在航空发动机中,存在数量庞大的风扇叶片、涡轮叶片、压气机叶片等具有异形曲面结构的核心零部件,其优异的质量是航空发动机稳定运行的首要前提。除了需要对叶片本身的加工工艺提出严格的要求,测量技术也是为制造质量保驾护航不可或缺的手段。近年来,随着光学测量技术的发展,非接触式三维视觉传感器逐渐替代以三坐标测量仪为代表的接触式自动化测量设备,完成叶片三维尺寸测量、形貌测量等任务。然而,这类非接触式三维传感器在测量过程中仍然依赖人工操作,缺乏自主性。本文针对这一问题,提出了一种工业机器人搭载三维视觉传感器进行自主测量的方案,并深入研究了机器人自主测量涉及到的感知与控制相关理论。本论文的主要研究内容与创新点概括如下:1、介绍了研究背景与意义,综述了目前航空发动机叶片三维测量技术的发展现状以及机器人自主测量过程中的扫描视点规划、视觉伺服控制、多视角点云融合、点云配准等方面的研究成果。2、提出了估计占用概率的异形叶片机器人自主重建视点规划方法。由于叶片的不连续和复杂空间表面特性,扫描设备无法仅通过一次扫描获得完整三维模型。因此,通过一种高效的概率3-D占用网格映射框架Octo Map来表示三维空间,设计了离散递归贝叶斯滤波器来估计被遮挡体素的占用概率。在此基础上,利用光线追踪技术量化候选视点的点云重叠率,求解了满足异形曲面重建时点云配准的最低重叠率要求的视点。3、提出了异形叶片自动建模图像矩视觉伺服姿态控制方法。为了提高扫描位姿控制精度,设计了一种新型的深度矩作为视觉伺服的图像特征,推导出该深度图像矩交互矩阵的非参数化形式。实现用目标轮廓深度信息直接构建矩特征交互矩阵,解决了异形曲面表面深度无法参数化表示,导致的难以建立交互矩阵的问题。该方法有效改善了传统矩特征视觉伺服定位过程响应速度慢、收敛范围小的问题,提高了异形叶片测量过程机器人姿态控制的动态性能。4、提出了鲁棒随机多视角异形叶片点云联合配准方法。引入了模拟退火算法构建多视角点云配准优化闭环以获得全局姿态最优解,针对低重叠、初始误差以及外点等干扰,用无迹卡尔曼滤波预测或者混合高斯模型的L2距离方法求解了多视角点云的姿态,并作为精配准的候选初始参数。精配准过程最小化多视角匹配点联合距离,优化姿态均定义在一个统一的坐标系中来隐式地满足闭环一致性约束,从而避免了姿态累积误差。最后,通过空间坐标的概率距离将多姿态估计定义为最大似然估计问题,提高了对噪声的鲁棒性。5、提出了基于注意力机制的深度神经网络异形叶片姿态辨识方法。设计了深度匹配点配准网络,学习权重矩阵来软分配源集中每个点与目标集中所有元素上的同质性。引入了高斯分布将特征差异映射到权重,并将方差作为确定性温度参数来约束权重矩阵,通过Sinkhorn归一化将分值矩阵优化为一个置换矩阵,推导出一种新的基于加权奇异值分解的方法求解刚性变换。通过Model Net40数据集对设计的网络进行训练,将训练的模型用于含噪声且具有部分性的数据准确预测待测叶片姿态。6、基于所研究的机器人测量相关基础理论和方法,开发了异形曲面零部件测量的测试及应用平台,利用上述研究的方法测量了实际叶轮和叶片的关键参数,测试结果验证了本文所研究方法的有效性。