Los robots cuadrúpedos equipados con manipuladores necesitan algoritmos de detección y agarre rápidos y precisos para el transporte de suministros de ayuda en desastres. Para abordar esto, desarrollamos un marco para estos robots, que comprende un Controlador de Detección de Agarre (GDC), un Planificador de Trayectorias de Articulaciones (JTP), un Controlador de Articulaciones de Pierna (LJC) y un Controlador de Articulaciones de Manipulador (MJC). En el GDC, propusimos una CNN de detección de agarre ligera basada en DenseBlock llamada DES-LGCNN, que redujo la complejidad del algoritmo mientras mantenía la precisión al incorporar módulos UP y DOWN con DenseBlock. Para el JTP, optimizamos el modelo basado en la cinemática del robot cuadrúpedo para mejorar la visibilidad de la cámara de la muñeca en entornos dinámicos. Integramos la red y el modelo en nuestro sistema de control de robot casero y verificamos nuestro marco a través de múltiples experimentos. Primero, evaluamos la precisión del algoritmo de detección de agarre utilizando los conjuntos de datos de Cornell y Jacquard. En el conjunto de datos de Jacquard, logramos una precisión de detección del 92.49% para los puntos de agarre en 6 ms. En segundo lugar, verificamos su visibilidad a través de simulación. Finalmente, realizamos experimentos en escenas dinámicas que consistieron en un escenario de objetivo dinámico (DTS), un escenario de base dinámica (DBS) y un escenario de objetivo y base dinámicos (DTBS) utilizando un robot físico SDU-150. En los tres escenarios, el objeto fue agarrado con éxito. Los resultados demuestran la efectividad de nuestro marco en la gestión de entornos dinámicos durante la ejecución de tareas.