随着科技发展和人民生活水平的快速提高，服务机器人越来越受到人们的欢迎。对于家庭服务、仓储物流、养老助残等服务机器人而言，配备多自由度机械臂并具备物体抓取功能，已经成为标准的功能配置之一。然而，与工业生产线上机械臂的重复抓取动作不同，服务机器人实现物体抓取的关键问题之一是正确识别物体并进行位姿估计。本文研究多自由度机械臂抓取的物体识别与定位，对于保障服务机器人的准确动作具有积极的意义和工程价值。
　　本文首先给出了基于稀疏特征和基于神经网络进行物体识别与定位的框架，然后基于数据集中的模型生成多视图RGB-D图像数据库，并分析了两种方案识别多物体和估计位姿的可行性。
　　针对基于稀疏特征的物体识别和位姿估计问题，对摆放有物体的杂乱桌面进行预处理操作，采用随机采样一致性算法去除桌面，使用下采样算法捕获关键点。为了提高位姿估计的准确率，本文融合多个已有的局部特征描述子，并筛选出最佳的特征融合方式用于特征匹配。在位姿估计阶段，引入DP聚类算法改善旋转子群投票的鲁棒性，并使用非极大值抑制算法表决出最佳姿态。在公用数据集上的测试结果表明，本文算法具有很强的可行性。
　　针对基于神经网络的物体识别和位姿估计问题，基于卷积神经网络的方法未考虑到点云的空间局部相关性，本文将点卷积神经网络引入到位姿估计的框架中。运用空洞卷积扩大点卷积层的感受野，建立基于卷积-反卷积的语义分割模型。然后，确定网络的回归向量，旋转回归向量使用霍夫投票方式确定。在此基础上，通过实验验证了点卷积神经网络用于物体识别和位姿估计的可行性。
　　针对点卷积神经网络模型的回归向量问题，本文使用了一种新的改进方案。即将物体旋转平移向量的确定移至网络外确定，使用控制点作为回归向量，在语义分割信息的引导下，结合ICP算法确定物体姿态。针对实际场景的位姿估计问题，本文使用三维结构光扫描仪建立自己的模型库，通过RGB-D传感器捕获测试场景，并用该数据集测试了本文的两种位姿估计算法。
　　最后，对本文的研究工作进行了总结，并展望了今后的研究工作和方向。