Team Delft's robot won the Amazon Picking Challenge 2016 by automating pick and place operations in unstructured environments using a robot arm, 3D cameras, a customized gripper, ROS software, and AI techniques.

Oct, 2016

自动化仓库操作可以降低物流成本，最终降低消费者的最终价格，提高交付速度，并增强对市场波动的适应能力。本文展示了亚马逊机器人的大规模包裹处理系统，以及其使用的启发式方法和利用实际生产数据训练的拣选成功预测器的后继方法。据作者所知，这是第一个在实际生产系统中大规模部署学习拣选质量评估方法的工作。

Sep, 2023

该论文总结了首届 Amazon Picking Challenge 的概述，以及对 26 个参赛团队进行的一项调查的摘要。 挑战的目标是设计一个自主机器人来从仓库货架上取物品。 我们对团队进行了 28 个问题的调查，以了解每个团队的背景，机制设计，感知设备，规划和控制方法。 最后，通过分析数据，该论文指出机器人将提高效率和降低成本的希望。

Jan, 2016

本文阐述了亚马逊机器人的 Robot Induction (Robin) 良品挑选系统通过人工智能技术的最新进展，成功实现了从大规模、无结构货堆中抓取所需产品，以此推动仓库自动化、实现物流成本节约的目标。

May, 2023

提出一种基于 answer set programming 的协作装配方法，结合常识推理和丰富的通信行为，用于应对组装过程中的不确定性，适用于现实世界中的协作任务，如家具组装等。

Aug, 2020

本文提出了一种以机器学习为基础的家庭机器人物品操控规划框架，该框架结合了大规模众包数据集和三种不同形态的语言特征，使得即使对于未曾见过的物品，家庭机器人也能够对其进行操控。

Apr, 2015

本文提出了一种基于多层次的任务和动作规划框架，可以协调多个机器人完成复杂结构的组装，在高层次通过整数线性规划算法计算抽象计划，并在低层次使用多智能体路径规划算法规划机器人的运动路线，关键在于高层次规划中的避碰约束和运动的持续时间，以使得抽象计划既可行又高效。

Mar, 2022

本文提出了一种基于物体的行动视觉先验的方法，即预测密集的几何感知、交互感知和任务感知的行动特征，结合强化学习策略和感知模块进行训练，通过探索多样的交互轨迹和总结概括所探索的知识来实现更好的感知 - 交互效果，并在大规模数据集上验证了其有效性和推广能力。

Jun, 2021

自主系统中智能机器人学习如何操作环境的一篇综述性研究，该研究着重于利用机器学习解决机器人操作的问题，并阐述了该领域的众多研究机遇和挑战。

Jul, 2019

本论文提出了基于 Answer Set Programming (ASP) 的框架，以实现对机器人控制结构中的关节式物体的自动化操纵。该框架通过 ASP 表示关节式物体的配置，并检查知识库中这种表示的一致性，并生成操纵动作序列。利用自动规划的宏动作来更有效地规划操纵关节式物体的机器人的操作，验证了该框架的可行性。

Oct, 2020