En el sector agrícola, la utilización de robots para tareas como la cosecha de frutas presenta desafíos significativos, particularmente en la consecución de una estimación precisa de la pose 6D de los objetos objetivo, lo cual es esencial para una cosecha precisa y eficiente. En particular, la cosecha de frutas depende en gran medida de la mano de obra manual, lo que lleva a problemas con un suministro laboral inestable y costos crecientes. Para resolver estos problemas, los robots de cosecha agrícola están ganando atención. Sin embargo, una cosecha efectiva requiere una estimación precisa de la pose 6D del objeto objetivo. Este estudio propone un método para mejorar el rendimiento de los robots de cosecha de frutas, incluyendo el desarrollo de un conjunto de datos llamado HWANGMOD, que fue creado utilizando entornos tanto virtuales como reales con herramientas como Blender y BlenderProc. Además, presentamos métodos para entrenar un modelo basado en EfficientPose para la estimación de la pose 6D y la clasificación de madurez, y un algoritmo para determinar la secuencia de cosecha óptima entre múltiples frutas. Finalmente, proponemos un método de seguimiento de múltiples objetos utilizando coordenadas estimadas por modelos de aprendizaje profundo para mejorar el rendimiento del robot en entornos dinámicos. Los métodos propuestos fueron evaluados utilizando métricas, mostrando que el modelo de aprendizaje profundo para robots de cosecha agrícola sobresalió en precisión, robustez y procesamiento en tiempo real. Estos avances contribuyen al potencial de comercialización de robots de cosecha agrícola y al campo más amplio de la tecnología de automatización agrícola.