在工业生产线上,机械臂让刚体零件的装配效率有着极大的提高,但对于线性柔软体零件,比如线缆、软绳等零件,由于自由度多,在受外在作用力的情况下,极易发生形变;并且难以根据机械臂末端位姿推测整个柔软体的位姿。因此当前柔软体装配仅靠机器人是难以完成的。本课题针对带线缆的装配问题,开展了在受限环境下线缆自动装配时存在的问题的研究,其中主要包括无标记线缆的无物理模型下的形状跟踪技术和线缆形状伺服控制的研究。本课题针对在受限空间中电缆装配可能出现的问题,提出了相关的解决方案。为了获取无标记线缆的形状信息,提出了基于机器视觉的测量方法。通过相机获取到线缆的彩色图,来提取电缆的中心线。同时通过训练卷积神经网络,识别电缆交叉点和端点位置信息。根据线缆的中心线和拓扑信息,完成从端点到端点的遍历和降采样操作。为了对操作过程中线缆形状变化的跟踪以及操作过程中会出现线缆部分被遮挡的问题,通过引入点云配准算法,引入了局部线性嵌入算法的相干点漂移算法,把降采样结果与线缆点云进行配准,得到当前时刻的跟踪结果。最后根据这些数据,通过B样条曲线拟合完成线缆曲线的参数化。考虑线缆通常安装在一个封闭环境中,装配环境会存在不少障碍物,这会令机械臂路径规划效率降低,甚至难以制定拆解策略。本课题设计一个小体积、拥有抽送线功能的夹具,实现机械臂不移动的情况下也能高效操作线缆,保证了在受限环境下的线缆操作能力。为了验证上述方法的有效性,本文搭建了基于机器人操作系统的视觉伺服控制平台。在该平台上完成了基于视觉、无物理模型的无标记线缆自动装配实验,实现了机械臂操作过程中对线缆形状信息的获取和实时跟踪。并对实验结果进行了分析。