随着电子商业的高速发展,在物流仓储行业中,小零件货物的订单数量日益增多,但它们的拣选往往需要大量工人手动进行。因为每天进入仓库的新货物种类数目多,外形多样,并且仓库货架环境复杂,很难使用传统的自动化分拣流水线,人工拣选更为稳定和高效。但在人力成本升高和“机器人换人”的趋势下,使用机器人完成物流拣选任务成为了新的研究热点。一般情况下,机器人拣选首先需要在场景中识别出目标物体,并获取目标物体的六自由度位姿,最后控制机器人进行抓取。但由于仓库中货物流通速度快,拣选机器人的准备时间短,所以在物体识别与定位上主要有三个难点:需要在短时间内,获取新入库物体的形状、颜色等特征;需要在短时间内,自动生成并标注新物体的数据集,以便于训练物体检测算法;需要在复杂场景下,实现对多种物体的识别与位姿估计,并降低算法复杂度和训练时间。因此,本文提出了一种面向机器人拣选的物体特征信息获取与位姿估计方法,并搭建了机器人抓取系统,主要内容包含以下几个方面:1)针对快速获取新入库物体的特征信息问题,本文搭建了一套物体快速三维重建系统。该系统使用RGBD相机,通过二维码计算相机初始位姿,使用点云-模型的配准方法优化相机位姿,然后利用TSDF方法融合各帧点云,并泊松重建连续表面,最后形成物体的彩色三维模型。在实验中,该系统可以获得各种物体的完整三维模型,并且由于使用了GPU并行计算,可以进行实时稠密建模。2)针对以往物体数据集需要人工手动标注,耗费大量时间的问题,本文设计了基于OpenGL的模型渲染方法自动生成物体标注数据。通过将物体模型导入虚拟采样球,随机改变环境光线状态,并使用采样球表面的虚拟相机获取模型各视角图像。最后,随机设置物体模型图像位置和缩放尺度,并叠加随机背景,自动生成标注物体数据集。3)针对复杂环境下的物体识别和位姿估计问题,本文提出了使用深度学习物体识别网络与传统点对特征匹配方法相结合的位姿估计算法。它使用自动生成的数据集,训练物体识别网络,并根据识别结果分割目标物体周边的场景点云。在点对特征位姿估计上,先使用物体模型生成点对特征哈希表,并在分割的场景点云上采样点对特征,通过匹配模型点对特征和场景点对特征,投票估计目标物体的位姿结果。在位姿估计实验中,相较于传统的点对特征方法,本文方法在算法用时和位姿估计稳定性上都有较大优势。最后,本文还设计了物流仓库环境下的物体抓取实验,分析了物体识别率、重复抓取率和成功抓取率,不仅验证了本文方法的拣选效果,也说明了本文方法具有一定的实际应用价值。