利用有限或无先验知识的握取问题是辅助机器人领域的高度相关技能。我们提出了一个基于深度学习的新型、快速且高保真度的流程，其中包括一个基于单深度图像的形状补全模块，以及一个基于预测对象形状的握取预测器。该流程在物理机器人平台上成功地实现了对各种家庭物品的握取。

Oct, 2023

本文提出了一种名为 3DSGrasp 的新型抓取策略和一种基于 Transformer 编码器 - 解码器网络和 Offset-Attention 层的 PCD 补全网络，该网络不受对象姿态和点置换的影响，可在部分 PCD 的情况下实现可靠的抓取姿势。实验表明，在 PCD 补全任务中，3DSGrasp 的性能优于最先进的方法，并且在实际场景中大大提高了抓取成功率。

Jan, 2023

通过从部分观测中重建和完成其全面几何结构，并利用七自由度的拟人化机器人手进行操作，我们的方法显著提高了只有部分重建的基线的抓取成功率近 30％，并以三个不同的对象类别多次实现了超过 150 次成功抓取，这表明我们的方法在真实世界的不同方向和位置基于完成的对象形状进行预测和执行抓取姿势的一贯能力，为增强需要实际重建对象的精确抓取和操作技能的机器人应用开辟了新的可能性。

Nov, 2023

本文提出使用 3D 卷积神经网络结构，融合深度学习和触觉信息来生成可用于机器人操作的丰富准确的三维模型，并通过实验证明，在几何推理方面具有优越性。

Mar, 2018

本论文提出一种新的深度学习方法，利用可变自编码器和图形卷积运算来实现对非刚性变形物体进行局部补全，对合成和真实扫描的人体和面部网格进行了实验，显示出有前途的结果。

Dec, 2017

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

本文介绍了一种基于学习抓取提案网络和学习三维形状重建网络的机器人抓取规划方法，使用几何重建来优化抓取提案网络生成的抓取点，实现了在图像中看不到抓取位置的情况下，对已知和未知物体进行准确抓取。实验结果表明，与其他模型相比，该方法在抓取任务中取得了更高的成功率。

Mar, 2020

本文提出了一种弱监督学习的三维形状补全方法，旨在解决从稀疏噪声点云进行三维形状补全的问题。与现有的数据驱动方法和基于学习的方法相比，该方法既不需要昂贵的优化步骤，也不需要直接监督，通过使用深度神经网络来学习最大似然拟合，具有高效和准确的形状补全能力。在来自 ShapeNet、ModelNet、KITTI 和 Kinect 的综合基准测试中，该方法能够与最近的完全监督基线相竞争，并且优于数据驱动方法，同时需要更少的监督并具有显着的速度优势。

May, 2018

本文提出了一种基于学习的 3D 重建技术，以实现机器人夹抓系统中的几何感知，并通过 96 次机器人夹抓试验来验证了这种技术对于夹抓度量和识别非预期接触具有积极意义。

Oct, 2019

通过两种方法预测局部空间占用与直接确定性预测，提高不确定区域的分割准确性、完成物体形状，增加抓取质量。

Aug, 2023