吸附零件。首先基于梯度特征建立基准模型,然后利用全卷积神经网络取代人工特征与分类器。针对目前尚无相关研究与公开数据集的问题,本文以渲染的方式生成大规模仿真数据集,通过抓取质量评价准则进行自动标注。针对仿真数据到实际场景的迁移问题,提出基于场景点云投影的迁移方法,能够将真实场景数据映射到仿真场景,无需额外的数据采集与标注即可获得满意的预测效果。所提出的方法在仿真数据集上能取得94.3%的准确率,真实数据上准确率为94.1%,实验结果表明模型仅在仿真数据下训练即可较好地迁移至真实场景中,具备灵活性和可靠性。3.提出了同时进行抓取方式选择与抓取位置规划的算法。基于弱监督学习生成抓取位置分布热度图,能够利用抓取方式选择模型的隐式位置信息,结合抓取点表面几何特征对候选位置进行评价,得到抓取位置的规划结果。为了得到稳定性更高的抓取位置,后续优化过程包括抓取位置的稳定性评价模型与候选抓取位置采样。在评价阶段训练多夹爪融合评价模型,能够同时给出多个末端执行机构的稳定性评价,并且准确率相比于单任务有所提升。对于抓取位置采样过程,传统的交叉熵方法以均匀分布初始化,需要一定的收敛时间,本算法以抓取分布热度图作为初始分布,能以更短的收敛时间取得更高的准确率。为验证算法的可行性,本研究搭建了智能抓取实验平台,对场景中的任意摆放的未知零件进行抓取方式选择与抓取位置规划,并由机械臂执行抓取动作,抓取方式选择与稳定抓取的总体成功率为97.06%。仿真与实物实验结果表明,本文方法虽然完全从仿真数据中学习,但能在抓取方式的选择与抓取位置规划两项任务上泛化到实际数据,具备较高的规划与执行准确率。