随着“工业4.0”、“中国制造2025”等科技发展战略的提出,中国工业对传统产业智能制造升级提出了迫切需求。诸如物流自动化分拣,工业自动化分拣等典型非结构化环境应用场景,高效可靠的物体位姿估计技术对机器人应用意义重大。本文针对机器人智能抓取分拣应用,围绕非结构化环境物体位姿估计展开研究。具体内容包括以下四个方面:(1)针对实际深度学习应用中数据集构建代价大的问题,提出了一种基于物理仿真的物体语义数据集自动化构建方法。每个数据样本包括仿真场景的彩色图、深度图和点云数据,并提取出对应场景中物体的类别、包围框、语义、部件语义和位姿标注。(2)在物体语义数据集的基础上,提出了一种部件语义识别网络,能够对图像中物体语义和物体部件语义进行识别。本文改进语义识别网络结构,设计部件语义识别网络,通过增加部件语义分支和设计对应的损失函数和训练方法,实现对图像的细粒度物体语义识别。实验表明,在仿真数据集上,该网络能取得有效的识别结果,而且将仿真训练的网络应用到真实场景数据集,也能取得有效识别结果。(3)在获取场景细粒度语义识别结果的基础上,提出了一种综合语义的非结构化环境物体位姿估计算法。本文对点对特征位姿估计算法的多个环节提出改进方法。同时,设计语义点对特征位姿估计算法,结合细粒度语义识别结果,提出了综合语义的物体识别和位姿估计算法框架。实验表明,相比于传统位姿估计算法,速度和精度均得到了有效提升,且能够解决传统点云位姿估计中无法解决的问题。(4)为了验证综合语义的物体位姿估计算法在真实非结构化场景中的应用性能,本文基于ROS系统设计了一个机器人智能抓取分拣实验平台。通过ROS分布式框架,将视觉算法和机器人控制等模块进行解耦,使各个算法模块形成独立节点,增强程序的可拓展性。实验证明,本文提出的机器人手眼系统和物体位姿估计算法能顺利完成智能抓取分拣实验。