针对三维未知环境中存在的高复杂度和不确定性的问题，提出一种在有限观测空间优化策略下基于深度强化学习的移动机器人三维路径规划方法。首先，在有限观测空间下采用深度图信息作为智能体的输入，模拟移动受限且未知的复杂三维空间环境；其次，设计了两阶段离散动作空间下的动作选择策略，包括方向动作和位移动作，以减少搜索步数和时间；最后，在近端策略优化（PPO）算法基础上，添加门控循环单元（GRU）结合历史状态信息，以提升未知环境中搜索策略的稳定性，进而提高规划路径准确度和平滑度。实验结果表明，相较于A2C（Advantage Actor-Critic），所提方法的平均搜索时间缩短了49.07%，平均规划路径长度缩短了1.04%，同时能够完成线性时序逻辑约束下的多目标路径规划任务。

在机械臂视觉抓取过程中，现有的算法在复杂背景、光照不足、遮挡等条件下，难以对目标物体进行实时、准确、鲁棒的姿态估计。针对以上问题，提出一种基于关键点方法的融合注意力特征的物体6D姿态网络。首先，在跳跃连接（Skip Connection）阶段引入能够聚焦通道空间信息的卷积注意力模块（CBAM），使编码阶段的浅层特征与解码阶段的深层特征进行有效融合，增强特征图的空间域信息和精确位置通道信息；其次，采用归一化损失函数以弱监督的方式回归每个关键点的注意力图，将注意力图作为对应像素位置上关键点偏移量的权重分数；最后，累加求和得到关键点坐标。实验结果证明，所提网络在LINEMOD数据集和Occlusion LINEMOD数据集上ADD（-S）指标分别达到了91.3%和46.3%。与基于关键点的逐像素投票网络（PVNet）相比ADD（-S）指标分别提升了5.0个百分点和5.5个百分点，验证了所提网络在遮挡场景下有更好的鲁棒性。