Los robots gradualmente tienen la capacidad de planificar acciones de agarre en escenas desconocidas aprendiendo la manipulación de escenas típicas. El método de estimación de la pose de agarre, como un tipo de método de extremo a extremo, se ha desarrollado rápidamente en los últimos años debido a su buena generalización. En este artículo, presentamos un método de estimación de la pose de agarre para robots basado en redes neuronales convolucionales. En este método, se empleó un modelo de red neuronal convolucional, que puede generar la tasa de éxito del agarre, el ángulo de aproximación y el ancho de apertura del gripper para el voxel de entrada. Se produjo un conjunto de datos de agarre y se entrenó el modelo en el simulador físico. Se propuso una optimización de la posición del agarre robótico de acuerdo con la distribución del centroide del objeto para mejorar la tasa de éxito del agarre. Se estableció una plataforma experimental para el agarre robótico y se seleccionaron 11 objetos comunes de uso diario para los experimentos. Se realizaron experimentos de agarre que involucraron a los once objetos de forma individual, múltiples objetos, así como un entorno oscuro sin iluminación. Los resultados muestran que el método tiene la adaptabilidad para agarrar diferentes objetos geométricos, incluidas formas irregulares, y no se ve influenciado por las condiciones de iluminación. La tasa total de éxito del agarre fue del 88.2% para los objetos individuales y del 81.1% para la escena desordenada.