焊接机器人是工业中较为常用的机器人,它能够帮助人类从复杂的作业环境中解放出来,提高劳动生产率,缩短生产准备周期。在焊接生产过程中,焊接的精度受到前道工序工件加工精度,待焊接工件的摆放位置以及焊接形变等因素的影响,因此焊缝的定位是极其重要的一个环节。在焊缝的定位中,一般需要完成粗定位和精定位两次定位。焊缝粗定位是机器人进行三维感知的过程,通过感知环境确定物体的大致位置,为后续的视觉引导焊缝跟踪做好准备;焊缝的精定位则是使用图像确定焊缝的具体位置。三维重建和点云分割是焊缝粗定位中三维感知重要的技术组成,前者的精度会受到累积误差的影响,而后者常用的学习方法分割网络在点云的局部特征提取上受到不均匀采样,特征提取网络不够深等问题的影响。焊缝精定位中,目前已有的特定结构光平面视觉系统引导的焊接机器人的标定方法误差较大且存在标定时需要制作高精度的标定板。为了解决上述焊缝定位的问题,本文分别对焊缝粗定位中的三维重建、点云分割以及视觉引导精定位中机器人手眼标定进行研究,主要内容如下:1.针对稠密三维重建中累计误差带来的漂移问题,引入差异系数矫正的回环检测词袋模型进行轨迹校正,提升图像相似度计算的性能。另外,提出熵约束相机姿态选取关键帧的方法,使得相机运动越剧烈的帧更加容易选取为关键帧,从而提升回环检测的质量。2.设计了 一种点云实例分割的深度学习网络,使用resblock或denseblock的结构加深网络,在层次结构中反复聚合多尺度语义,并在网络的逆密度计算上,引入点云的数量来进行核密度函数的带宽选择。另外对同一局部点云的高维特征经过插值降维变换后和低维特征进行对齐函数的学习,使其具有相似性。通过公开数据集的部件分割以及语义场景分割的实验,验证所提出来的网络的分割精度有一定的提升。3.提出一种基于结构光平面的手眼标定方法,通过数学推导得到手眼标定矩阵的计算方法,且使用bagging的方法减小了误差。该方法无需定制高精度的标定物件,并在实际的工厂进行了焊接实验,验证了在使用bagging的方法的手眼标定能够将三轴误差确保在±0.2mm之内,提升了焊接的精度和焊接的品质。