自动抓取是工业机器人生产作业中的基本任务,传统的实现方式一般采用离线示教预先先设定机器人的运动轨迹,严重依赖于机器人工作环境的结构化程度与抓取任务的可重复性,无法适用于现代柔性制造中的多规格产品的动态生产工艺。本课题立足于现代智能制造对机器人自动抓取的任务需求,针对机器人对作业目标感知信息不足的问题,重点研究了基于视觉的工件定位与抓取方法,以提升机器人对非结构化作业任务的适应性,满足自动检测和抓取不同目标物体的作业需求。本文首先深入分析了机器人视觉引导系统的典型结构及其任务适用性,利用Kinova六自由度机器人与Kinect深度相机,构建了一套位置型EyeTo-Hand结构的机器人自主抓取的硬件实验系统。然后对Tsai-Lenz手眼标定算法进行了研究,完成了对本课题中搭建的机器人自主抓取硬件系统的手眼标定,并以可视化的方式展示了手眼标定的结果,手眼标定的平均位置误差为4.398mm,最大位置误差为8.048mm,平均角度误差为1.322°,最大角度误差为2.227°。其次为了提高Kinect对场景的感知质量,针对Kinect拍摄的深度图中所存在的空洞噪声,本文提出了一种基于引导采样的深度图修补算法,与MCUE算法相比有更低的图像均方误差,使得Kinect所获得的深度图更加接近现实场景。随后,研究了Drost-PPF算法及其实现方法,实现作业目标的动态识别与位姿估计,并针对Drost-PPF算法离散化过程中导致的精度损失问题,引入了ICP算法来对Drost-PPF算法的结果进行后处理,利用ICP算法对位姿估计结果进行校正。ICP校正过后,模型与场景目标相关点之间的累积误差仅为6mm。最后,在本文构建的机器人自主抓取平台上进行了大量的抓取实验,验证了了本文构建的视觉抓取系统及相关算法,可有效胜任厘米级别的多规格目标的自主抓取任务。本课题的研究工作对丰富机器人手眼协调与自主抓取相关技术有一定的理论意义,同时具有一定的工程应用价值。