机器人抓取是智能机器人的基础功能,也是机器人研究领域的重要课题,并伴随着许多挑战。抓取检测是机器人能完成抓取任务的首要前提,本文的研究聚焦于构建新的神经网络模型,提高机器人抓取检测的准确率,具体工作如下:首先,对此领域的相关研究做了分析和整理,描述了机器人抓取检测系统的整体设计和实现过程。在计算位姿方面,改进了传统的五维矩形抓取表示法,使用康奈尔抓取数据集对模型进行训练。针对康奈尔抓取数据集数据量不足的问题,通过旋转、剪裁、放大等方法对数据进行了扩充和增强。详细推导了坐标变换的计算方法以及从抓取图中提取最优抓取的过程。其次,对抓取检测神经网络模型进行研究和设计,为了提高机器人在抓取物体时成功率和速度,提出了一种基于SE-Res Net的生成式机器人抓取位置检测模型。模型通过输入的RGB-D图像直接生成对应的抓取映射图,Res Net通过跳跃连接的方式解决了深度模型的退化问题,在此基础上引入挤压和激励机制,用于增强有用信息,并抑制无用信息。再次,对模型进行结构优化和参数调整,在结构上使用了批量归一化,随机失活法。选择Jaccard指数作为抓取检测的评价标准。实验结果表明,该方法在Cornell数据集上的准确率高达98.9%。最后,为进一步验证该模型,搭建了基于Py Bullet物理仿真环境的抓取检测平台,使用Franka Panda机械臂对EGAD评估集中的各个难度的物体进行仿真抓取,通过改变抓取物体的数量以及摆放位置进行了多组抓取实验,成功率在80%～96%之间。