通过分析三维点云中的对象几何形状（简单和复杂），提出了一种基于 PointGrasp 的实时系统，用于识别日常生活中的家居场景，并支持和增强日常活动中的定制化端到端抓取任务，实现可达对象的定位和识别。该系统在简单和复杂几何形状的情况下，平均 RMSE 为 0.8±0.39 cm 和 0.11±0.06 cm，展示了在视觉驱动的机器人辅助康复手动任务中的潜力。

Mar, 2024

本文提出了一种有效的机器手抓取检测方法，通过处理嘈杂的 RGBD 图像或点云来输出适合的机械臂抓取配置的估计值，实现了对新对象的抓取成功率最高可达 93%。

Jun, 2017

我们介绍了一种基于机器人和任务空间的点云表示的机器人抓取的新型轨迹优化方法。使用点云表示，通过点匹配可以实现抓取的目标到达，而通过查询场景点的有符号距离场中的机器人点的有符号距离值可以有效地实现避碰。因此，我们提出了一个约束非线性优化问题来解决联合运动和抓取规划问题。我们的方法的优势在于点云表示可用于任何环境中的任何机器人。我们通过在台面场景和货架场景上进行使用 Fetch 移动式机械手和 Franka Panda 机械臂的抓取实验来证明我们方法的有效性。

Mar, 2024

本研究旨在利用深度传感器扫描的大型在线数据集来训练卷积神经网络，通过两种新的抓取候选表示方法实现对 6 自由度抓取候选的分类来提高抓取方法的成功率，在 Baxter 研究机器人上的实验中，相对于以前的研究成果，我们的方法有了 20％的提高，平均抓取成功率达到了 93％。

Mar, 2016

利用几何信息推断三维场景中的互动信息和可能性，并在机器人和增强现实场景中进行实验，结果表明可以在新颖信搏的环境下以快速率进行预测。

Jun, 2019

通过一种端到端的神经网络，将深度记录的场景直接转化为 6 个自由度平行夹具抓取的分布，其独特的抓取表示法将点云的 3D 点作为潜在的抓取接触点，并将 6 个自由度的抓取姿态与宽度根据观察到的点云减少到 4 个自由度，成功率可达 90% 以上。

Mar, 2021

利用深度隐式函数的多任务学习、共享表征，联合学习抓握可行性和三维重建任务，在清理杂物方面实现了优于基线方法 10% 的抓握成功率。

Apr, 2021

本文提出了一种新的大型语言引导的形状抓取数据集（名为 Lang-SHAPE），用于学习 3D 部件的 affordance 和抓握能力，还设计了一种新颖的两阶段细粒度机器人抓握网络（名为 PIONEER）进行模型测试。结果表明，我们的方法在参考标识、affordance 推理和 3D 部分感知抓握方面实现了令人满意的性能和效率。

Jan, 2023

通过使用 RGB-D 数据流和视觉技术，本研究提出了一种自动生成并适应新物体姿态的抓取轨迹的方法，通过将轨迹相对于物体框架进行投影，实现了在多个不同机器人设置和物体上的抓取任务的高效执行。

Oct, 2023

通过编码形状和有效抓取的连续潜空间，CenterGrasp 框架结合了物体识别和整体抓取，实现了场景的强场景重建和六自由度抓取 - 姿态估计性能的显著改进。

Dec, 2023