工业领域的机器人抓取技术经过近数十年的发展,获得了长足的进步和广泛的运用,但是应用于日常生活中的能够实现精准抓取的服务机器人仍然处于实验室研究阶段,还未能大量应用于日常生活中。随着中国开始进入人口老龄化阶段,社会对服务机器人的需求量不断增加。服务机器人对日常环境下的茶杯、饮料瓶等生活用品进行精准抓取是能够护理照料残疾人和老年人的必要条件之一。相比于工业机器人,服务机器人的工作环境更加动态化、复杂化。而先前的研究者主要是采用基于物体的三维模型进行机器人抓取,但难以满足服务机器人的精准抓取未知物体的需求。因此,本课题对服务机器人的抓取技术进行研究,首先采用基于深度学习的抓取检测方法,构建Grasp-YOLO抓取检测网络,确定待抓取目标的位置和姿态;然后机械臂根据位置和姿态信息进行抓取。本文的主要工作如下:首先,对卷积神经网络的基本网络结构进行了研究,并探究了几个典型卷积神经网络。对目标检测方法进行研究,分析并通过实验对比了Faster R-CNN、YOLO、SSD三类目标检测方法的优缺点。实验表明,YOLOv3算法检测速度较快并且检测准确率较高,最终本文采取YOLOv3网络作为后续抓取检测的骨干网络。其次,研究并确定了机器人的抓取参数表示方式和抓取检测评价方式,对YOLOv3网络进行了深入研究,并根据研究对象服务机器人的特点改进了YOLOv3网络,构建了一种采用回归方法直接输出抓取参数的抓取检测网络模型Grasp-YOLO网络。建立了以生活物品为主的抓取检测样本数据集,并在此抓取检测样本数据集上对Grasp-YOLO网络进行训练。并与先前研究者提出的抓取检测算法进行对比,实验结果表明本文的方法具有更高的抓取检测准确率。最后,搭建了6自由度机械臂自主抓取实验平台。采用微软Kinect v2深度相机采集待抓取目标物体的图像,Grasp-YOLO网络对图像进行处理并输出抓取参数,Move It!软件进行机械臂的运动规划,Arduino UNO开发板和PCA9685驱动板驱动机械臂的伺服舵机完成抓取操作。整个实验平台以ROS系统串联所有软硬件。在此平台上进行了机器人自主抓取验证实验。实验表明,本文构建的Grasp-YOLO抓取检测网络能够有效提高抓取成功率,并在搭建的服务机器人自主抓取平台上验证了Grasp-YOLO网络的可行性和有效性。