本课题针对机械臂在工业实际生产中的路径规划问题，以六自由度机械臂为研究对象，配合使用深度相机在静态复杂场景下的机械臂完成路径规划的关键技术进行了研究。对基于YOLOV5目标检测算法进行改进，提高了机械臂对三维物体定位的精度。同时也研究一种适合机械臂工作的RRT路径规划算法，在保证算法精简度的同时，对RRT算法进行优化，提升路径规划的质量和速度。并搭建机械臂路径规划实验平台，验证算法的实用性。具体研究内容如下：

（1）研究物体目标检测的方法

传统目标检测方法尽管具有实时性，但是很容易受周围环境的变化，比如光照变化、目标的特征变化等，并且对目标物体的识别与定位的精度不高。针对上述问题，对卷积神经网络的目标检测YOLO（You Only Look Once）V5方法展开研究，研究该模型结构和损失函数的构成以及训练流程，针对该模型网络参数量较大，且在提取过程中存在无注意力偏好，对不同重要程度的特征采用相同的加权方式的问题。课题拟对YOLOV5算法提出改进，将YOLOV5特征提取网络中的标准卷积更换为轻量化的深度可分离卷积，并添加视觉注意力机制，提高算法的检测精度。

（2）研究获取物体三维信息的方法

机器臂执行抓取动作前，首先要感知目标物体的三维空间信息，利用彩色相机可以获取目标的RGB色彩信息，但无法测量相机到待测目标的距离信息，而深度相机不仅能获取图像中物体的RGB信息，还能利用相应的测距原理测量相机到物体的距离，即深度信息。为了可以有效得到目标的三维信息和体积大小，从而确定目标坐标信息和机械臂抓手的张开大小，课题基于深度相机提出一种根据深度距离与目标检测区域计算物体空间信息的方法，使彩色图像中的每个像素信息都和深度图像中的深度信息一一对应，再将目标检测区域进行边缘检测，结合图像边缘信息与对应深度信息的数据集合，计算图像坐标系中单位像素值代表的实际距离大小，进而计算物体的宽度。最后利用这些计算得到的三维信息，结合深度信息得到以相机为中心物体中心点的坐标值。

（3）研究机械臂路径规划的方法

传统的路径规划方法尽管实现起来比较简单，但是准确性有限，不够灵活，在周围环境发生改变时需要重新示教，非常繁琐。针对上述问题对基于采样的RRT（rapidly exploring random tree）算法进行研究，由于RRT自身全局均匀随机采样的特点，导致其在路径规划时会出现一些问题：随机性非常强，扩展没有方向性；扩展方式过于平均，导致算法无谓地耗费较大，使得收敛速度慢；规划路径与最优路径有较大差距，可能在实际应用中根本无法使用；生成的路径不够平滑。鉴于此，本课题拟研究对RRT算法进行改进，针对RRT算法扩展没有方向性的问题，采用采样点偏置策略，使算法在进行采样点选择时，优先选择与目标点更近的采样点；针对RRT算法的扩展方式过于平均的问题，提出贪婪策略，加快随机数在开阔区域的扩展速度；针对规划路径不是最优的问题，提出冗余点剪裁策略，缩短路径长度；针对RRT算法生成的路径不够平滑的问题，对规划路径弯折处的局部尖锐路径进行平滑处理。