《面向智能制造的机器人抓取系统设计与抓取策略优化研究》开题报告
一、 选题背景与研究意义
随着工业4.0与智能制造的深入推进，工业机器人需具备更强的柔性化和智能化水平，以应对复杂多变的生产环境。
其中，对未知物体的稳定、高效抓取是核心瓶颈之一。传统依赖精密三维模型与预编程的方法，在面对工件种类多、位姿随机的场景时，适应性差、部署成本高。
本研究旨在融合机器视觉与深度强化学习技术，开发一套能够对未知工件进行实时识别、抓取点预测与抓取规划的系统。
其意义在于：探索一种不依赖精确先验模型的抓取策略生成新方法；为柔性制造生产线提供一种低成本、高自适应性的自动化解决方案，具有重要的工程应用价值。
二、 研究目标与主要内容
研究目标：构建一个基于深度相机的机器人抓取实验平台，并开发一套抓取系统，实现在杂乱环境下对多种常见工业工件的稳定抓取，成功率目标 >95%。
主要内容：
搭建机器人视觉伺服控制系统硬件平台含六轴机器人、深度相机、工控机等。
研究基于深度学习，GG-CNN、抓取生成网络的实时抓取位姿检测算法。
设计并实现一种基于深度强化学习的抓取策略优化模型，通过与仿真和物理环境的交互，提升抓取的成功率与抗干扰能力。
进行大量实验，与传统方法对比，验证本系统的有效性与优越性。
三、 研究方法与技术路线
本研究将采用理论建模、仿真验证与物理实验相结合的技术路线。首先在PyBullet或CoppeliaSim中构建仿真环境进行算法训练与初步验证；随后，将训练好的模型迁移至实体机器人平台，通过大量抓取实验进行测试与迭代优化。
