Los supervóxeles tienen una amplia aplicación en la segmentación de instancias debido al mérito de proporcionar una representación altamente aproximada con menos datos. Sin embargo, la baja precisión, causada principalmente por la adhesión de nubes de puntos en la localización de robots industriales, es un problema crucial. Se propuso un método de clustering ascendente mejorado basado en supervóxeles para lograr una mayor precisión. En primer lugar, los datos de la nube de puntos fueron preprocesados para eliminar los puntos de ruido y el fondo. Luego, se empleó una sobre-segmentación mejorada de supervóxeles con ajuste de superficie por mínimos cuadrados móviles (MLS) para segmentar las nubes de puntos de las piezas de trabajo en grupos de supervóxeles. Cada grupo de supervóxeles puede ser refinado mediante el ajuste de superficie por mínimos cuadrados móviles, lo que reduce la ocurrencia de que la sobre-segmentación divida las nubes de puntos de dos objetos en un parche. Además, se propuso un algoritmo de fusión adaptativa basado en características de fusión y juicio de convexidad para lograr el clustering de la pieza de trabajo individual. Se estableció una plataforma experimental para verificar el método propuesto. Los resultados experimentales mostraron que la precisión de reconocimiento y la tasa de reconocimiento en tres tipos diferentes de piezas de trabajo fueron todas superiores a 0.980 y 0.935, respectivamente. Combinado con el alineamiento inicial de consenso de muestra (SAC-IA) y el registro fino de punto más cercano iterativo (ICP), se adoptó la estrategia de grueso a fino para obtener la ubicación de las piezas de trabajo segmentadas en los experimentos. Los resultados experimentales demuestran que el algoritmo de clustering propuesto puede lograr la localización de robots industriales con una mayor precisión y un menor tiempo de registro.