该研究提出了一种用于机器人抓取的闭环控制器的学习方法，该方法使用卷积神经网络学习关于图像的真实抓取的距离函数，可以应对虚拟和真实噪声传感器图像中的机械误差，感知误差和抓握时物体的不确定性。

Jun, 2017

本论文提出了一种新颖的机器人抓取检测系统，该系统使用深度卷积神经网络从场景中提取特征并使用浅层卷积神经网络来预测感兴趣目标的抓取配置，取得了 89.21％的准确率和实时的运行速度，重新定义了机器人抓取检测的技术水平。

Nov, 2016

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

FuncGrasp 是一个框架，可以通过一个带有注释的对象和单视图 RGB-D 观察来推断未见过的物体的密集而可靠的抓取配置，通过球形基元的函数到函数传递建立语义有意义的分类对应关系，并在无监督学习的方式下学习。与以往的作品不同，FuncGrasp 旨在传输通过对象为中心的连续抓握函数参数化的无限配置，通过在表面上定义的有效神经表示（NSGF）密集编码抓握配置。通过在模拟器和真实世界中进行大量实验，我们展示了该方法的有效性，显着优于生成的抓握的密度和可靠性的几种强基准方法。

Feb, 2024

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

本文提出了一种实时的、物体独立的抓取合成方法，使用生成式抓取卷积神经网络（GG-CNN）预测每个像素的抓取姿态和质量，在不进行抓取候选离散采样和长时间计算的情况下，对当前深度学习抓取技术的局限性进行了克服。 实验结果表明：GG-CNN 比当前最先进的技术具有同等性能，并具有轻量级、一次性生成的特点，从而可以实现 50Hz 的闭环控制，在非静态环境、物体移动和机器人控制不准确的情况下进行准确的抓取，对于具有敌对几何形状的物体可以实现 83% 的抓取成功率，在家居物品的抓取中可以实现 88% 的抓取成功率，在动态混杂物的抓取中可以实现 81% 的准确率。

Apr, 2018

本文提出了一种基于神经网络的学习方法，用于表示高自由度手的抓握姿势，并生成一个包含多种可能抓握的扩充数据集以避免模型的不确定性。该方法使用一致性损失函数和碰撞损失函数进行训练，在多个数据集上均取得了高精度，同时可以应用于噪声对象模型。

Mar, 2019

本篇论文提出了一种利用深度神经网络进行无监督或有限监督机械抓取学习的算法，该算法包括机械臂前向运动、与目标物体的碰撞检测、抓取姿态评价指标的构建，并且通过优化问题的敏感度分析提出了通用的 Q1 抓取评价指标，其中用到 watertight 三角形网格，实现了在各种 3D 形状数据集上比传统方法更高效率和鲁棒度的抓取姿态的学习和训练。

Feb, 2020

通过使用单个 RGB 图像进行模块化学习网络来检测抓取姿势，本研究提出了一种有趣的方法，适用于配备平板夹具的机器人，不仅识别可抓取的物体，还将先前的抓取分析与语义分割融合，从而提高抓取检测精度，并且在处理模糊和嘈杂的视觉情况时表现出弹性，通过实际实验和评估证明了我们提出的方法的可行性和准确性。

Oct, 2023

利用变分自编码器和夹取评估模型采样一组夹取，并在模拟和真实机器人实验中评价和修正采样到的夹取，以实现抓取生成。通过纯模拟训练，可在不进行任何额外步骤的情况下运行于实际机器人操作中，具有较高的成功率。

May, 2019